m0_55924178的博客

开发并提出了一个系统的实时质量的经验度量检测加密流量-Request，这是适合于网络中间盒部署。Requet使用我们开发的检测算法来从加密流量的IP报头中识别视频和音频块。从块统计中提取的特征被用作机器学习算法的输入以预测QoE指标，具体地，缓冲器警告（低缓冲器、高缓冲器）；视频状态（缓冲器增加、缓冲器衰减、稳定、停止）；视频分辨率。内容提供商、内容交付网络（CDN）和网络运营商都是互联网视频行业的利益相关者。他们希望监控用户视频体验质量（QoE）并加以改进，以确保用户参与度。

提出了一种基于受控实验和机器学习的方法，仅使用网络级测量从加密视频轨迹中估计QoE。沿着启动延迟、播出质量（空间分辨率）和质量变化的QoE度量来预测主观MOS（平均意见得分），并且这仅使用底层网络服务质量（QoS）特征。视频播放的QoE与诸如初始加载时间的应用服务质量（QoS）特征直接相关（在文献中称为启动延迟或加入时间）、重新缓冲/停止事件的频率、播出质量（空间分辨率）及其变化。构建不仅能预测应用QoS指标，还能预测主观MOS（平均意见得分）的模型。