CN109327867A - LTE网络下QoE驱动的视频码率自适应和资源分配联合算法 - Google Patents

Abstract

本发明公开了一种LTE网络下QoE驱动的视频码率自适应和资源分配联合算法。首先建立了基于视频段特征和播放信息的QoE预测模型，考虑了视频段码率、初始时延、中断时长、中断次数和质量波动五种因素。因此该预测模型可以准确的预测出用户在观看视频时的主观体验质量。本发明提出的基站全局统一决策的视频请求和资源分配联合算法。包括基站根据用户反馈的缓存信息确定需要分配网络资源的用户集；找到当前待分配的RB，计算该RB分配给所有用户时，用户请求所用质量版本视频的QoE及QoE增益值；将当前RB分配给增益值最大的用户，直到所有的RB分配完毕。本发明综合考虑用户的信道情况，在网络资源有限的前提下，提高LTE网络中所有用户观看视频的主观体验质量。

Description

LTE网络下QoE驱动的视频码率自适应和资源分配联合算法

技术领域

本发明属于无线通信技术领域，具体涉及一种LTE网络下QoE驱动的视频码率自适应和资源分配联合算法。

背景技术

随着无线接入速率的不断提高，移动通信的业务类型逐渐从单纯的语音和普通的数据业务向丰富的多媒体业务演变，其中主要以视频业务为主。随着移动设备的升级，人们开始使用手机、平板电脑等便携设备在线观看视频。目前，多媒体业务，尤其是视频业务在整个因特网的数据流量中正占据越来越大的比重。

另一方面，用户对观看高质量流媒体视频的需求不断增加。传统的流媒体技术采用状态化的RTP/RTSP协议，当客户端和流媒体服务器建立连接后，会进行频繁通信，并且服务器同每个客户端都要分别会话，这样无疑加重了网络负担；另外，RTSP协议经常出现与防火墙不兼容的情况，影响了用户体验。

HTTP动态自适应流(DASH)使用HTTP协议，客户端可以自行实现流管理，而不再依赖于同服务器维持会话状态，这样大大减少网络开销。传输层使用TCP协议，都是可靠的传输协议。因此，DASH消除了传统RTP/RTSP流媒体技术中的视频丢包现象。该技术可以根据客户端的网络状态，自适应调整用户观看的视频质量，当用户网络良好时，用户观看到的高清视频；当用户网络不好时，用户观看的视频质量下降一点，这样保证用户正常流畅播放，不至于中断。不需要业务提供者去考虑收看用户的带宽，给用户提供好的体验质量。DASH不需要大的缓存，可以实现边观看边缓存，用户等待的时间很短。因此DASH将会广泛应用于流媒体技术中。

DASH中码率的自适应直接关系到用户的体验质量。所以，在资源有限的前提下，如何改善自适应算法使所有用户整体的体验质量得到提高成为了研究热点。

目前的码率自适应算法，其目标是在有限的网络资源下，使得整个系统的吞吐量最大，保证用户可以流畅的观看视频。这种算法的优点是优化目标简单，用户在观看视频时，很少会出现中断的情况。但是，随着HTTP动态自适应流的研究深入，用户的播放中断时间，播放次数以及视频码率的切换频率，都会影响用户观看视频的感受，只考虑用户的传输速率不能准确的评价用户的主观感知。

因此，研究适用于DASH视频传输的QoE模型、码率自适应算法以及资源分配算法至关重要。

发明内容

针对如何提高DASH中多用户的视频质量问题，本发明提供了一个LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，该算法基于视频段特征和播放信息的QoE预测模型，并将该模型应用于视频请求资源分配联合算法，使得基站可以全局优化，实现所有用户整体的体验质量最大。

