CN104320296B - 一种网络质量的评估检测方法及其装置 - Google Patents
一种网络质量的评估检测方法及其装置 Download PDFInfo
- Publication number
- CN104320296B CN104320296B CN201410526638.9A CN201410526638A CN104320296B CN 104320296 B CN104320296 B CN 104320296B CN 201410526638 A CN201410526638 A CN 201410526638A CN 104320296 B CN104320296 B CN 104320296B
- Authority
- CN
- China
- Prior art keywords
- mrow
- value
- interval
- delay
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种网络质量的评估检测方法,属于网络技术的应用领域,该评估检测方法针对现有技术仅依靠丢包、延时、抖动中的一个因素进行网络质量评估、从而导致检测结果不可靠的问题,从而提出同时结合丢包、延时和抖动三个因素评估网络质量,避免了仅用一个因素评估时出现的不可靠,对网络质量实现了准确有效的评估。另外,本发明的延时和抖动的计算方法也具有特定的有益效果,大大提高了网络质量评估的可靠性。
Description
技术领域
本发明涉及一种评估检测方法及其装置,特别涉及一种网络质量的评估检测方法及其装置。
背景技术
在目前的voip应用、流媒体播放及其它各种流媒体应用场景中,正常估计网络质量对业务的应用显得尤为重要。比如常见的网络点播,其提高客户体验的方法是,根据用户的网络情况,决定服务器传输节目的码流大小,网络差,减少码流,保证用户的基本观看需求,网络好时,提升码流,保证观看的画面及音频质量,提升用户舒适度。
而移动网络影响网络质量的参数主要有三个,即丢包、抖动和延时:
延时:指IP包从网络入口点到达网络出口点所需要的时间。如果在一个呼叫中包含不同的通路时间,则存在抖动,抖动越大则网络质量下降得越明显。
丢包率:数据包发送端和接收端之间的数据包数目的差值即为网络传输丢包数目,网络丢包数目占数据包发送端总发包数目的的百分比即丢包率。丢包率变大,网络质量也就相应变差。
抖动:抖动指的是变化的时延,大多起源于网络中的队列或缓冲,尤其是在低速链路时。而且抖动的产生是随机的。
目前业界多数计算网络质量的方法比较单调,比如用丢包率大小等效网络质量,丢包率越大,网络质量越差。或通过编写网络客户端的服务器程序,通过客户端与服务器之间相互通信来模拟各种业务应用数据在网络上传输的场景,通过收集相关的数据包传输信息,计算网络端到端之间的传输延时,抖动,带宽等参数,通过数据显示来使人们可以实时地看到实时的网络状况。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种网络质量的评估检测方法,该方法能够解决现有技术对网络质量评估不准确的问题。
为解决上述问题,本发明所采用的技术方案如下:
一种网络质量的评估检测方法,
其网络质量评估值
其中,L为丢包率值,T为延时值,J表示抖动值,T、J单位为秒,且L∈(0,1),T∈(0,1),J∈(0,1);
所述延时值T的计算方法如下:
步骤1,计算当前数据包与上一个数据包到达的时间间隔δ,δ∈{δi|i=0、1、2……N},i为数据包到达顺序;
步骤2,对δ从小到大排序,并对排序后的延时划分N个区间,依次为 对应的延时分别为T0、T1……TN,同时分别统计各区间的概率值p,N为常数;
步骤3,当接收数据包间隔正常时,用遗忘因子f对概率分布进行遗忘,即p(i)=p(i)*f,i∈[0,N],式中f初始值为0;
当接收数据包间隔时,增大本次计算的区间概率,p(i)=p(i)+(1-f),并且更新遗忘因子f,
步骤4,调整本次计算的区间概率,调整方式为假设当前概率分布之和为tempSum,即:
步骤5,计算延时值T,
优选的,步骤2中,所述N的默认取值为64。
优选的,步骤4中,概率分布之和的近似值为1。
优选的,在步骤2之后具有以下步骤:
步骤31,计算T<ti的累积概率值P,即:
步骤41,在P与T的分布函数中找出对应值,即:
P>0.2对应T的最小值,记P、T分别为Pa、Ta,
P<0.8对应T的最小值,记P、T分别为Pb、Tb;
步骤51,通过概率密度函数求出网络的抖动值J,其中x=(Tb+Ta)/2,u为延时T的数学期望,即u=E(T)。
优选的,步骤51中的概率密度函数,为步骤41中P与T的分布函数0.8>P>0.2该段的概率密度函数。
本发明的另一个目的在于提供一种网络质量的评估检测装置,该装置能够解决现有技术对网络质量评估不准确的问题。
一种网络质量的评估检测装置,包括:
评估模块,用于计算网络质量评估值
其中,L为丢包率值,T为延时值,J表示抖动值,T、J单位为秒,且L∈(0,1),T∈(0,1),J∈(0,1)。
优选的,还包括:
时间间隔计算模块,用于计算当前数据包与上一个数据包到达的时间间隔δ,δ∈{δi|i=0、1、2……N},i为数据包到达顺序;
