一種tcp視頻流業(yè)務用戶體驗質(zhì)量評估方法及裝置的制造方法
【專利摘要】本發(fā)明公開了一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法及裝置，可以監(jiān)測并記錄客戶端觀看待評估視頻時的用戶交互行為，包括暫停、快進、后退和所選擇的分辨率；根據(jù)客戶端觀看待評估視頻時的網(wǎng)絡層性能、應用層性能和用戶交互行為，獲取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫面清晰度的多個性能量化指標；將每一性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用戶主觀體驗MOS值；根據(jù)MOS值，確定待評估視頻的用戶體驗質(zhì)量QoE。應用本發(fā)明提供的方案，可以使獲得的評估結(jié)果與用戶的真實體驗更接近，提高了TCP視頻流業(yè)務QoE評估的準確度，評估效果好。
【專利說明】
一種TG P視頻流業(yè)務用戶體驗質(zhì)量評估方法及裝置
技術領域
[0001] 本發(fā)明涉及視頻流業(yè)務用戶體驗質(zhì)量評估技術領域，特別是涉及一種TCP視頻流 業(yè)務用戶體驗質(zhì)量評估方法及裝置。
【背景技術】
[0002] 隨著互聯(lián)網(wǎng)的快速發(fā)展以及媒體信息的大量涌現(xiàn)，視頻流業(yè)務逐漸成為網(wǎng)絡服務 提供商最主要的業(yè)務之一。與此同時，隨著智能終端的快速發(fā)展，通過網(wǎng)絡觀看視頻的用戶 也越來越多。用戶在觀看網(wǎng)絡視頻時，不僅希望視頻清晰、流暢，還希望視頻的內(nèi)容能夠豐 富有趣，視頻服務的滿意度是清晰、流暢、內(nèi)容的綜合考慮，即用戶對視頻服務的要求越來 越高。因此，為了爭取更多的用戶，獲取用戶對視頻流業(yè)務的滿意度，提高視頻流業(yè)務質(zhì)量， 無疑是視頻流業(yè)務提供商在行業(yè)競爭中取得成功的關鍵。
[0003] 目前，常通過用戶體驗質(zhì)量(Quality of Experience,QoE)來表征用戶對視頻流 業(yè)務的滿意度。相較于傳統(tǒng)的服務質(zhì)量(Quality of Service,QoS)，QoE考慮了用戶的主觀 因素，更貼近用戶的真實感受，它作為用戶在一定的客觀環(huán)境中對所使用的服務或者業(yè)務 的整體認可程度，對服務或業(yè)務提供商來說顯得尤為重要。因此，研究視頻流業(yè)務QoE的評 估方法具有很大的現(xiàn)實意義。
[0004] 例如，申請?zhí)枮?01410325896.0的發(fā)明專利申請，公開了一種TCP視頻流業(yè)務的 QoE訓練和評估的方案，該方案的具體過程為:根據(jù)視頻流業(yè)務的網(wǎng)絡性能，例如視頻的傳 輸速率，得出視頻流業(yè)務網(wǎng)絡Q〇S，并建立網(wǎng)絡性能指標體系;根據(jù)視頻流業(yè)務的應用層性 能，例如視頻的初始緩沖時間、重緩沖頻率和平均緩沖時長，得出視頻流應用層QoS，并建立 視頻流業(yè)務的應用層性能指標體系;建立視頻流業(yè)務網(wǎng)絡Q〇 S與視頻流應用層Qo S的映射函 數(shù);根據(jù)實驗確定用戶體驗平均意見(Mean Opinion Score，M0S)值，得出QoE，其中，M0S值 根據(jù)實驗中邀請的受試者對視頻流業(yè)務的主觀評分來確定;建立視頻流應用層QoS與QoE的 映射關系;根據(jù)視頻流業(yè)務網(wǎng)絡QoS與視頻流應用層QoS的映射函數(shù)，并根據(jù)視頻流應用層 QoS與QoE的映射關系，建立視頻流業(yè)務網(wǎng)絡QoS與QoE的映射模型；最后，根據(jù)網(wǎng)絡性能指標 體系、應用層性能指標體系和視頻流業(yè)務網(wǎng)絡QoS與QoE的映射模型，進行QoE評估。