本发明是通过以下技术方案来实现的：

LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，包括以下步骤：

1)分析码率、初始时延、中断时间、中断次数以及质量波动对用户主观感知的影响，并基于各个因素的影响曲线建立基于视频段特征和播放信息的QoE预测模型；

2)用户向基站反馈缓存区状态，基站根据用户的剩余缓存，判断用户是否需要分配网络资源及视频请求，确定需要分配资源的用户集K；

3)找到当前待分配的RB，计算该RB分配给用户集K内所有用户时，用户请求所有质量版本视频的效用函数值及增益值；

4)将当前待分配的RB分配给增益值最大的用户；

5)按照步骤1)～4)开始下一个RB的分配，直到所有RB分配完毕，得到用户集K内所有用户的视频请求质量版本，即确定所有RB的分配策略以及码率自适应策略。

本发明进一步的改进在于，步骤1)中，基于视频段特征和播放信息的QoE预测模型的建立，具体如下：

用户观看的主观质量是随着观看视频段的累积播放质量，累积播放质量缩写为APQ，其不仅受到用户当前正在观看的视频段的影响，还和用户以前看的视频段的主观体验有关，关系式如下：

A_k,s＝(1-λ_k,s)*A_k,s-1+λ_k,s*Q_k,s

其中，A_k,s是用户k当前看完第s个视频段的APQ，k为用户标号，s表示当前视频用户正在看的视频segment序号；Q_k,s是当前第s个视频段的视频播放质量，λ_k,s为权值系数，表征当前视频段的视频质量占累积播放质量的比重；A_k,s-1表征用户看完第s-1个视频段的APQ；

影响用户在线观看视频的主观感知有五个因素：码率、初始时延、每次中断时长、累积中断次数以及质量波动；由于用户在线观看视频是以视频segment为单位，只有当用户接收到一个完整的segment数据才能播放；因此，中断只可能发生在视频segment之间，初始时延看作一种特殊的中断，而质量波动是相邻视频segment的码率的差异；因此建立的QoE评估模型包括以下两部分：基于码率和中断时长的视频段播放质量Q_k,s和基于中断次数和质量波动的视频段权值系数λ_k,s，具体如下：

1)基于码率和中断时长的视频段播放质量Q_k,s

对于用户当前所观看的视频segment，影响用户主观感知的因素有码率、初始时延以及该视频segment所经历的中断时长；因此，视频段质量Q_k,s中考虑三种因素：码率、初始时延和中断时长，公式如下：

其中，LBR_k,s为第s个视频segment的码率BR_k,s对数值，T_rebuf_k,s为用户k观看第s个视频segment时等待的中断时长，T_delay为初始时延时长，Tseg为视频segment的时长，a,b,c,d,μ,σ为模型拟合参数；

2)基于中断次数和质量波动的视频段权值系数λ_k,s

权值系数λ_k,s表征该视频段播放质量占累积播放质量的比重，λ_k,s值越大，该视频段的质量占用户QoE的比重越大；用户的主观体验质量随着中断次数的增加呈负指数趋势降低；如果在观看过程中没有质量波动也无中断时，认为A_k,s即为每个视频段的视频质量Q_k,s的平均值，当第s个视频段有质量波动或者发生中断时，由于用户的QoE会下降，认为当前第s个视频段的质量Q_k,s占得比重较高，当视频质量波动越大，用户QoE的变化越大；当用户观看视频时中断次数越多，用户QoE下降的越多，模型如下：

其中，ΔBR_k,s为相邻视频segment的码率差；N_rebuf_k,s表示累积中断次数；p,q为模型拟合参数。

本发明进一步的改进在于，步骤2)中，需要资源分配及视频请求的用户集K，如下：

用户向基站反馈缓存区的状态T_buf_k，当用户的剩余缓存时间小于阈值Thr时，如果该用户上个视频segment已经传输完毕，需要视频segment的请求，该用户标记为请求用户；如果基站MAC队列中还有未传输完毕的数据包，该用户标记为非请求用户，请求用户和非请求用户的合集即为用户集K。