区间划分模块,用于对δ从小到大排序,并对排序后的延时划分N个区间,依次为对应的延时分别为T0、T1……TN,同时分别统计各区间的概率值p,p∈{p(i)|i∈[0,N]},N为常数;
遗忘处理模块,用于当接收数据包间隔正常时,用遗忘因子f对概率分布进行遗忘,即p(i)=p(i)*f,i∈[0,N],式中f初始值为0;
当接收数据包间隔时,增大本次计算的区间概率,p(i)=p(i)+(1-f),并且更新遗忘因子f,
调整模块,用于调整本次计算的区间概率,调整方式为假设当前概率分布之和为tempSum,即:
延时计算模块,用于计算延时值T,
优选的,还包括:
累积概率值计算模块,用于计算T<ti的累积概率值P,即:
分布函数模块,用于在P与T的分布函数中找出对应值,即:
P>0.2对应T的最小值,记P、T分别为Pa、Ta,
P<0.8对应T的最小值,记P、T分别为Pb、Tb;
抖动值计算模块,通过概率密度函数求出网络的抖动值J,其中x=(Tb+Ta)/2,u为延时T的数学期望,即u=E(T)。
相比现有技术,本发明的有益效果在于:
能够同时结合丢包、延时、抖动三个因素评估网络质量,避免了仅用一个因素评估时出现的不可靠,从而对网络质量实现了准确有效的评估。另外,本发明的延时和抖动的计算方法也具有特定的有益效果。
针对本发明延时的计算方法,其有益效果在于:
1、单端检测延时值,不需要双方握手交换。在客户端本身不发送RR/SR报文,或网络不中转的情况下,本发明更显重要;
2、不会因为如网络突变造成收不到RTCP包,或网络丢包导致RTCP包丢失时,无法计算延时值的问题;
3、一般情况下,RTCP报文5s发送一次,也意味着至少5s才有一个延时值,对网络实时检测有一定影响,滞后严重,而本发明只需单端检测延时值,从而减少了滞后性;
4、当网络状况由差到好或由好到差突发转变时,基于历史的RTCP报文统计得到的延时值,不能实时正确地体现当前网络状况。而本发明的计算方法是实时更新的,能及时捕捉到网络的变化,有效克服传统延时检测问题。
针对本发明抖动的计算方法,其有益效果在于:
1、能实时对网络抖动建模,基于模型预测出抖动值,不是简单基于历史数据计算得出;
2、基于模型计算有一定的抖动预测能力,能捕捉网络变化,传统基于历史数据统计算法只是对过去抖动值的定量计算;
3、模型与网络环境匹配度高,在实际应用时,可根据业务类型,灵活设置相关参数,如直线逼近的边界值、时延区间划分空间t值的设置等,满足业务需求;
4、单端检测,不依赖RTCP反馈,不需要接收端与发送端信息交换获取网络抖动大小。
附图说明
图1为本发明丢包率与Q值的关系示意图(Q为纵轴,L为横轴);
图2为本发明延时与Q值的关系示意图(Q为纵轴,T为横轴);
图3为本发明抖动与Q值的关系示意图(Q为纵轴,J为横轴);
图4为本发明延时等于10%时,延时与Q值的关系示意图(Q为纵轴,T为横轴);
图5为本发明延时等于10%时,抖动与Q值的关系示意图(Q为纵轴,J为横轴);
图6为网络传输延迟与抖动的线性关系示意图;
图7为本发明的步骤2划分区间的示意图;
图8为抖动模型的概率密度函数示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
首先需要指出,无论是传统互联网还是移动网,丢包、延时、抖动是衡量网络状态的三个重要维度,它们独自存在,有个体性,同时又表现了一定的相关性。个体性指当发生延时时,其它维度并不一定发生;相关性,如当发生丢包时,可能伴随着延时和抖动出现。当然,在一般情况下,抖动和延时之间的相关性更强,即两者之间的个体性表现较弱。因此在设计网络质量检测方法时,如何体现出三个维度的独立性和相关性,是网络质量评估准确性的重要依据。所以一个优良的网络质量检测设备应综合考虑上述三个客观的影响因素,衡量最终的网络状态。
基于上述情况,本发明提供了一种网络质量的评估检测方法,其网络质量评估值Q值的大小与网络质量的好坏成正比,即Q值越大,网络质量越好,反之,Q值越小,网络质量越差;其中,L为丢包率值,T为延时值,J表示抖动值,T、J单位为秒,且L∈(0,1),T∈(0,1),J∈(0,1),其中,Q值与T值、L值的关系可参见图1至5。
还需要指出,网络传输延迟与抖动一般是线性关系,即延时越大,对应的抖动也越大,如图6所示,其对应表达式为T=a+bδ,其中T为需要求的延时值,δ为抖动值,a和b为常数。根据这个关系,建立经验数据,即一个抖动与延时对应关系的数据库,为方便计算,把抖动值δ演化为包接收间隔,即当前数据包与上一个数据包的到达间隔。
基于上述准则,本发明延时值T的计算方法包括以下步骤:
步骤1,计算当前数据包与上一个数据包到达的时间间隔δ,δ∈{δi|i=0、1、2……N},i为数据包到达顺序;
步骤2,对δ从小到大排序,并对排序后的延时划分N个区间,依次为 对应的延时分别为T0、T1……TN(即在经验数据库中对应的延时分别为T0、T1……TN),同时分别统计各区间的概率值p,p∈{p(i)|i∈[0,N]},N为常数,具体参见图7;
步骤3,当接收数据包间隔正常时,用遗忘因子f对概率分布进行遗忘,即p(i)=p(i)*f,i∈[0,N],式中f初始值为0;
当接收数据包间隔时,增大本次计算的区间概率,p(i)=p(i)+(1-f),并且更新遗忘因子f,
