CN106789349A - 一种基于体验质量建模分析及会话流分类的方法 - Google Patents

Abstract

本发明公开了一种基于体验质量建模分析及会话流分类的方法，首先通过网络封包分析软件实时采集会话类相关信息，通过对五元组进行提取得到选取的服务质量参数。对服务质量进行无量纲归一化处理和通过LBG算法对特征集进行码本最优化处理，得到优质的服务质量参数，在服务质量‑体验质量映射模型下，通过改进的体验质量模型，得出服务质量参数与体验质量的平均意见值之间的关系。然后综合分析设定选取最明显的情况，概率分布以峰值的形式加入到原始特征集中，最后对会话类混合流进行流识别。本发明通过改进体验质量与平均意见值的对应关系，加入时延抖动、吞吐量、平均包时间间隔等服务质量参数，得到更准确的平均意见值。

Description

一种基于体验质量建模分析及会话流分类的方法

技术领域

本发明属于数字信息的传输技术中的数据交换网络领域，具体涉及一种基于体验质量建模分析及会话流分类的方法。

背景技术

随着4G技术的成熟和5G技术的发展，智能设备的日臻完善，网络多媒体也呈现出更多的种类和流量业务的扩大，其中以网络直播、视频对话、2D、3D大型游戏为代表的会话类流尤为突出，由于人们的感官限制，会话类业务的最大特点就是实时性要求高、端到端时延小、业务量上下行呈现明显特征；而对于丢包率和错包率来说，人类的耳朵和眼睛却没有那么敏感，可以允许一些短暂的话音停顿和画面马赛克现象。

网络混合流分类与网络流体验质量建模分析一直是科研人员的研究重点，在体验质量建模分析方面，科研人员一般以网络层服务质量参数、应用层服务质量参数、应用层体验质量为基础，得到相应的参数指标，通过两层映射或者三层映射来建立合理的模型。同时，为了更好地加入主观因素，在模型中，会经常加入心理-物理学领域的韦伯费希纳定律，以研究主观用户的心理量与物理量之间的关系。随着机器学习算法的蓬勃发展以及组织和拟合参数的优点，使得在建模拟合方面加入了很多机器学习算法。例如：神经网络、模糊推理系统FIS、增强学习等。随着移动智能终端的发展，学术研究也从传统的PC端向移动终端转变。

网络业务流分类也是学术研究的重要方向之一，互联网的发展带动了多媒体的形式多样化和复杂化。如何在有限的网络中，对多媒体混合流进行正确的分类是非常重要的。多媒体业务总体分为四类：流类、背景类、交互类以及会话类。不同类型的业务流有着不同的特征，例如下上行平均包大小信息熵、下上行平均速率之比、吞吐量等。对多媒体混合业务流通过不同的特征集就可以很好地进行分类，选取不同的分类方式和特征集对于分类效果是不同的。但现有分类模型都是基于服务质量上的特征参数进行思考的，忽略了体验质量方面所提取的特征，在一定程度上，没有对多媒体业务流进行全面的分析。

发明内容

本发明针对上述不足之处，对现有模型进行了改进，将模型的服务质量具体化为相关服务质量参数：平均包时间间隔、时延抖动、吞吐量。并设置了影响因子和权重系数。使得模型能够很好的对具体流进行建模，使得模型具体化。模型中，通过分析得到最明显的平均意见值概率分布，然后以峰值的形式加入到多媒体混合流的特征集中。因为在明显的平均意见值概率分布下，得到的特征具有很高的信息增益率，加入到特征集后，使得整体特征集的信息增益率值增加，因此能够很好的对多媒体混合流进行分类，提高准确率。

为实现上述目的，本发明提出的技术方案是一种基于体验质量建模分析及会话流分类的方法，包括以下步骤：

步骤1：设置网络环境，通过网络封包分析软件实时采集会话类相关信息；

步骤2：通过对五元组进行提取算，得到选取的服务质量参数；

步骤3：为了保证数据的统一性和得到准确的码本，需要对服务质量进行无量纲归一化处理和通过LBG算法对特征集进行码本最优化处理；

步骤4：经过前面的数据处理得到优质的服务质量参数，在服务质量-体验质量映射模型下，通过改进的体验质量模型，将服务质量具体量化为模型中的参数，得出服务质量参数与体验质量的平均意见值之间的关系；

步骤5：综合分析当固定其中一个参数时，另外两个服务质量参数与平均意见值概率分布状况的关系，选取其中分布最明显的情况；

步骤6：设定选取最明显的情况，概率分布以峰值的形式加入到原始特征集中，对会话类混合流进行流识别。

进一步，上述步骤1中，采集的会话类相关信息包含：采集的时间、源IP地址、目的IP地址、协议信息、包大小五元组。

上述步骤2中，通过计算得到的服务质量参数包含：平均包时间间隔、时延抖动、吞吐量三个参数。

上述步骤3中，所述无量纲归一化处理采用高斯归一化无量纲处理，公式为：其中Xi表示某个服务质量参数值，置信区间为99.7％，同时，为了保证数据的非负行，整体平移了一个单位。

