CN104023383A - 一种基于QoE预测的干扰整形方法 - Google Patents

Abstract

本发明涉及到基于QoE预测的干扰整形方法。核心思想是通过调整干扰基站BE业务数据速率(发射功率)来对干扰功率进行时域上的平滑，从而在保证用户公平性的前提下保障视频业务QoE。该方法包括对视频业务的QoE预测和对Best-effort业务的QoE预测。其中基于传统视频质量评价方法PSNR以及提出的PSNR-MOS映射模型对视频业务的QoE进行预测，根据Best-effort业务的特点和定理对其QoE进行预测。根据视频业务与Best-effort业务QoE敏感程度的不同，建立对应效用函数以及调度决策函数。当视频业务QoE预测结果低于用户能接受的程度时，则利用PSO算法对效用函数以及调度决策函数进行最优化计算，获取整形尺度RFS参数的值。最后各基站根据整形尺度RFS调整各业务的发送功率，从而保障视频业务QoE。

Description

一种基于QoE预测的干扰整形方法

技术领域

本发明涉及一种无线通信领域，具体涉及一种干扰整形方法，特别是涉及到基于视频业务QoE预测的干扰整形方法。 

背景技术

随着移动无线网络的不断发展，网络资源的需求日益增长,人们对通信业务的需求也越来越多样化，对各种应用服务的要求不断提高，从而使得运营商不断的对网络进行优化升级，同时增加基站的部署，以便保障用户服务。除了LTE、3G等大型基站之外，femtocell、wifi等小型基站也将密集部署，基站部署密度的增加会带来严重的小区间干扰。相比于传统网络需要更为有效的干扰管理技术。而在未来无线网络中，视频业务和Best-effort业务会成为主流业务，视频类业务在近期得到了迅猛的增长，已占到移动无线流量的50％左右。根据思科预计，2012-2017年全球移动数据流量将翻13倍，其中，2/3为视频业务流量，可观的用户规模及市场利润使得无线视频业务备受瞩目。而视频业务中，其用户体验对网络性能要求更高，如何测量和保障用户视频业务的QoE成为未来无线网络中的重要课题。视频业务更由于其实时性要求，更易受到突发性干扰的影响，如何应对未来无线网络中突发干扰对于QoE的影响，是极为重要的课题。目前，在对双层网络干扰管理的研究中，出现了多种有效的干扰抑制技术，但目前出现的各种干扰管理技术多是通过时域、频域或者空域的正交传输来减少干扰功率的，这些方法并没有研究未来无线网络中的业务特性，考虑业务对干扰的影响以及突发干扰对业务的影响导致了面对Best-effort类业务造成的突发干扰，针对某些业务的干扰管理带来的性能增益十分有限。 

发明内容

本发明的目的是针对背景技术中的不足，提出一种新的，基于QoE预测的干扰整形方法。 

为了实现本发明的目的，本发明采用的技术方案是：通过调整干扰基站Best-effort业务数据速率(发射功率)来对干扰功率进行时域上的平滑，进而减少Best-effort业务对视频业务的突发干扰。相比其他传统干扰抑制技术，干扰整形不是减少平均干扰功率，而是在时间上将干扰功率进行分散，目的是减少网络吞吐量变化的突发性，通过平滑突发干扰功率，保障视频业务用户的QoE。 