本发明进一步的改进在于，步骤3)中，设当前待分配的RB为第n个RB，计算第k个用户在该RB上的QoE的增益值ΔMOS_k为：

其中，1)当第n个RB分配给第k个用户，根据n个RB的分配策略计算出用户k的传输能力c_k：

其中，表示第n个RB是否分给第k个用户；表示第k个用户是否使用第j种调制方式；r_j表示该RB在第j种调制方式下可以传输的比特数；Ω_k表示第k个用户能用的RB集合；表示第k个用户的第n个RB可用的调制方式；

2)用户k的预估中断时间T_rebuf_k,s：

其中，T_round表示RB分配周期；B_k表示第k个用户所要传输的数据大小；T_buf_k表示第k个用户的播放缓存；TL_k表示第k个用户正在中断的时间；

因此，根据用户k的传输能力c_k能够估计出用户k的中断时间T_rebuf_k,s；

3)用户k的预估累积中断次数N_rebuf_k,s

当预测中断时长T_rebuf_k,s＞0时，估计用户k在观看第s个segment时会发生中断，更新预估累积中断次数N_rebuf_k,s；

4)用户k的QoE值MOS_k及QoE增益值ΔMOS_k的计算：

当用户k请求第s个视频segment的质量等级为l_k时，该视频segment的码率BR_k，质量波动ΔBR_k,s根据质量等级l_k获得，即BR_k,s＝g_BR(l_k),ΔBR_k,s＝g_ΔBR(l_k)；用户k的预估中断时间T_rebuf_k,s和预估累积中断次数N_rebuf_k,s分别由步骤2)和步骤3)计算得出，即因此用户k请求质量等级l_k的视频segment时的QoE根据QoE预测模型计算：

其中，效用函数U(·)即为QoE预测模型；

用户k的QoE增益值ΔMOS_k定义为当第i个RB分配给用户k前后，用户k的QoE的增量，即

本发明进一步的改进在于，步骤4)中，当前待分配的RB分配给用户值增益最大的用户的操作为：

对于待分配的第n个RB，分别计算所有用户QoE增益值ΔMOS_k，把该RB分配给ΔMOS_k中最大的用户k^*：

遍历所有RB，找到每个RB所分配的用户，确定资源分配策略。

本发明进一步的改进在于，步骤5)中，得到用户集K内所有用户的视频请求质量版本的操作为：

当所有RB都分完时，根据计算每个用户的传输能力c_k，遍历用户请求视频的所有质量等级k∈K,l_k∈L，计算用户请求每个质量等级时的MOS_k，每个用户的最优请求视频质量为MOS_k最大时对应的视频质量：

其中，n＝1,2,3,..,N，遍历用户集K内所有用户，找到每个用户的最优请求视频质量，确定码率自适应策略。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，首先基站会根据每个用户的缓存状态，确定请求用户和非请求用户。根据用户自身的传输能力，以及服务器端所有可供请求的视频质量版本，估计出对应的中断时间，根据QoE预测模型，预测每个用户请求不同质量等级时的QoE，根据每个用户的QoE确定码率自适应策略和资源分配策略，从而实现在网络资源有限的前提下，使得所有用户整体QoE最大化。

本发明与现有的DASH视频传输框架相比，目前的DASH是客户端负责发送请求，基站负责传输，用户请求和基站的资源分配相互独立，这样系统做不到全局优化，用户只知道自己的网络而不知道其他用户的网络，这样会造成网络资源的冲突或者浪费。而本发明提出基站进行统一决策的传输框架，码率自适应和资源分配相结合，这样可以做到全局优化，最大限度提高所有用户的体验质量。

附图说明

图1为本发明的QoE模型建立流程图。

图2为本发明中视频请求及资源分配联合算法流程图。

图3为本发明中码率、中断时长对主观感知的影响曲线。

图4为本发明中QoE模型的测试性能图。

图5为本发明中QoE模型和其他四种QoE模型的性能对比图。图(a)为本发明中QoE模型的测试性能图，图(b)为对比模型1的测试性能图，图(c)为对比模型2的测试性能图，图(d)为对比模型3的测试性能图。