[0005] 但是，上述專利申請中公開的QoE評估方案，只考慮了視頻流業(yè)務的網(wǎng)絡層性能和 應用層性能，較少考慮用戶觀看視頻時的感受，以及用戶觀看視頻時的交互行為，這不符合 真實的應用場景。用戶交互行為及用戶感受是視頻業(yè)務流QoE評估中不可回避的一個重要 影響因素，在視頻業(yè)務流QoE評估中，如不考慮用戶交互行為和用戶感受，會使得到QoE評估 結(jié)果與用戶的真實體驗產(chǎn)生較大的偏差，評估效果差。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實施例的目的在于提供一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法及裝 置，以提高QoE評估的準確度，使得QoE評估結(jié)果與用戶的真實體驗更為接近，提高評估效 果。
[0007] 為了實現(xiàn)上述目的，本發(fā)明實施例公開了一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估 方法，所述方法包括：
[0008] S101、監(jiān)測并記錄客戶端觀看待評估視頻時的用戶交互行為，包括暫停、快進、后 退和所選擇的分辨率；
[0009] S102、根據(jù)所述客戶端觀看待評估視頻時的網(wǎng)絡層性能、應用層性能和所述用戶 交互行為，獲取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫面清晰度的多個性能量化 指標；
[0010] S103、將每一所述性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用戶主觀體驗M0S值；
[0011] S104、根據(jù)所述M0S值，確定待評估視頻的用戶體驗質(zhì)量QoE。
[0012] 優(yōu)選的，在執(zhí)行步驟S101后，并在執(zhí)行步驟S102前，所述方法還包括：
[0013] 篩選所述用戶交互行為。
[0014] 優(yōu)選的，所述篩選所述用戶交互行為包括：
[0015] 篩選并刪除所述用戶交互行為中的隨機用戶交互行為；
[0016] 和/或，篩選并刪除所述用戶交互行為中的小概率用戶交互行為。
[0017] 優(yōu)選的，所述隨機用戶交互行為的確定方法包括：
[0018] 根據(jù)第一函數(shù)確定用戶交互行為的有效時間范圍；其中，所述第一函數(shù)為：
S為所述有效時間范圍，分別表示 待評估視頻的開始播放和播放結(jié)束的時刻，^為用戶交互行為發(fā)生的時刻，T為預設的時間 范圍；
[0019] 根據(jù)所述有效時間范圍確定第二函數(shù)的輸出值，將使所述第二函數(shù)的輸出值等于 零的用戶交互行為確定為隨機用戶交互行為;其中，所述第二函數(shù)為:A=1<? +#〇1是七14 至ljti+δ時間范圍內(nèi)，m個用戶交互行為發(fā)生的時刻的相對距離差d(a+識之和；
[0020] 所述小概率用戶交互行為的確定方法包括：
[0021] 當所述用戶交互行為是預先統(tǒng)計獲得的小概率用戶交互行為時，確定為小概率用 戶交互行為。
[0022] 優(yōu)選的，所述BP神經(jīng)網(wǎng)絡模型由輸入層、隱含層和輸出層組成，輸入層節(jié)點的個數(shù) 為8,隱含層節(jié)點的個數(shù)為13,輸出層節(jié)點的個數(shù)為1。
[0023] 優(yōu)選的，所述表征待評估視頻的播放流暢度的性能量化指標包括:初始緩沖時間、 平均緩沖時長、重緩沖頻率、平均暫停時長和暫停頻率；
[0024] 所述表征待評估視頻的內(nèi)容吸引度的性能量化指標包括:快進比例、后退比例；
[0025] 所述表征待評估視頻的畫面清晰度的性能量化指標包括:視頻平均分辨率。