步骤4,调整本次计算的区间概率,调整方式为假设当前概率分布之和为tempSum,即:
步骤5,计算延时值T,
其中,步骤2中,所述N的默认取值为64;而步骤4中,概率分布之和的近似值为1。
另外,基于现有技术存在的问题,本发明提出基于抖动模型计算抖动值大小的算法,此模型可以模拟真实网络环境,基于历史数据对当前网络抖动情况做出分析,匹配网络真实的抖动情况。
网络传输有一个重尾特性,即假设传输延时x,那么x值中20%占概率分布80%,80%占概率分布20%。根据这个特性,基于收敛性的考虑,我们用高斯分布来模拟抖动模型,其概率密度函数表示为:
上式中,u表示延迟期望值,可以用各个包延迟的平均值获取,x为延时变量,f(x)为延时变量x的概率密度,σ为延迟的标准方差,其对应曲线见图8。
基于高斯模型,对延时变量x划分空间段,用直线斜率拟合高斯曲线的方法倒推出标准差σ,得到抖动值大小。因此,在获得步骤1和2的基础上,上述抖动值J的计算方法包括以下步骤:
步骤31,计算T<ti的累积概率值P,即:
步骤41,在P与T的分布函数中找出对应值,即:
P>0.2对应T的最小值,记P、T分别为Pa、Ta,
P<0.8对应T的最小值,记P、T分别为Pb、Tb;
步骤51,通过概率密度函数求出网络的抖动值J,其中x=(Tb+Ta)/2,u为延时T的数学期望,即u=E(T),且所述的概率密度函数,为步骤41中P与T的分布函数0.8>P>0.2该段的概率密度函数。
在上述基础上,本发明还提供了一种网络质量的评估检测装置,其包括:
评估模块,用于计算网络质量评估值Q值的大小与网络质量的好坏成正比;
其中,L为丢包率值,T为延时值,J表示抖动值,T、J单位为秒,且L∈(0,1),T∈(0,1),J∈(0,1);
时间间隔计算模块,用于计算当前数据包与上一个数据包到达的时间间隔δ,δ∈{δi|i=0、1、2……N},i为数据包到达顺序;
区间划分模块,用于对δ从小到大排序,并对排序后的延时划分N个区间,依次为对应的延时分别为T0、T1……TN,同时分别统计各区间的概率值p,p∈{p(i)|i∈[0,N]},N为常数;
遗忘处理模块,用于当接收数据包间隔正常时,用遗忘因子f对概率分布进行遗忘,即p(i)=p(i)*f,i∈[0,N],式中f初始值为0;
当接收数据包间隔时,增大本次计算的区间概率,p(i)=p(i)+(1-f),并且更新遗忘因子f,
调整模块,用于调整本次计算的区间概率,调整方式为假设当前概率分布之和为tempSum,即:
延时计算模块,用于计算延时值T,
累积概率值计算模块,用于计算T<ti的累积概率值P,即:
分布函数模块,用于在P与T的分布函数中找出对应值,即:
P>0.2对应T的最小值,记P、T分别为Pa、Ta,
P<0.8对应T的最小值,记P、T分别为Pb、Tb;
抖动值计算模块,通过概率密度函数求出网络的抖动值J,其中x=(Tb+Ta)/2,u为延时T的数学期望,即u=E(T)。
显然,本发明能够同时结合丢包、延时、抖动三个因素评估网络质量,避免了仅用一个因素评估时出现的不可靠,从而对网络质量实现了准确有效的评估。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (8)
1.一种网络质量的评估检测方法,其特征在于:
网络质量评估值
其中,L为丢包率值,T为延时值,J表示抖动值,T、J单位为秒,且L∈(0,1),T∈(0,1),J∈(0,1);
所述延时值T的计算方法如下:
步骤1,计算当前数据包与上一个数据包到达的时间间隔δ,δ∈{δi|i=0、1、2……N},i为数据包到达顺序;
步骤2,对δ从小到大排序,并对排序后的延时划分N个区间,依次为 对应的延时分别为T0、T1……TN,同时分别统计各区间的概率值p,p∈{p(i)|i∈[0,N]},N为常数;
步骤3,当接收数据包间隔正常时,用遗忘因子f对概率分布进行遗忘,即p(i)=p(i)*f,i∈[0,N],式中f初始值为0;
当接收数据包间隔时,增大本次计算的区间概率,p(i)=p(i)+(1-f),并且更新遗忘因子f,
步骤4,调整本次计算的区间概率,调整方式为假设当前概率分布之和为tempSum,即:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>p</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>16</mn>
</mfrac>
<mo>)</mo>
<mi>i</mi>
<mi>f</mi>
<mo>(</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo>></mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>p</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>+</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo>,</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>16</mn>