图6为本发明中QoE驱动的码率自适应和资源分配联合算法与传统调度算法的性能对比图(固定RB数目，固定UE数目)。

图7为本发明中QoE驱动的码率自适应和资源分配联合算法与传统调度算法的性能对比图(固定RB数目，改变UE数目)。

图8为本发明中QoE驱动的码率自适应和资源分配联合算法与传统调度算法的性能对比图(固定UE数目，改变RB数目)。

具体实施方式

下面结合附图和实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

单LTE小区中包含W个用户，系统中共有N个RB。HAS服务器存储L种码率的视频segment供用户请求。

参见图1和图2，本发明提供的LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，包括以下步骤：

1)分析码率，中断时间、中断次数以及质量波动对用户主观感知的影响，建立QoE预测模型；

2)用户向基站反馈缓存区状态，基站根据用户的剩余缓存，判断用户是否需要分配网络资源及视频请求，确定需要分配的用户集K；

3)找到当前待分配的RB，根据用户请求的视频segment质量，计算该RB分配给用户集K内所有用户时的QoE增益值；

4)将当前待分配的RB分配给QoE增益最大的用户；

5)按照步骤1)～4)开始进行下一个RB的分配，直到所有RB分配完毕，就能得到所有RB的分配策略以及用户集K内所有用户的视频请求质量版本。

下面对图1中各操作步骤进行详细的说明：

步骤11：分析码率、初始时延、中断时长、中断次数和质量波动对QoE的影响；

现有对中断的研究中，在不考虑码率的前提下，T.Hossfeld^[1]和Mingfu Li^[3]都认为，随着在观看视频时中断时间的增加，人们的主观MOS值呈负指数形式下降。当同时考虑到码率和中断因素时，码率越高，人们对中断的容忍度越高，反之容忍度越低。当中断时长固定时，码率越高的视频对QoE的影响越小；码率越低的视频对QoE影响越大。随着中断次数的增加，用户的主观体验质量呈负指数趋势下降。当视频的质量发生切换时，质量波动越大，对用户的QoE影响越大。也即视频segment的码率越高，质量越好，用户体验也越好；初始时延可看作是一种特殊的中断，而每次中断时长对用户主观感知的影响呈负指数趋势，即中断时长越长，体验质量越差。

步骤12：确定各个因素对QoE影响的函数表达式；

在DASH中，用户在线观看视频以segment为单位，因此认为在线观看视频用户的QoE是一个随着观看过程的累积播放质量(Accumulative Playback quality：APQ)，它不仅和当前正在观看的视频segment的质量有关，还和以往看过的视频segment的质量相关，关系式如下：

A_k,s＝(1-λ_k,s)*A_k,s-1+λ_k,s*Q_k,s

其中，A_k,s表示用户k看完s个视频segment的累积播放质量，Q_k,s表示当前正在观看的视频segment的播放质量，它包含的因素有当前segment的码率以及观看该视频segment前经历的中断时长；λ_k,s体现视频segment之间的权值关系，它考虑到的因素有累积中断次数和视频segment之间的质量波动。

根据步骤11中影响因素的分析，f(·),g(·)分别表示考虑不同影响因素的函数关系，即得出以下关系式：

Q_k,s＝f(BR，T_delay,T_rebuf)

λ_k,s＝g(N_rebuf,ΔBR)

步骤13：建立在线视频观看的QoE预测模型；

根据步骤11～12的分析，建立的QoE预测模型如下：

A_k,s＝(1-λ_k,s)*A_k,s-1+λ_k,s*Q_k,s

由此模型就可以准确预测出用户在线观看视频时的体验质量。

下面对图2中各操作步骤进行详细的说明：

步骤21：确定需要分配资源的用户集K；

LTE小区中包含W个用户，用户向基站反馈缓存区状态，基站收到用户的反馈后，对剩余缓存进行检测，当用户k的播放缓存T_buf_k小于阈值Thr时，该用户需要分配网络资源，用户k的集合记为用户集K。