所述干扰整形方法，对小区同道干扰进行建模，具体计算同频信道业务的信干噪比。 

所述干扰整形方法，基于Best-effort类业务的特性对小区流量进行建模，计算Best-effort业务对视频业务干扰的概率。 

所述干扰整形方法，定义整形因子α，通过调整整形因子大小，适当降低Best-effort业务的QoE，提高视频业务的QoE，达到干扰整形的目的。 

所述干扰整形方法，基于丢包率模型和PSNR-MOS非线性映射模型对视频业务的QoE进行预测。 

所述干扰整形方法，基于韦伯-费希纳公式对Best-effort业务进行QoE预测。 

所述干扰整形方法，基于QoE预测提出效用函数，实现最大化用户整体QoE并保证用户间公平性的目标。 

所述干扰整形方法，基于效用函数，通过PSO算法的最优调度策略，找寻最优的整形因子，达到最优的整形效果。 

所述小区流量模型，通过开环和闭环两种流量模型对不同业务进行建模。 

所述视频QoE预测，在传统视频评价方法PSNR的基础上通过PSNR-MOS非线性映射模型进行预测。 

所述PSNR-MOS非线性映射模型，将视频的PSNR预测值通过映射模型与MOS值相对应。 

附图说明

图1是基于QoE预测的干扰整形方法的流程图。 

具体实施方式

实施方式，参见图1。 

所述干扰整形方法，具体步骤如下： 

首先，当视频业务向基站发起请求时，根据同道干扰模型计算各基站同频信道业务的信干噪比。对于一个特定的无线视频用户UE₀，假定有J个基站可能对其产生突发的数据干扰。从BS₀到UE₀的平均信噪比(SNR)假定是γ，基站j的干扰噪声比(INR)表示为I_j，那么UE₀上的突发干扰导致的突发信干噪比(SINR)可以表示为： 

$\mathrm{SINR}=\frac{h_0\mathrm{\γ}}{1+{\mathrm{\Σ}}_{j=1}^{\left|J\right|}{I}_j{1}_j}$

其中1_j是基站BS₀上正在传输业务的指标，h₀表示信道增益。同时，我们定义激活因子A_f,j来表示干扰发生的概率，即A_f,j＝P(1_j＝1)。 

另外，我们定义整形尺度因子α，表示为了降低Best-effort业务带来的突发干扰，将 Best-effort业务的数据速率将为其最大速率的α倍(0＜α＜1)，根据香农信道容量定理，发送速率是和发送功率直接相关的，由于系统参数的不同和衰落分布的不同，得到相应的平均SINR变化的闭型表达式十分困难，为了简化分析，我们将采用维纳模型求解干扰整形后的SINR，整形后接收到的信干噪比γF_j(α_j)满足： 

α_jlog₂(1+γF_j(1))＝log₂(1+γF_j(α_j)) 

因此，UE₀上的SINR可以表示为： 

$\mathrm{SINR}({\mathrm{\α}}_1,...,{\mathrm{\α}}_j)=\frac{h_0\mathrm{\γ}}{1+{\mathrm{\Σ}}_{j=1}^{\left|J\right|}\left(h_j({(1+\mathrm{\γ}{F}_j\left(1\right))}^{{\mathrm{\α}}_j}-1)\right)1_j}$

其次，干扰基站对视频业务干扰的概率依赖于小区流量到达模型，本发明中使用开环流量模型和闭环流量模型对不同类型业务进行建模。 

开环流量模型是用来描述单个用户的网络活动，当用户进行Best-effort业务时，比如网页浏览，用户的网络请求时间和用户停留时间都是随机的，但研究表明它们都服从指数分布，我们将用户停留时间建模为均值为的指数分布，网络请求时间为均值为的指数分布。网络请求时间即为基站对视频业务干扰的持续时间，因此闭环模型下网络请求的概率： 

$A_{f,j}=E\left[1_j\left({\mathrm{\α}}_j\right)\right]=\frac{{\mathrm{\Λ}}_t}{\mathrm{\μR}\left({\mathrm{\α}}_j\right)+{\mathrm{\Λ}}_t}$

由此可见，当对突发干扰进行整形后，用户的网络请求频率降低，而网络请求的时间变长，突发干扰被抑制。 

闭环流量模型主要适用在用户网络请求频率和服务频率不相关的业务中，比如用户终端的背景数据业务(网络推送、邮件查收)，数据包到达的时间间隔服从均值为的指数分布，数据包大小服从均值为的指数分布，因此基站数据的发送可建模为M/M/1队列模型。对于该队列当整形尺度为α时，队列非空的概率为： 

$A_{f,j}=E\left[1_j\left({\mathrm{\α}}_j\right)\right]={\mathrm{\ρ}}_j^o\left({\mathrm{\α}}_j\right)=\frac{\mathrm{\λ}}{\mathrm{\μ}{R}_j\left({\mathrm{\α}}_j\right)}=\frac{{\mathrm{\ρ}}_j^o\left(1\right)}{{\mathrm{\α}}_j}$

A_f,j即开环流量模型下基站对视频业务用户的干扰概率，由该式，令A_f,j＜1我们可以直 接得到干扰整形设计的边界条件，防止系统进入不稳定状态。 

干扰整形策略需要根据视频业务和其他类型业务的QoE来选择，视频业务QoE与丢包率PLR正相关，即QoE∝PLR。这里针对PLR进行建模。在无线视频业务中，为了使用无线信道往往会采用一些码率自适应技术，动态调整视频业务码率；这里假设视频业务的码率为信道的平均容量，即其中是一个矢量，表示各干扰基站的整形尺度。那么视频业务的PLR即为： 