</mfrac>
<mo>)</mo>
<mi>i</mi>
<mi>f</mi>
<mo>(</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo><</mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
步骤5,计算延时值T,
2.根据权利要求1所述的评估检测方法,其特征在于:步骤2中,所述N的默认取值为64。
3.根据权利要求1所述的评估检测方法,其特征在于:步骤4中,概率分布之和的近似值为1。
4.根据权利要求1所述的评估检测方法,其特征在于在步骤2之后具有以下步骤:
步骤31,计算T<ti的累积概率值P,即:
<mrow>
<mi>P</mi>
<mo>&NotElement;</mo>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mn>0</mn>
<mi>i</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>i</mi>
<mo>&NotElement;</mo>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>;</mo>
</mrow>
步骤41,在P与T的分布函数中找出对应值,即:
P>0.2对应T的最小值,记P、T分别为Pa、Ta,
P<0.8对应T的最小值,记P、T分别为Pb、Tb;
步骤51,通过概率密度函数求出网络的抖动值J,其中x=(Tb+Ta)/2,u为延时T的数学期望,即u=E(T)。
5.根据权利要求4所述的评估检测方法,其特征在于:步骤51中的概率密度函数,为步骤41中P与T的分布函数0.8>P>0.2该段的概率密度函数。
6.一种网络质量的评估检测装置,其特征在于包括:
评估模块,用于计算网络质量评估值
其中,L为丢包率值,T为延时值,J表示抖动值,T、J单位为秒,且L∈(0,1),T∈(0,1),J∈(0,1)。
7.根据权利要求6所述的评估检测装置,其特征在于还包括:
时间间隔计算模块,用于计算当前数据包与上一个数据包到达的时间间隔δ,δ∈{δi|i=0、1、2……N},i为数据包到达顺序;
区间划分模块,用于对δ从小到大排序,并对排序后的延时划分N个区间,依次为对应的延时分别为T0、T1……TN,同时分别统计各区间的概率值p,p∈{p(i)|i∈[0,N]},N为常数;
遗忘处理模块,用于当接收数据包间隔正常时,用遗忘因子f对概率分布进行遗忘,即p(i)=p(i)*f,i∈[0,N],式中f初始值为0;
当接收数据包间隔时,增大本次计算的区间概率,p(i)=p(i)+(1-f),并且更新遗忘因子f,
调整模块,用于调整本次计算的区间概率,调整方式为假设当前概率分布之和为tempSum,即:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>p</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>16</mn>
</mfrac>
<mo>)</mo>
<mi>i</mi>
<mi>f</mi>
<mo>(</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo>></mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>p</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>+</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo>,</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>16</mn>
</mfrac>
<mo>)</mo>
<mi>i</mi>
<mi>f</mi>
<mo>(</mo>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mo><</mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
延时计算模块,用于计算延时值T,
8.根据权利要求7所述的评估检测装置,其特征在于还包括:
累积概率值计算模块,用于计算T<ti的累积概率值P,即:
<mrow>
<mi>P</mi>
<mo>&NotElement;</mo>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mn>0</mn>
<mi>i</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>i</mi>
<mo>&NotElement;</mo>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>;</mo>
</mrow>
分布函数模块,用于在P与T的分布函数中找出对应值,即:
P>0.2对应T的最小值,记P、T分别为Pa、Ta,
P<0.8对应T的最小值,记P、T分别为Pb、Tb;
抖动值计算模块,通过概率密度函数求出网络的抖动值J,其中x=(Tb+Ta)/2,u为延时T的数学期望,即u=E(T)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410526638.9A CN104320296B (zh) | 2014-09-30 | 2014-09-30 | 一种网络质量的评估检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410526638.9A CN104320296B (zh) | 2014-09-30 | 2014-09-30 | 一种网络质量的评估检测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104320296A CN104320296A (zh) | 2015-01-28 |
CN104320296B true CN104320296B (zh) | 2017-10-03 |
Family
ID=52375471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410526638.9A Expired - Fee Related CN104320296B (zh) | 2014-09-30 | 2014-09-30 | 一种网络质量的评估检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104320296B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105763942B (zh) * | 2016-04-22 | 2018-01-02 | 烽火通信科技股份有限公司 | 一种iptv机顶盒vmos值的计算方法 |
CN106850277A (zh) * | 2017-01-13 | 2017-06-13 | 北京粉笔蓝天科技有限公司 | 一种直播服务器切换方法、系统及客户端 |
CN114629826B (zh) * | 2020-12-14 | 2024-05-28 | 京东方科技集团股份有限公司 | 一种网络最大带宽估计方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6912216B1 (en) * | 1999-09-30 | 2005-06-28 | Verizon Laboratories Inc. | Method and system for estimating performance metrics in a packet-switched communication network |
CN101194042A (zh) * | 2005-06-09 | 2008-06-04 | 欧姆龙株式会社 | 金属膜和金属布线图案的形成方法、金属膜和金属布线图案形成用底层组合物以及金属膜 |
CN101448175A (zh) * | 2008-12-25 | 2009-06-03 | 华东师范大学 | 一种无参考的流视频质量评估方法 |
CN101790185A (zh) * | 2009-01-23 | 2010-07-28 | 华为技术有限公司 | 上报测量报告的方法、小区载频的切换方法、设备及系统 |
-
2014
- 2014-09-30 CN CN201410526638.9A patent/CN104320296B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6912216B1 (en) * | 1999-09-30 | 2005-06-28 | Verizon Laboratories Inc. | Method and system for estimating performance metrics in a packet-switched communication network |
CN101194042A (zh) * | 2005-06-09 | 2008-06-04 | 欧姆龙株式会社 | 金属膜和金属布线图案的形成方法、金属膜和金属布线图案形成用底层组合物以及金属膜 |
CN101448175A (zh) * | 2008-12-25 | 2009-06-03 | 华东师范大学 | 一种无参考的流视频质量评估方法 |
CN101790185A (zh) * | 2009-01-23 | 2010-07-28 | 华为技术有限公司 | 上报测量报告的方法、小区载频的切换方法、设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104320296A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10999175B2 (en) | Network data flow classification method and system | |