①当用户k已经传输完毕，可以请求新的视频segment，这类用户叫请求用户，集合V；

②该用户刚请求的视频segment还没传输完毕，MAC队列里还有数据包，这类用户叫非请求用户，集合为V'。

不管请求用户还是非请求用户，都是用户剩余缓存小于阈值的用户，即

步骤22：寻找一个未分配的RB，计算各个用户在该RB上的QoE增益值；

在LTE网络中，有N个RB。不同的用户有不同的信道状态，不同的用户使用同一个RB传输的数据大小也不同。同一个RB对不同用户来说，有可能增加其传输能力，也有可能降低其传输能力，这由用户的信道状态决定。

1)设当前待分配的RB为第n个RB，当该RB分配给第k个用户，根据n个RB的分配策略可以计算出每个用户的传输能力，f_c(·)表示c_k和的函数关系：

用户k的传输能力c_k计算公式如下：

其中，值为1表示第n个RB分配给第k个用户，值为0表示不分配给第k个用户。同理，值为1或者0表示第k个用户是否使用第j种调制方式。Ω_k表示分配给用户k的RB集合。表示第k个用户的第n个RB可用的调制方式集合。r_j表示以第j种调试方式下，RB的承载能力。

2)根据用户k的传输能力大小，可以估计出中断时间T_rebuf_k,s；

T_round表示RB固定分配周期。T_buf_k为第k个用户的剩余播放缓存。当T_buf_k＝0，用户k正处于中断时，TL_k表示用户k已经中断的时间。B_k表示第k个用户所要传输的数据大小，①对于请求用户集V，当用户k∈V时，当用户请求质量版本l_k时，该用户k所要传输的数据大小B_k为质量l_k的视频segment数据大小；②对于非请求用户集V'，当用户k∈V'时，此时用户k的MAC队列里还有没传送完的数据包，则该用户k所要传输的数据大小B_k即为用户k的MAC队列里的数据大小。

3)用户k的预估累积中断次数N_rebuf_k,s

当预测中断时长T_rebuf_k,s＞0时，估计用户k在观看第s个segment时会发生中断，更新预测累积中断次数N_rebuf_k,s。

4)用户k的QoE值MOS_k及QoE增益值ΔMOS_k的计算：

当用户k请求第s个视频segment的质量等级为l_k时，该视频segment的码率BR_k，质量波动ΔBR_k,s就可以根据质量等级l_k获得，即BR_k,s＝g_BR(l_k),ΔBR_k,s＝g_ΔBR(l_k)；用户k的预估中断时间T_rebuf_k,s和预估累积中断次数N_rebuf_k,s分别由步骤2)和步骤3)计算得出，即因此用户k请求质量等级l_k的视频segment时的QoE根据权利要求2中所述QoE预测模型计算：

其中，效用函数U(·)即为QoE预测模型。

用户k的QoE增益值ΔMOS_k定义为就是当第i个RB分配给用户k使用时用户k的QoE的增量，即

步骤23：将当前待分配的RB分配给增益值最大的用户；

分别计算第k个用户请求所有版本视频的增益值ΔMOS_k，第n个RB分配给ΔMOS_k中最大的用户。由步骤22中ΔMOS_k计算公式

即将第n个RB分配给第k^*个用户，更新用户k^*可用的RB集合Ω_k*。当用户k^*为请求用户时，则更新该请求的视频质量当用户k^*为非请求用户，则不需要更新请求视频质量。