[0026] 本發(fā)明實施例還公開了一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置，所述裝置包 括:用戶交互行為監(jiān)測模塊、性能量化指標獲取模塊、M0S值計算模塊和評估模塊，
[0027] 所述用戶交互行為監(jiān)測模塊，用于監(jiān)測并記錄客戶端觀看待評估視頻時的用戶交 互行為，包括:暫停、快進、后退和所選擇的分辨率；
[0028] 所述性能量化指標獲取模塊，用于根據(jù)所述客戶端觀看待評估視頻時的網(wǎng)絡層性 能、應用層性能和所述用戶交互行為，獲取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫 面清晰度的多個性能量化指標；
[0029] 所述M0S值計算模塊，用于將每一所述性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用 戶主觀體驗M0S值；
[0030] 所述評估模塊，用于根據(jù)所述M0S值，確定待評估視頻的用戶體驗質(zhì)量QoE。
[0031] 優(yōu)選的，所述裝置還包括：用戶交互行為篩選模塊，用于對所述用戶交互行為監(jiān)測 模塊監(jiān)測到的用戶交互行為進行篩選，并傳輸給所述性能量化指標獲取模塊。
[0032]優(yōu)選的，所述用戶交互行為篩選模塊，包括：
[0033]隨機用戶交互行為篩選單元，用于篩選并刪除所述用戶交互行為中的隨機用戶交 互行為；
[0034]小概率用戶交互行為篩選單元，用于篩選并刪除所述用戶交互行為中的小概率用 戶交互行為。
[0035]優(yōu)選的，所述隨機用戶交互行為篩選單元，包括：
[0036] 有效時間范圍確定子模塊，用于根據(jù)第一函數(shù)確定用戶交互行為的有效時間范 圍；其中，所述第一函數(shù)為
S為所述有效時間 范圍，tstart和分別表示待評估視頻的開始播放和播放結(jié)束的時刻，^為用戶交互行為發(fā) 生的時刻，T為預設的時間范圍；
[0037] 隨機用戶交互行為確定子模塊，用于根據(jù)所述有效時間范圍確定第二函數(shù)的輸出 值，將使所述第二函數(shù)的輸出值等于零的用戶交互行為確定為隨機用戶交互行為，并刪除 該隨機用戶交互行為;其中，所述第二函數(shù)為：只二免^說是^部化痛寸間范圍內(nèi)業(yè) 個用戶交互行為發(fā)生的時刻ta+j與ti的相對距離差d(a+j)i之和。
[0038] 本發(fā)明實施例提供的一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法及裝置，可以監(jiān) 測并記錄客戶端觀看待評估視頻時的用戶交互行為，包括暫停、快進、后退和所選擇的分辨 率;根據(jù)所述客戶端觀看待評估視頻時的網(wǎng)絡層性能、應用層性能和所述用戶交互行為，獲 取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫面清晰度的多個性能量化指標;將每一 所述性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用戶主觀體驗M0S值;根據(jù)所述M0S值，確定待 評估視頻的用戶體驗質(zhì)量Q〇E。由于本發(fā)明提供的方案，不僅考慮了網(wǎng)絡層和應用層性能指 標對TCP視頻流業(yè)務QoE的影響，還考慮了用戶交互行為的影響，使得獲得的評估結(jié)果與用 戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準確度，評估效果好。當然，實施本 發(fā)明的任一產(chǎn)品或方法必不一定需要同時達到以上所述的所有優(yōu)點。
【附圖說明】
[0039] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn) 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以 根據(jù)這些附圖獲得其他的附圖。