Zhang et al. | Feature selection for optimizing traffic classification | |
Shafiq et al. | A machine learning approach for feature selection traffic classification using security analysis | |
Fiedler et al. | A generic quantitative relationship between quality of experience and quality of service | |
WO2021026944A1 (zh) | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 | |
CN104320296B (zh) | 一种网络质量的评估检测方法及其装置 | |
CN107181724A (zh) | 一种协同流的识别方法、系统以及使用该方法的服务器 | |
US20230138038A1 (en) | Reinforcement learning for jitter buffer control | |
WO2018192414A1 (zh) | QoE的确定方法、装置、存储介质及处理器 | |
Zhang et al. | Arsenal: Understanding learning-based wireless video transport via in-depth evaluation | |
Nuha et al. | Tcp congestion window analysis of twitter with exponential model | |
CN103200419B (zh) | 一种高速识别视频内容变化程度的方法 | |
Ahmad et al. | Significance of Cross-Correlated QoS Configurations for Validating the Subjective and Objective QoE of Cloud Gaming Applications | |
CN104333535B (zh) | 一种基于流媒体应用的延时计算方法及其装置 | |
Kovac et al. | E-model mos estimate precision improvement and modelling of jitter effects | |
CN104243101B (zh) | 一种基于模型预测的抖动计算方法及其装置 | |
Shafiq et al. | Robust feature selection for im applications at early stage traffic classification using machine learning algorithms | |
WO2017065627A1 (en) | Early classification of network flows | |
Hagos et al. | Classification of delay-based TCP algorithms from passive traffic measurements | |
CN104469805B (zh) | 基于用户行为分析的即时通讯业务流量生成方法 | |
Halas et al. | Computationally efficient E-model improvement of MOS estimate including jitter and buffer losses | |
Mishra et al. | An overview of quality of service measurement and optimization for voice over internet protocol implementation | |
Veeraragavan et al. | QoE estimation models for tele-immersive applications | |
Xu et al. | Modeling QoE of video streaming in wireless networks with large-scale measurement of user behavior | |
Guarino et al. | Explainable Deep-Learning Approaches for Packet-Level Traffic Prediction of Collaboration and Communication Mobile Apps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171003 Termination date: 20200930 |
|
CF01 | Termination of patent right due to non-payment of annual fee |