步骤24：确定RB是否分配完毕；

经过步骤21～23，完成了一个RB的分配问题，重复上述步骤21～23，直到所有的RB分配完毕。

步骤25：确定RB分配策略及用户的请求视频质量版本；

经过步骤24～25，可以确定所有RB的分配策略Ω，Ω＝{Ω₁,Ω₂.....Ω_N}；以及所有用户的请求视频质量版本集Ψ，Ψ＝{l₁,l₂.....,l_K}。

下面给出主观实验的实验设置及结果分析。

1、主观实验设置：

1)训练集

视频	Stockholm.yuv
		分辨率	1280*720
帧率	25
		码率	5种：640k、768k、896k、1024k、1280k
中断时间	0s 1s 2s 3s 4s 6s 8s 10s 12s 15s 20s
		帧数	1500
打分人数	10
		实验设备	PC机
打分设置	1：非常差2：差3：能看4：满意5：非常满意

2)测试集

2、实验结果分析

第一组实验：该实验主要是为了给建立QoE预测模型提供训练集数据。通过对训练集数据的分析，分析不同码率下，MOS值随着中断时间的变化趋势。在码率固定的前提下，随着中断时间增加，MOS大体呈现负指数降低；在中断时间为0时，码率越大，MOS值越大；在中断时间相同时，码率越大，曲线弯曲程度越大，如图3所示。

第二组实验：该实验主要是为了验证建立的QoE预测模型的准确性，如图4所示，该模型的皮尔森线性相关系数与斯皮尔曼等级相关系数很高，而均方差很小，说明该模型可以准确的预测用户的主观感知。

第三组实验：该实验主要是通过与现存的模型和算法进行对比，验证本发明提出的QoE模型以及QoE驱动的视频码率自适应和资源分配联合算法性能优越。QoE模型性能对比的实验结果如图5所示，图(a)是本发明提出的QoE模型，图(b)图(c)图(d)分别为三种现存的QoE模型[1-3]，通过与三种模型进行性能对比，发现本发明提出的模型预测的准确性最高，性能最好。

第四组实验：该实验主要是将本发明提出的QoE驱动的视频码率自适应和资源分配联合算法和传统的调度算法Tree-pruning+PF，RR，MAX C/I，PF[4-8]进行性能对比，实验结果如图6、图7和图8所示。图6为固定无线资源RB数目和用户数目不变，使用不同调度算法的视频用户体验质量平均值的变化。图7为固定无线资源RB的数目不变，随着用户数UE的增大，不同调度算法的所有视频用户体验质量平均值的变化。图8是固定用户数目不变，随着RB数目的增多，不同调度算法的视频用户体验质量平均值变化曲线。通过图6、图7和图8可以看出，本发明的联合算法可以使得所有视频用户主观体验质量的平均值最大，说明本算法性能最好。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

参考文献

[1]T.Hossfeld,S.Egger,R.Schatz,M.Fiedler,K.Masuch,C.Lorentzen,”Initial delay vs.interruptions:Between the devil and the deep blue sea”,InQoMEX 2012,July 2012.

[2]ToniMartín Varela,Doreid Ammar,”A Layered Model for QualityEstimation of HTTP Video from QoS Measurements”,In SITIS 2015,Nov.2015

[3]Mingfu Li,Chen-Yu Lee,“A cost-effective and real-time QoEevaluation method for multimedia streaming services”，《TelecommunicationSystems》,2015,59(3):317-327[4]Yan Z,Xue J,Chen CW.Hybrid Edge Cloud andClient Adaptation for HTTP Adaptive Streaming in Cellular Networks[J].IEEETransactions on Circuits&Systems for Video Technology,2017,PP(99):1-1.

[4]Yan Z,Xue J,Chen CW.Hybrid Edge Cloud and Client Adaptation forHTTP Adaptive Streaming in Cellular Networks[J].IEEE Transactions onCircuits&Systems for Video Technology,2017,PP(99):1-1.