[0040] 圖1為本發(fā)明實施例1提供的一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法的流程 圖；
[0041]圖2為本發(fā)明實施例2提供的一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法的流程 圖；
[0042]圖3為應用不考慮用戶交互行為的BP神經(jīng)網(wǎng)絡模型進行評估的評估結(jié)果示意圖； [0043]圖4為應用本發(fā)明實施例2提供的一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法進行 評估的評估結(jié)果示意圖；
[0044]圖5為本發(fā)明實施例3中進行主觀評定實驗的HTTP視頻傳輸系統(tǒng)實驗平臺示意圖；
[0045] 圖6為本發(fā)明實施例1所采用的BP網(wǎng)絡神經(jīng)模型的示意圖；
[0046] 圖7為本發(fā)明實施例5提供的一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置的結(jié)構示 意圖；
[0047] 圖8為本發(fā)明實施例6提供的一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置的結(jié)構示 意圖。
【具體實施方式】
[0048] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；?本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。
[0049] 本發(fā)明實施例提供了一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法及裝置，下面分 別進行說明。
[0050] 實施例1
[0051] 如圖1所示，本發(fā)明實施例1提供了一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法，包 括如下步驟：
[0052] S101、監(jiān)測并記錄客戶端觀看待評估視頻時的用戶交互行為，包括暫停、快進、后 退和所選擇的分辨率；
[0053] 當用戶通過客戶端觀看視頻時，在客戶端使用了 JavaScript編寫的腳本，通過 HTML視頻事件的API，使用戶可以控制瀏覽器上的播放器，并能夠監(jiān)測并記錄用戶在觀看視 頻過程中的用戶交互行為。
[0054] S102、根據(jù)所述客戶端觀看待評估視頻時的網(wǎng)絡層性能、應用層性能和所述用戶 交互行為，獲取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫面清晰度的多個性能量化 指標；
[0055] (1)關于視頻播放的流暢度
[0056] 視頻播放是否流暢是影響用戶體驗最主要的因素，本發(fā)明選取已有研究提出過的 網(wǎng)絡層和應用層性能指標，以及表征暫停這一用戶交互行為的性能指標，來量化視頻播放 的流暢度。其中，表征暫停這一用戶交互行為的性能指標的計算方式可以有多種，例如暫停 的次數(shù)、暫停的時長等，本實施例對此不做具體限定。
[0057] (2)關于視頻內(nèi)容的吸引度
[0058]通常情況下，用戶也會很關注視頻內(nèi)容的趣味性。一方面，視頻的內(nèi)容如果很有 趣，用戶有時會反復觀看視頻的熱點/高潮部分。另一方面，視頻的內(nèi)容如果很無趣，用戶會 感到厭煩，進而可能選擇快進或者直接跳轉(zhuǎn)。因此，本發(fā)明量化了快進、后退兩個用戶交互 行為以表征視頻內(nèi)容的吸引度。其中，表征快進、后退這兩個用戶交互行為的性能指標的計 算方式可以有多種，例如快進的時間長度、快進的頻率、后退的頻率等，本實施例對此不做 具體限定。