上述步骤3中，所述LBG算法的步骤如下：

(1)计算K维空间里训练值的中心点:M0,作为初始值，并设定为第0层；

(2)在初始值的基础上，一分为二，通过K近邻算法得出中心点：M11、M12，设为第1层；M11、M12为分别为第一层的第一个区域、第二个区域；

(3)在二个区域中，重复第一步、第二步；将空间分为4个部分，并得出中心点：M21、M22、M23、M24,设为第二层，M21、M22、M23、M24分别为第二层的第一个区域、第二个区域、第三个区域、第四个区域；

(4)依次类推，当层数N趋于无穷大的时候，K维空间变小；每一层则只有一个点，即为中心点；

(5)此时中心点的概率分布则是训练集的空间分布。

上述步骤4中的服务质量参数与体验质量关系是：

QoE(i)＝s×log(QoS(i))+r，

其中，a、b为影响因子，k1、k2、k3为参数，s和r是韦伯费希纳定律中的敏感度和公平度。

步骤5中，所述选取最明显的情况具体包括：

(1)固定某一个特征值，将归一化并平移且区间为[0,2]的参数根据设置分为三段[0,0.7]、[0.7,1.4]、[1.4,2]；

(2)分别统一设置为0.35、1.05、1.7，代入到改进型的模型中，得出相应的平均意见值；

(3)分别研究当平均包时间间隔、吞吐量、时延抖动分别取0.35、1.05、1.7的情况下，另外两个参数与平均意见值概率分布的关系；

(4)通过对比，选取最明显的情形，然后将概率分布值以峰值的形式加入到特征集中，对会话类混合流进行流识别。

与现有的模型及混合流识别的现有技术相比，本发明具有以下优点：

(1)为了研究时延抖动对体验质量的影响程度，本发明单独研究会话类流，会话流对时延抖动参数要求非常严格，加入时延抖动，能够更好地研究这一因素对体验质量的影响做了参考。

(2)本发明改进了体验质量计算模型，在原有模型的基础上，改进了服务质量的计算方法，改进了体验质量与平均意见值的对应关系；加入了时延抖动、吞吐量、平均包时间间隔等服务质量参数，得到更准确的平均意见值。

(3)模型的服务质量值中，本发明将某个特征固定下，最明显的平均意见值概率分布的情况以特征的形式加入到原始特征集中，以进行会话类流识别，以提高流分类的准确度。

附图说明

图1为本发明的整体流程图。

具体实施方式

现结合附图对本发明做进一步详细的说明。此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其仅说明用于解释本发明，并不构成对本发明的不当限定。

如图1所示，本发明包含以下步骤：

步骤1：设置网络环境，通过网络封包分析软件，比如wireshark，实时采集会话类相关信息。

步骤2：通过对五元组进行提取计算，得到选取的服务质量参数。

步骤3：为了保证数据的统一性和得到准确的码本，需要对服务质量进行无量纲归一化处理和通过LBG算法对特征集进行码本最优化处理。

步骤4：经过前面的数据处理得到优质的服务质量参数，在服务质量-体验质量映射模型下，通过改进的体验质量模型，将服务质量具体量化为模型中的参数，得出服务质量参数与体验质量的平均意见值之间的关系。

步骤5：综合分析当固定其中一个参数时，另外两个服务质量参数与平均意见值概率分布状况的关系，选取其中分布最明显的情况。

步骤6：设定选取最明显的情况，概率分布以峰值的形式加入到原始特征集中，对会话类混合流进行流识别。

步骤1中，采集的会话类相关信息具体包含：采集的时间、源IP地址、目的IP地址、协议信息、包大小五元组。步骤2中，通过计算得到的服务质量参数包含：平均包时间间隔、时延抖动、吞吐量三个参数。

步骤3中，通过对数据的分布进行观察，可以得出数据呈现正态分布，所以采用的高斯归一化无量纲处理，公式为：其中Xi表示某个服务质量参数值，我们取了置信区间为99.7％。同时，为了保证数据的非负行，整体平移了一个单位。LBG算法按照以下步骤：

(1)计算K维空间里训练值的中心点M0，作为初始值，并设定为第0层；

(2)在初始值的基础上，一分为二，通过K近邻算法(K-NN)，得出中心点：M11、M12，设为第1层；M11为第一层第一个区域，M12为第一层第二个区域。

(3)在二个区域中，重复第一步、第二步；将空间分为4个部分，并得出中心点：M21、M22、M23、M24,设为第二层，M21、M22、M23、M24分别表示第二层的第一个区域，第二个区域，第三个区域，第四个区域。

(4)依次类推，当层数N趋于无穷大的时候，K维空间变小；每一层则只有一个点，即为中心点；

(5)此时，中心点的概率分布则是训练集的空间分布。

步骤4中的服务质量参数与体验质量关系是：

QoE(i)＝s×log(QoS(i))+r(2)