[5]Al-Manthari B,Hassanein H,Nasser N.Packet scheduling in 3.5G high-speed downlink packet access networks:breadth and depth[J].IEEE Network,2007,21(1):41-46.

[6]Borst S.User-level performance of channel-aware schedulingalgorithms in wireless data networks[C].IEEE Societies Twenty-Second AnnualJoint Conference of the IEEE Computer and Communications(INFOCOM),2003:321-331.

[7]Song GC,Li Y.Cross-layer optimization for OFDM wireless networks-part II:algorithm development[J].IEEE Transactions on WirelessCommunications,2005,4(2):625-634.

[8]Jalali A,Padovani R,Pankaj R.Data throughput of CDMA-HDR a highefficiency-high data rate personal communication wireless system[C].VehicularTechnology Conference Proceedings,2000:1854-1858

Claims (6)

1.LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，其特征在于，包括以下步骤：

1)分析码率、初始时延、中断时间、中断次数以及质量波动对用户主观感知的影响，并基于各个因素的影响曲线建立基于视频段特征和播放信息的QoE预测模型；

2)用户向基站反馈缓存区状态，基站根据用户的剩余缓存，判断用户是否需要分配网络资源及视频请求，确定需要分配资源的用户集K；

3)找到当前待分配的RB，计算该RB分配给用户集K内所有用户时，用户请求所有质量版本视频的效用函数值及增益值；

4)将当前待分配的RB分配给增益值最大的用户；

5)按照步骤1)～4)开始下一个RB的分配，直到所有RB分配完毕，得到用户集K内所有用户的视频请求质量版本，即确定所有RB的分配策略以及码率自适应策略。

2.根据权利要求1所述的LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，其特征在于，步骤1)中，基于视频段特征和播放信息的QoE预测模型的建立，具体如下：

用户观看的主观质量是随着观看视频段的累积播放质量，累积播放质量缩写为APQ，其不仅受到用户当前正在观看的视频段的影响，还和用户以前看的视频段的主观体验有关，关系式如下：

A_k,s＝(1-λ_k,s)*A_k,s-1+λ_k,s*Q_k,s

其中，A_k,s是用户k当前看完第s个视频段的APQ，k为用户标号，s表示当前视频用户正在看的视频segment序号；Q_k,s是当前第s个视频段的视频播放质量，λ_k,s为权值系数，表征当前视频段的视频质量占累积播放质量的比重；A_k,s-1表征用户看完第s-1个视频段的APQ；

影响用户在线观看视频的主观感知有五个因素：码率、初始时延、每次中断时长、累积中断次数以及质量波动；由于用户在线观看视频是以视频segment为单位，只有当用户接收到一个完整的segment数据才能播放；因此，中断只可能发生在视频segment之间，初始时延看作一种特殊的中断，而质量波动是相邻视频segment的码率的差异；因此建立的QoE评估模型包括以下两部分：基于码率和中断时长的视频段播放质量Q_k,s和基于中断次数和质量波动的视频段权值系数λ_k,s，具体如下：

1)基于码率和中断时长的视频段播放质量Q_k,s

对于用户当前所观看的视频segment，影响用户主观感知的因素有码率、初始时延以及该视频segment所经历的中断时长；因此，视频段质量Q_k,s中考虑三种因素：码率、初始时延和中断时长，公式如下：

其中，LBR_k,s为第s个视频segment的码率BR_k,s对数值，T_rebuf_k,s为用户k观看第s个视频segment时等待的中断时长，T_delay为初始时延时长，Tseg为视频segment的时长，a,b,c,d,μ,σ为模型拟合参数；