[0059] (3)關于視頻畫面的清晰度
[0060] 可以理解，用戶希望的是視頻畫面盡可能的高清。然而，在視頻播放過程中，由于 帶寬有限或者不良的網(wǎng)絡情況，用戶有時會在視頻畫面的清晰度和視頻播放的流暢度之間 做出權衡。例如，為了能夠流暢地觀看視頻，用戶可能將視頻由高分辨率切換成低分辨率， 即用戶為了流暢觀看視頻而做出的一種讓步行為。不過，也不排除犧牲流暢性而堅持看高 清視頻的用戶。
[0061] 因此，本發(fā)明量化了用戶所選擇的視頻分辨率這一用戶交互行為，以表征視頻畫 面的清晰度，具體的，表征用戶所選擇的視頻分辨率這一用戶交互行為的性能指標的計算 方式可以有多種，例如平均視頻分辨率、最小視頻分辨率持續(xù)的時長占整個視頻時長的比 例等，本實施例對此不做具體限定。
[0062] S103、將每一所述性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用戶主觀體驗M0S值； [0063]由于在BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)和輸出參數(shù)具有相關性時，才能應用BP神經(jīng)網(wǎng) 絡模型進行評估。因此，為了使BP神經(jīng)網(wǎng)絡模型的輸出為用戶體驗質(zhì)量M0S值，必須使輸入 BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)與M0S值相關。
[0064] 可以理解的是，在視頻播放過程中，用戶的體驗狀態(tài)(可以稱為隱狀態(tài))是無法得 知的，但在現(xiàn)實中是確定存在的，如用戶感到滿意或厭煩。而用戶在觀看視頻過程中的交互 行為是可觀測的，包括暫停、快進、切換視頻分辨率等操作。因此，可以將用戶的交互行為視 為用戶觀看視頻的體驗狀態(tài)的一種外在反映。也就是說，用戶交互行為在很多情況下能夠 反映出用戶體驗質(zhì)量，用戶交互行為與用戶體驗質(zhì)量具有相關性。
[0065] 但是，為了嚴謹起見，本發(fā)明還利用隱馬爾可夫模型(Hidden Markov Model，HMM) 對用戶交互行為（可觀測狀態(tài)）與用戶體驗相（隱狀態(tài)）是否相關做了驗證，驗證結(jié)果表明， 用戶交互行為與用戶體驗具有相關性，可以將體現(xiàn)用戶交互行為的性能量化指標作為BP神 經(jīng)網(wǎng)絡的輸入?yún)?shù)，將BP神經(jīng)網(wǎng)絡模型的輸出參數(shù)作為M0S值。
[0066]另外，現(xiàn)有技術已經(jīng)證明，表征客戶端觀看待評估視頻時的網(wǎng)絡層性能和應用層 性能的性能量化指標與用戶體驗相關，因此，也可以將這些性能量化指標作為BP神經(jīng)網(wǎng)絡 的輸入?yún)?shù)。
[0067]具體的，利用HMM模型，關聯(lián)用戶交互行為與用戶體驗質(zhì)量的過程如下：
[0068]步驟一、分析統(tǒng)計用戶體驗狀態(tài)序列及交互行為；
[0069] 在時刻t，用戶的觀看視頻的體驗st e S = {Si，S2，…，SN}，其中Si，S2，…，SN是N個可 能的隱狀態(tài)，即用戶體驗。而由此產(chǎn)生M個觀測結(jié)果，即用戶在觀看視頻過程中的交互行為 Vtev= {V^V^…，Vm}。用戶觀看視頻的體驗狀態(tài)組成的序列稱為馬爾可夫鏈。
[0070] 步驟二、采用Baum-We 1 ch法估計HHM模型的系統(tǒng)參數(shù)λ;
[0071 ] HHM模型可以由五個元素(2個狀態(tài)集合和3個概率矩陣)來描述，即HMM的系統(tǒng)參數(shù) 入={11人8,31}，簡記為\={厶，8,31}(^表示!111的隱狀態(tài)數(shù)目，3={31，3 2，-_斤}是隱狀態(tài) 集合;Μ表示由此產(chǎn)生的可觀測結(jié)果數(shù)目，VilV^Vs，···，￥(?}是觀測值集合。A表示隱狀態(tài)轉(zhuǎn) 移概率矩陣，描述了 HMM各個隱狀態(tài)之間的轉(zhuǎn)移概率;B表示觀測值概率矩陣，描述了隱狀態(tài) 下觀測值的概率分布;π表示初始狀態(tài)概率矩陣，描述了隱狀態(tài)的初始概率分布。