$\mathrm{PLR}\left(\stackrel{\→}{\mathrm{\α}}\right)=E\left[\frac{\max (B_n-C_n,0)}{B_n}\right]=\frac{E\left[\max (\stackrel{\→}{C}\left(\stackrel{\→}{\mathrm{\α}}\right)-C_n,0)\right]}{\stackrel{\→}{C}\left(\stackrel{\→}{\mathrm{\α}}\right)}$

其中C_n为视频业务第n帧所在时隙信道容量，式中以及C_n可以通过前两部分中同信道干扰模型和流量到达模型得到。最终，当干扰基站对视频用户只存在一个干扰时，PLR可以表示为： 

$\mathrm{PLR}\left({\mathrm{\α}}_1\right)=\frac{A_{f,1}(1-A_{f,1})\log \left(\frac{1+h_0\mathrm{\γ}}{1+\frac{h_0\mathrm{\γ}}{1+\left(h_1({(1+r{F}_1)}^{{\mathrm{\α}}_1}-1)\right)}}\right)}{A_{f,1}\log (1+\frac{h_0\mathrm{\γ}}{1+\left(h_1({(1+r{F}_1)}^{{\mathrm{\α}}_1}-1)\right)})+(1-A_{f,1})\log (1+h_{0}r)}$

对于视频业务而言，PSNR是与用户主观感知质量有高度联系的客观参数。根据得到的PLR表达式，可以计算出视频业务的PSNR，其中a和b是与所测量数据相关的模型参数，R_P代表视频业务发送速率SBR。 

$\mathrm{PSNR}=10*{\log }_{10}\frac{{255}^2}{\frac{a}{\exp (R_P/b)-1}+\mathrm{\β}\·\mathrm{PLR}}$

而MOS参数可以有效衡量视频业务用户满意程度。因此，本发明中采用MOS值作为衡量视频业务QoE的参数。而传统视频质量评价参数PSNR和用户主观感知质量参数MOS间存在很强的关系。PSNR与MOS值间的映射关系如表3-2所示： 

表3-2PSNR与MOS值间映射关系 

PSNR(dB)	MOS
		>37	5
31～36.9	4

 

25～30.9	3
		20～24.9	2
<19.9	1

结合人类对视频业务的感知特性，本发明建立了PSNR-MOS映射模型，该模型能够更为准确的反映PSNR与MOS之间的关系，并且其所具有的低复杂度特性使其能够用于无线视频点播业务。 

本发明设定当PSNR值为20dB时达到最低用户满意度，PSNR值达到50dB时用户满意程度最高。这种设定的依据为当PSNR低于20dB时，视频失真非常严重，不能满足用户要求；当PSNR高于50dB时，视频失真很小，人眼已无法分辨重建视频序列与原始视频序列间的差别。因此，本发明将PSNR的范围设为20至50dB，MOS值范围为1至5，并定义PSNR-MOS非线性映射模型如下，其中，参数α，β和γ的值随视频序列内容及结构变化。 

$\mathrm{MOS}=\left\{\begin{array}{c}1,\mathrm{PSNR}\&le;20;\\ \mathrm{\&alpha;}*\mathrm{th}(\mathrm{\&xi;}\&CenterDot;\mathrm{PSNR}-\mathrm{\&beta;})+\mathrm{\&gamma;},20<\mathrm{PSNR}<50\\ 5,\mathrm{PSNR}\&GreaterEqual;50.\end{array}\right.---\left(7\right)$

对于Best-effort业务，基于其特点以及韦伯-费希纳定理，可以得到Best-effort业务QoE感知模型。对于Best-effort类的业务，用户关心的是业务完成时间，因此，可以将业务完成时间看成QoE的刺激。人类的感知源自于外界事物的刺激，韦伯-费希纳定理描述了人类感觉敏感度与外界刺激的自然对数关系。网页浏览和文件下载是典型的Best-effort业务，对这些业务发送功率的整形会降低文件下载的速度，增加平均的页面加载时间。平均页面加载时间(或者文件下载时间)可以表示为： 