其中，a、b为影响因子，k1、k2、k3为参数，s和r是韦伯费希纳定律中的敏感度和公平度。

步骤5中的选取最明显的情况具体包括：

(1)固定某一个特征值，将归一化并平移且区间为[0,2]的参数根据设置分为三段[0,0.7]、[0.7,1.4]、[1.4,2]；

(2)分别统一设置为0.35、1.05、1.7，代入到改进型的模型中，得出相应的平均意见值；

(3)分别研究当平均包时间间隔、吞吐量、时延抖动分别取0.35、1.05、1.7的情况下，另外两个参数与平均意见值概率分布的关系；

(4)通过对比，选取最明显的情形，然后将概率分布值以峰值的形式加入到特征集中，对会话类混合流进行流识别。

传统的模型中大多考虑多种多媒体业务流，不同的业务流其服务质量参数重要度不同。如时延抖动，在交互类流中，因为限制较小，因此有时未加入研究，如国际标准ITU-P.1201的体验质量预测模型就没有进行考虑。为了研究时延抖动对体验质量的影响程度，本发明单独研究会话类流，会话流对时延抖动参数要求非常严格。加入时延抖动，能够更好的研究这一因素对体验质量的影响做了参考。

本发明不局限于上述实施例所述的具体技术方案，凡采用等同替换形成的技术方案均属于本发明的保护范围。

Claims (7)

1.一种基于体验质量建模分析及会话流分类的方法，其特征在于，包括以下步骤：

步骤1：设置网络环境，通过网络封包分析软件实时采集会话类相关信息；

步骤2：通过对五元组进行提取计算，得到选取的服务质量参数；

步骤3：为了保证数据的统一性和得到准确的码本，需要对服务质量进行无量纲归一化处理和通过LBG算法对特征集进行码本最优化处理；

步骤4：经过前面的数据处理得到优质的服务质量参数，在服务质量-体验质量映射模型下，通过改进的体验质量模型，将服务质量具体量化为模型中的参数，得出服务质量参数与体验质量的平均意见值之间的关系；

步骤5：综合分析当固定其中一个参数时，另外两个服务质量参数与平均意见值概率分布状况的关系，选取其中分布最明显的情况；

步骤6：设定选取最明显的情况，概率分布以峰值的形式加入到原始特征集中，对会话类混合流进行流识别。

2.根据权利要求1所述的基于体验质量建模分析及会话流分类的方法，其特征在于所述步骤1中，采集的会话类相关信息包含：采集的时间、源IP地址、目的IP地址、协议信息、包大小五元组。

3.根据权利要求1所述的基于体验质量建模分析及会话流分类的方法，其特征在于所述步骤2中，通过计算得到的服务质量参数包含：平均包时间间隔、时延抖动、吞吐量三个参数。

4.根据权利要求1所述的基于体验质量建模分析及会话流分类的方法，其特征在于步骤3中所述无量纲归一化处理采用高斯归一化无量纲处理，公式为：其中Xi表示某个服务质量参数值，置信区间为99.7％，同时，为了保证数据的非负行，整体平移了一个单位。

5.根据权利要求1所述的基于体验质量建模分析及会话流分类的方法，其特征在于步骤3中所述LBG算法的步骤如下：

(1)计算K维空间里训练值的中心点：M0，作为初始值，并设定为第0层；

(2)在初始值的基础上，一分为二，通过K近邻算法得出中心点：M11、M12，设为第1层；M11、M12为分别为第一层的第一个区域、第二个区域；

(3)在二个区域中，重复第一步、第二步；将空间分为4个部分，并得出中心点：M21、M22、M23、M24,设为第二层，M21、M22、M23、M24分别为第二层的第一个区域、第二个区域、第三个区域、第四个区域；

(4)依次类推，当层数N趋于无穷大的时候，K维空间变小；每一层则只有一个点，即为中心点；

(5)此时中心点的概率分布则是训练集的空间分布。

6.根据权利要求1所述的基于体验质量建模分析及会话流分类的方法，其特征在于所述步骤4中的服务质量参数与体验质量关系是：

$QoS\left(i\right)=k1\×V\_BR\left(i\right)+k2\×\frac{a}{date\_std\left(i\right)+a}+k3\×\frac{b}{date\_avg\left(i\right)+b},(k1+k2+k3=1),$

QoE(i)＝s×log(QoS(i))+r，

其中，a、b为影响因子，k1、k2、k3为参数，s和r是韦伯费希纳定律中的敏感度和公平度。

7.根据权利要求1所述的基于体验质量建模分析及会话流分类的方法，其特征在于步骤5中所述选取最明显的情况具体包括：

(1)固定某一个特征值，将归一化并平移且区间为[0,2]的参数根据设置分为三段[0,0.7]、[0.7,1.4]、[1.4,2]；

(2)分别统一设置为0.35、1.05、1.7，代入到改进型的模型中，得出相应的平均意见值；

(3)分别研究当平均包时间间隔、吞吐量、时延抖动分别取0.35、1.05、1.7的情况下，另外两个参数与平均意见值概率分布的关系；

(4)通过对比，选取最明显的情形，然后将概率分布值以峰值的形式加入到特征集中，对会话类混合流进行流识别。