[0072] a= {aij | Ki，j<N}，其中，aij = P(Sk = j | Sk-i = i)，i j e S。
[0073] B={bj(k)|l彡 j彡N，1彡k彡M}，其中，bj(k)=P(Vk|Sj)。
[0074] ji={jTi| 1 彡i 彡N}，其中，
[0075] 當用戶觀看視頻過程中的體驗狀態(tài)和行為觀測狀態(tài)已確定，對于長度為T的觀測 序列0= {Ox，Or··，〇τ}，選擇能將此觀測序列出現(xiàn)概率最大化的參數(shù)i作為ΗΜΜ的最佳估計， 即需要尋找參數(shù)1使得表示概率的似然函數(shù)ΡΗν|λ)最大化。采用Baum-Welch法，由初始估 計量計算對數(shù)似然函數(shù)并選擇新的估計量。
[0076]具體地，設λ的初始估計量為λ1-1，采用以下對數(shù)似然函數(shù)修正此估計量：
[0077]
'其中，U表示λΗ到λ的修正過程的似然函 數(shù)，Q表示特定的隱狀態(tài)序列。
[0078] 取新的估計量AizargmaxAQGA1"1)，對特定隱狀態(tài)序列Q，可以得到，
[0079]
，其中，q指的是特定隱狀態(tài)序列Q中的隱狀態(tài)值， /-1 指的是隱狀態(tài)qt-jlj隱狀態(tài)qt的轉(zhuǎn)移概率值，6,是隱狀態(tài)qt對應的觀測概率值，是隱 狀態(tài)qo對應的初始狀態(tài)概率值。
[0080] 因此，似然函數(shù)變?yōu)椋?br>[0081]
[0082]通過優(yōu)化以上等式的右邊三項可獨立估計出模型參數(shù)，通過計算0時刻狀態(tài)3」出 現(xiàn)的比率可確定~，通過計算在狀態(tài)Si時Si轉(zhuǎn)變至Sj的比率來確定aij;計算狀態(tài)Sj、以及狀 態(tài)&條件下觀察到V k的比率可得到b」(k)。最終的參數(shù)值λ可通過迭代計算得到。具體的迭代 計算方法屬于現(xiàn)有技術此處不再贅述。
[0083] 步驟三、根據(jù)所估計得到的參數(shù)λ，預測時間t時的用戶體驗狀態(tài)；
[0084] HMM模型確定后，預測時間t時的用戶體驗狀態(tài)等價于給定觀測序列和模型參數(shù)條 件下確定最可能的隱狀態(tài)，為連續(xù)跟蹤用戶狀態(tài)，需尋找單條最佳用戶狀態(tài)序列，通過最大 化后驗概率Pr(Q|〇，A)或Pr(Q，〇|A)來實現(xiàn)，由MAP規(guī)則，估計用戶在觀看視頻過程中的觀看 狀態(tài)qt。
[0085]
[0086] S104、根據(jù)所述M0S值，確定待評估視頻的用戶體驗質(zhì)量QoE。
[0087] M0S值是對QoE的定量描述，M0S值的取值一般為1至5的整數(shù)，從1到5分別對應很不 滿意、不滿意、一般、滿意和很滿意五種QoE。
[0088]由于本發(fā)明實施例1提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法，不僅考慮了網(wǎng) 絡層和應用層性能指標對TCP視頻流業(yè)務QoE的影響，還考慮了用戶交互行為的影響，使得 該評估方法獲得的評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準 確度，評估效果好。
[0089] 實施例2
[0090] 如圖2所示，本發(fā)明實施例提供的另一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法， 作為實施例1的一種優(yōu)選方案，實施例2與實施例1的不同之處在于，在執(zhí)行完步驟S101后， 并在執(zhí)行步驟S102前，所述方法還包括：