$E\left(D\right)=D_{\mathrm{back}}+\frac{1}{\mathrm{\&mu;R}\left(\mathrm{\&alpha;}\right)}$

其中D_back表示骨干网传输时延和服务器响应时间造成的延迟，表示页面或者文件的大小为时的无线链路时延。研究证明，用户对文件下载的体验和业务完成时间之间存在着很强的对数依赖关系。我们用类似韦伯-费希纳定理的对数依赖关系来表征人的主观感受和业务完成时间之间的关系，这里的主观感受同样用MOS值来衡量。 

MOS_download＝ε₁log(α)+ε₂

对于网页浏览类业务，用户的QoE和页面的加载时间之间存在着同样的对数依赖关系,即： 

${\mathrm{MOS}}_{\mathrm{page}}={\mathrm{\&eta;}}_1\log \left(\frac{1}{\mathrm{\&mu;R}\left(\mathrm{\&alpha;}\right)}\right)+{\mathrm{\&eta;}}_2$

最后，在PSNR计算方程和非线性PSNR-MOS映射模型基础上，提出基于QoE预测的效用函数，实现最大化用户整体QoE并保证用户间公平性的目标。 

效用函数如下所示： 

$F\left(x\right)=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_l{\mathrm{MOS}}_k\left(x\right){\mathrm{\&mu;}}_k+{\mathrm{\&lambda;}}_P{\mathrm{MOS}}_P\left(x\right),x\&Element;X$

subjectto 

μ_k∈{0,1}for all k 

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k+{\mathrm{\&lambda;}}_P=1\mathrm{forallk}$

MOS_P(x)>MOS_P

MOS_k(x)>MOS_BE for all k 

其中，Best-effortst-effort业务UE总数为K，视频业务UE表示为UE_P，X表示选取的调整因子α参数取值的集合，x∈X。F(x)表示跨层参数集合x对应的效用值。其中μ_k表示UEk是否发起视频业务请求。因此的取值为0或1，如第一个限制条件所示。第二个限制条件中λ_k与λ_P分别表示Best-effort业务以及视频业务在该效用函数中的权重。在该限制条件中，实时视频业务对于通信系统状态的变化敏感，因而λ_P的值会随着整个系统状态的变化而变化，从而提高其优先级，满足视频业务用户的需求。第二个限制条件表示视频业务体验质量MOS值都必须在一个可以接受的范围内。同理，Best-effort业务的MOS值也需要设定一个下限，如第四个限制条件所示。 

调度决策函数表示如下： 

$x_{\mathrm{opt}}=\arg \underset{x\&Element;X}{\max }F\left(x\right)$

其中x_opt为最优调度策略对应的参数值。本发明中采用PSO算法求解最优的调整因子参数 在选取最优调整策略后，调度器模块将各参数值反馈至各基站中，对Best-effort业务的发送功率进行相应的调整，从而在保证用户公平性的前提下保障视频业务QoE。 

Claims (8)

1.一种基于QoE预测的干扰整形方法，其特征在于：通过调整干扰基站Best-effort业务数据速率(发射功率)来对干扰功率进行时域上的平滑，进而减少Best-effort业务对视频业务的突发干扰。

2.根据权利要求1所述的一种基于QoE预测的干扰整形方法，其特征在于：基于Best-effort业务对视频业务的同频信道干扰模型，计算同频信道业务的信干噪比。

3.根据权利要求1所述的一种基于QoE预测的干扰整形方法，其特征在于：基于Best-effort类业务与视频业务的特性对小区流量进行建模，计算Best-effort业务对视频业务造成的干扰，其中主要考虑丢包率。

4.根据权利要求1所述的种基于QoE预测的干扰整形方法，其特征在于：定义整形因子，通过调整整形因子大小，适当降低Best-effort业务的QoE，保障视频业务的QoE，达到干扰整形的目的。

5.根据权利要求1所述的种基于QoE预测的干扰整形方法，其特征在于：基于丢包率模型和PSNR-MOS非线性映射模型对视频业务的QoE进行预测。

6.根据权利要求1所述的种基于QoE预测的干扰整形方法，其特征在于：基于韦伯-费希纳公式对Best-effort业务进行QoE预测。

7.基于QoE预测提出效用函数，实现最大化用户整体QoE并保证用户间公平性的目标。

8.基于效用函数，通过PSO算法的最优调度策略，找寻最优的整形因子，达到最优的整形效果。