基于视频网络的终端用户视频体验建模

许方镪

摘要：【目的】根据实验数据分别建立用户体验评价变量初始缓冲时延和卡顿时长占比两个因素与网络侧变量（初始缓冲峰值速率，播放阶段平均下载速率，E2E RTT）之间的函数关系。【方法】首先通过多元非线性函数，利用Matlab软件进行建模，得出初始缓冲时延和网络侧变量的函数关系。而卡顿时长与网络侧变量没有明显的线性、非线性关系，所以采用BP神经网络来训练表示他们之间的关系。【结论】得到了用户体验评价变量初始缓冲时延和卡顿时长占比两个因素与网络侧变量之间的函数关系。

关键词：统计回归模型；多元非线性函数；人工神经网络；BP神经网络模型

中图分类号：TP393.0 文献标识码：A 文章编号：1009-3044（2018）24-0203-03

Abstract： [purpose]According to the experimental data， the relationship between the initial buffer delay and the carton duration of the user experience evaluation variable and the network side variable （initial buffer peak rate， average playback rate in the playback phase， E2E RTT） are established.[method]Firstly， the multi-linear function is used to model with Matlab software， and the relationship between the initial buffer delay and the network side variable is obtained. However， there is no obvious linear and nonlinear relationship between the Carton duration and the network side variables， so BP neural network is used to train and express the relationship between them.[result]The functional relationship between the initial buffer delay and the carton duration ratio of the user experience evaluation variable and the network side variable is obtained.

Key words： statistical regression model； multivariate nonlinear function； artificial neural network； BP neural network model

1 引言

據统计，近年来网络视频的用户占我国网民用户比例超过60%，视频业务流量在网络流量中的占比超过70%[1] 。随着在移动智能终端上观看网络视频的用户越来越多，如何建立起评价用户体验的指标也已经成为当前热点研究课题。观看网络视频影响用户体验的两个关键指标是初始缓冲等待时间和在视频播放过程中的卡顿缓冲时间，因此可以用初始缓冲时延和卡顿时长占比来定量评价用户体验。

2 问题分析与方法

2.1 初始缓冲时延及其主要影响因素的问题分析

在视频业务中，影响视频体验指标vMOS的最关键因素之一是视频初始缓冲等待时间，即初始缓冲时延，以此作为评价用户体验的指标，从而来研究初始缓冲时延及其主要影响因素的问题，对日益重要的视频优化工作开展有一定的指导意义[2]。

所求的第一个函数关系属于统计数学问题，对于此问题，可采用统计回归的方法来解决。根据《基于移动视频的移动承载网络要求》白皮书[3]，初始加载时间是由视频解析阶段和数据下载缓冲阶段共同决定的，为了求出初始缓冲时延也网络侧变量的关系，引入中间变量初始下载平均速率，建立统计回归模型，求出初始下载平均速率与网络侧变量的函数关系，即可得初始缓冲时延与网络侧变量的函数关系表达式。

2.2 卡顿时长占比及其主要影响因素的问题分析

针对所求的第二个函数关系，分析数据发现，卡顿时长是否为0取决于播放时间平均下载速率与视屏码率的大小关系，满足一定条件时卡顿时长为0，对于卡顿时长不为零的情况再另行分析。用类似于第一个函数的统计回归模型，引入中间变量卡顿时长，求出卡顿时长与三个网络侧变量的多元非线性函数关系，若结果不理想，则建立人工神经网络模型中的BP神经网络模型进一步分析。

3 问题假设

（1）假设业务准备时延仅包括端到端环回时间（即忽略内部准备阶段）。

（2）假设TCP慢启动过程包括在业务准备时延，且期间不进行任何数据传输。

（3）假设视频码率为2934 kbps。

（4）假设视频播放阶段总时长为30000ms。

（5）假设卡顿门限为0，即播放阶段缓冲区没有数据时出现卡顿。

（6）假设重播放门限为2.7s，乘以视频码率得到相应的数据量，表示卡顿后缓冲区下载多少数据开始重新播放。

（7）假设初始缓冲量为4s，乘以视频码率得到初始缓冲阶段需要下载的数据量。

4 结果与分析

4.1 模型一的建立与求解

通过对两个函数的曲面图与实际数据的散点图的观察对比，对现有的89266组数据构成的散点图来看，绝大多数的点都能契合在我们建立的最终模型的曲面图上，这也从侧面证明了我们模型的正确性。

4.2 模型二的建立与求解

4.2.1数据处理

4.2.2 BP神经网络模型的建立与求解

人工神经网络（Artificial Neural Network，简称ANN）是一种非线性动态数学模型，广泛应用于非线性系统建模、系统辨识、函数逼近等方面[4]，具有很强的稳定性、收敛性、鲁棒性等良好性质，在各种信息处理领域有着广泛的应用[5]。人工神经网络下的BP神经网络是一种具有三种或三种以上的多层神经网络，每一层都由若干神经元构成。

5 结论

问题一的统计回归模型具有较高的拟合和预报精度，同时具有良好的稳定性[7]。同时，在直接求解不易的情况下，引入中间变量，从而来简化问题的计算。而问题二的神经网络模型研究涉及众多学科领域，不仅可以解决本文的问题，还广泛应用于生物学、医学等领域，这些领域互相结合、相互渗透并相互推动。

仍有不足的是问题二的模型在实际应用中，存在一定的局限性（比如当权值收敛到某个值时，会出现局部最小值的现象，不能保证得到误差全局最小值），并且网络初始值和隐含层节点数的选取缺少理论指导[8]。

参考文献：

[1] 成实，王浩东，王伟，等.基于互联网DPI的视频业务体验质量方法研究[A].软件导刊，2017，16（02）： 141-143.

[2] 陈楚雄，柯江毅，覃道满，视频业务体验评估和优化提升讨论[J]，邮电设计技术，2017（2）：17-23.

[3] 基于移动视频的移动承载网络要求白皮书，http：//www-file.huawei.com/～/media/CORPORATE/PDF/white%20paper/Technical-White-Paper-on-Mobile-Bearer-Network-Requirements-for-Mobile-Video-Services-cn.pdf，2017-06-10.

[4] 羅玉春，都洪基，崔芳芳.基于Matlab的BP神经网络结构与函数逼近能力的关系分析[J]. 现代电子技术，2007（24）：88-90.

[5] 徐振东.人工神经网络的数学模型建立及成矿预测BP网络的实现[D].吉林大学，2004.

[6] 杨力.基于BP神经网络的城市房屋租赁估价系统设计[J].中国管理科学，2002（04）：24-28.

[7] 陶云，曹杰，严华生，等. 一种新的统计回归模型及其建模方案[J].大气科学，1999（03）：333-339.

[8] 王晓娟.改进型BP神经网络构造模糊集隶属函数模型及应用[J].自动化技术与应用，2015（01）：1-5.

【通联编辑：代影】