[0091] S105、篩選所述用戶交互行為。
[0092]可以理解的是，用戶在觀看視頻過程中可能會作出各種各樣的交互行為，但其中 有些行為是用戶不經(jīng)常做的，發(fā)生的概率小，影響權重低，研究價值不大;有些用戶行為通 常是隨機出現(xiàn)的，帶有不確定性。因此，對用戶交互行為進行適當?shù)睾Y選，可以進一步提高 TCP視頻業(yè)務流的QoE評估的準確度。
[0093]同樣的，如果對上文中述及的通過主觀評定實驗獲得的樣本數(shù)據(jù)中的用戶交互行 為進行篩選后，再利用篩選后的樣本數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡模型，訓練獲得的BP神經(jīng)網(wǎng)模型 更優(yōu)。
[0094] 具體地，可通過下述方式對監(jiān)測獲得的用戶交互行為進行篩選：
[0095]篩選并刪除所述用戶交互行為中的隨機用戶交互行為；
[0096]和/或，篩選并刪除所述用戶交互行為中的小概率用戶交互行為。
[0097]進一步地，隨機用戶交互行為的確定方法包括：
[0098]步驟一、根據(jù)第一函數(shù)確定用戶交互行為的有效時間范圍；
[0099] 其中，所述第一函數(shù)為：
S為所述有 效時間范圍，tstart和分別表示待評估視頻的開始播放和播放結(jié)束的時刻，^為用戶交互 行為發(fā)生的時刻，T為預設的時間范圍；
[0100] 步驟二、根據(jù)所述有效時間范圍確定第二函數(shù)的輸出值，將使所述第二函數(shù)的輸 出值等于零的用戶交互行為確定為隨機用戶交互行為；
[0101] 其中，所述第二函數(shù)為:只=[<+作Di是ti-δ到ti+δ時間范圍內(nèi)，m個用戶交互行 J-=0. 為發(fā)生的時刻ta+j與ti的相對距尚差d(a+j)i之和。
[01 02]進一步地，小概率用戶交互行為的確定方法包括：
[0103] 當所述用戶交互行為是預先統(tǒng)計獲得的小概率用戶交互行為時，確定為小概率用 戶交互行為。
[0104] 應用本發(fā)明實施例2提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法，相比于現(xiàn)有技 術，不僅在考慮了用戶交互行為對TCP視頻流業(yè)務QoE的影響的基礎上，使得該評估方法獲 得的評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準確度。而且，對 用戶交互行為進行篩選后，可以進一步提高TCP視頻流業(yè)務QoE評估的準確度，評估效果更 佳。
[0105] 為了進一步證明本發(fā)明實施例2提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法的 有益性，本發(fā)明對應用實施例2提供的QoE評估方法與應用不考慮用戶交互行為的BP神經(jīng)網(wǎng) 絡模型進行QoE評估的評估性能進行比較，比較結(jié)果如圖3和圖4所示，其中圖3為應用不考 慮用戶交互行為的BP神經(jīng)網(wǎng)絡模型進行評估的評估結(jié)果示意圖，圖4為應用本發(fā)明實施例2 提供的一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法進行評估的評估結(jié)果示意圖。
[0106] 在圖3和圖4中，離散的點表示單個樣本數(shù)據(jù)的評估結(jié)果;實線為標準參考線，表示 利用BP網(wǎng)絡神經(jīng)模型評估獲得M0S值與主觀評定實驗獲得的M0S值完全相等;虛線為對離散 點進行線性擬合的結(jié)果，表示利用BP網(wǎng)絡神經(jīng)模型評估獲得M0S值與主觀評定實驗獲得的 M0S值的相互關系，R表示線性擬合的相關性。R越大，同時，線性擬合線與標準參考線越接 近，表明利用BP網(wǎng)絡神經(jīng)模型評估獲得M0S值與主觀評定實驗獲得的M0S值越相近。
