YouTube移動端加密視頻傳輸模式識別技術

潘吳斌

市場上手機廠商、手機型號以及硬件的差異，使得YouTube在傳輸視頻過程中需進行視頻碼率、分辨率等方面的識別及適應，以DASH-APP，HLS-APP，HPD-APP三種傳輸模式為例，這3種傳輸模式的段數特征差異很大。因此，本文通過分析3種傳輸模式之間的差異性、加密算法及更換流等內容，為進行YouTube模式識別提供技術支撐。

移動端加密視頻傳輸模式識別模型構建

本文提出基于在線和離線2種模式的模式識別模型構建，首先通過貝葉斯模型進行離線訓練，然后采用A-I-P-FP進行在線識別。

樸素貝葉斯多項式模型

①貝葉斯分類器原理及流程

CountVecotrizer作用是特征向量化，特征向量化示例圖如圖2所示。。

MutinominalNB模塊的主要功能是基于樸素貝葉斯多項式模型算法。

A-I-P-FP方案

A-I-P-FP方案離線訓練模塊的實現如圖3所示。Stream Filter模塊用于檢測客戶端到服務器端，并過濾出視頻樣本首部第一條視頻流F、和其后一條流F+1，2條有效的視頻流，此部分基于tshark實現。

實驗與結果分析

數據集合描述

采用表1設備進行數據集描述，共分為20和160，2次進行YouTube熱門視頻采集。

實驗評估

yi5樸素貝葉斯多項式模型實驗評估

在數據集合中隨機選取200個視頻樣本，為分析T時間參數選擇對分類器的影響進行了實驗，其D1準確率、召回率與F1-score結果如表2所示。

圖4給出了這次實驗的混淆矩陣，圖5展示了對樸素貝葉斯多項式模型構建的分類器進行了10次交叉驗證的結果。由圖4和圖5可見其平均準確率達到92.25 %。

A-I-P-FP方法實驗評估

將500個視頻集合D2分為S2、T2兩個集合。訓練集為80 %，測試集為20 %。表3用查準率、查全率和F-score及其均值，展示了對方法的評估。

如表3結果所示，識別效果最好的2種模式是DASH-APP和HPD-APP。并且如圖6所示為對500個視頻進行了10次交叉驗證的結果。可見本文方法均能取得良好的識別效果。

為完成YouTube移動端加密視頻流的識別、關聯以及傳輸模式的識別，研究了基于DASH，HLS，HPD等視頻傳輸模式在加密情況下的特征和區別，分析了在移動App，PCWEB端進行YouTube視頻傳輸模式的差異性和共同性，并深入分析了不同型號手機對視頻觀看的影響，最后提出了A-I-P-FP視頻傳輸加密方法，為在線識別YouTube視頻傳輸模式提供了一種高效、可行的解決方案。