2)基于中断次数和质量波动的视频段权值系数λ_k,s

权值系数λ_k,s表征该视频段播放质量占累积播放质量的比重，λ_k,s值越大，该视频段的质量占用户QoE的比重越大；用户的主观体验质量随着中断次数的增加呈负指数趋势降低；如果在观看过程中没有质量波动也无中断时，认为A_k,s即为每个视频段的视频质量Q_k,s的平均值，当第s个视频段有质量波动或者发生中断时，由于用户的QoE会下降，认为当前第s个视频段的质量Q_k,s占得比重较高，当视频质量波动越大，用户QoE的变化越大；当用户观看视频时中断次数越多，用户QoE下降的越多，模型如下：

其中，ΔBR_k,s为相邻视频segment的码率差；N_rebuf_k,s表示累积中断次数；p,q为模型拟合参数。

3.根据权利要求2所述的LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，其特征在于，步骤2)中，需要资源分配及视频请求的用户集K，如下：

用户向基站反馈缓存区的状态T_buf_k，当用户的剩余缓存时间小于阈值Thr时，如果该用户上个视频segment已经传输完毕，需要视频segment的请求，该用户标记为请求用户；如果基站MAC队列中还有未传输完毕的数据包，该用户标记为非请求用户，请求用户和非请求用户的合集即为用户集K。

4.根据权利要求3所述的LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，其特征在于，步骤3)中，设当前待分配的RB为第n个RB，计算第k个用户在该RB上的QoE的增益值ΔMOS_k为：

其中，1)当第n个RB分配给第k个用户，根据n个RB的分配策略计算出用户k的传输能力c_k：

其中，表示第n个RB是否分给第k个用户；表示第k个用户是否使用第j种调制方式；r_j表示该RB在第j种调制方式下可以传输的比特数；Ω_k表示第k个用户能用的RB集合；表示第k个用户的第n个RB可用的调制方式；

2)用户k的预估中断时间T_rebuf_k,s：

其中，T_round表示RB分配周期；B_k表示第k个用户所要传输的数据大小；T_buf_k表示第k个用户的播放缓存；TL_k表示第k个用户正在中断的时间；

因此，根据用户k的传输能力c_k能够估计出用户k的中断时间T_rebuf_k,s；

3)用户k的预估累积中断次数N_rebuf_k,s

当预测中断时长T_rebuf_k,s＞0时，估计用户k在观看第s个segment时会发生中断，更新预估累积中断次数N_rebuf_k,s；

4)用户k的QoE值MOS_k及QoE增益值ΔMOS_k的计算：

当用户k请求第s个视频segment的质量等级为l_k时，该视频segment的码率BR_k，质量波动ΔBR_k,s根据质量等级l_k获得，即BR_k,s＝g_BR(l_k),ΔBR_k,s＝g_ΔBR(l_k)；用户k的预估中断时间T_rebuf_k,s和预估累积中断次数N_rebuf_k,s分别由步骤2)和步骤3)计算得出，即因此用户k请求质量等级l_k的视频segment时的QoE根据QoE预测模型计算：

其中，效用函数U(·)即为QoE预测模型；

用户k的QoE增益值ΔMOS_k定义为当第i个RB分配给用户k前后，用户k的QoE的增量，即

5.根据权利要求4所述的LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，其特征在于，步骤4)中，当前待分配的RB分配给用户值增益最大的用户的操作为：

对于待分配的第n个RB，分别计算所有用户QoE增益值ΔMOS_k，把该RB分配给ΔMOS_k中最大的用户k^*：

遍历所有RB，找到每个RB所分配的用户，确定资源分配策略。

6.根据权利要求5所述的LTE网络下QoE驱动的视频码率自适应和资源分配联合算法，其特征在于，步骤5)中，得到用户集K内所有用户的视频请求质量版本的操作为：

当所有RB都分完时，根据计算每个用户的传输能力c_k，遍历用户请求视频的所有质量等级k∈K,l_k∈L，计算用户请求每个质量等级时的MOS_k，每个用户的最优请求视频质量为MOS_k最大时对应的视频质量：

其中，n＝1,2,3,..,N，遍历用户集K内所有用户，找到每个用户的最优请求视频质量，确定码率自适应策略。