[0107] 對比圖3和圖4可知，本發(fā)明實施例2提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估方 法，由于考慮了用戶交互行為，因此，評估結(jié)果與用戶的實際體驗更接近，評估結(jié)果更準確。
[0108] 實施例3
[0109] 作為實施例1或?qū)嵤├?的一種優(yōu)選方案，實施例3與實施例1或?qū)嵤├?的不同之 處在于，本實施例中所采用的BP神經(jīng)網(wǎng)絡模型是通過利用樣本數(shù)據(jù)訓練獲得的，訓練BP神 經(jīng)網(wǎng)絡模型的具體過程如下：
[0110] 步驟一，進行用戶觀看視頻的用戶體驗質(zhì)量主觀評定實驗，以獲得樣本數(shù)據(jù)。
[0111] 實驗中，受試者男女比例協(xié)調(diào)，來自不同的背景環(huán)境。搭建如圖5所示的HTTP視頻 傳輸系統(tǒng)，在圖5中1代表服務器，2代表路由器，3代表用戶觀看視頻的客戶端，在路由器2上 通過TC命令控制netem模擬不同的網(wǎng)絡環(huán)境，網(wǎng)絡參數(shù)的設置如表1所示。
[0112] 表1主觀評定實驗中設置的網(wǎng)絡參數(shù)
[0113]
[01 14] 仕恍頻的王觀評疋頭〒，系猶；測記錄用戶在觀看視頻時的交互行為，獲得用 戶交互行為序列。受試者在視頻播放過程中，可以根據(jù)自己的需要實時地給出評分，產(chǎn)生用 戶體驗狀態(tài)序列。在視頻播放結(jié)束時，受試者再給出一個最后的總體評分。實驗結(jié)束后，對 評分結(jié)果做統(tǒng)計學分析，剔除無效數(shù)據(jù)，進而得出有效的用戶主觀體驗M0S值。
[0115]將主觀評定實驗中獲得的用戶交互行為序列和最終的用戶主觀體驗M0S值確定為 樣本數(shù)據(jù)。其中，可以利用實施例2中公開的相同方式，對用戶交互行為序列中的小概率用 戶交互行為和隨機用戶交互行為進行篩選，將篩選后的用戶交互行為序列及對應的用戶主 觀體驗M0S值作為樣本數(shù)據(jù)，以使訓練獲得的BP神經(jīng)網(wǎng)絡模型更優(yōu)。
[0116]步驟二，基于主觀評定實驗獲得的樣本數(shù)據(jù)，訓練BP神經(jīng)網(wǎng)絡。
[0117]本實施例采用三層BP神經(jīng)網(wǎng)絡，其結(jié)構由輸入層、隱含層、輸出層組成。輸入層包 含8個輸入節(jié)點，將主觀評定實驗獲得的樣本數(shù)據(jù)轉(zhuǎn)化為8個性能量化指標作為BP神經(jīng)網(wǎng)絡 模型的輸入?yún)?shù)，這8個性能量化指標為:初始緩沖時間、平均緩沖時長、重緩沖頻率、平均 暫停時長、暫停頻率、向前跳轉(zhuǎn)比例、向后跳轉(zhuǎn)比例、平均視頻分辨率。輸出層包含一個輸出 節(jié)點，即評估MOS值。對于隱含層節(jié)點數(shù)的選取，通過構造不同的隱節(jié)點數(shù)的神經(jīng)網(wǎng)絡進行 訓練，并根據(jù)每個神經(jīng)網(wǎng)絡的誤差收斂速度及表征擬合程度的均方誤差大小的比較，可選 擇N個隱節(jié)點的網(wǎng)絡結(jié)構，經(jīng)試驗證明，N可以取13。
[0?18]為了達到較快的收斂速度及較高的精度，本發(fā)明選擇基于Levenberg-Marquardt (LM)學習算法訓練BP神經(jīng)網(wǎng)絡。
[0119] BP神經(jīng)網(wǎng)絡算法的學習過程分為正向輸入和反向傳播兩個過程，正向傳播中輸入 信息從輸入層經(jīng)隱含層處理，并傳向輸出層。在信息的正向傳播過程中，將輸入信息一一即 第P個學習樣本χ ρ={Χρ1，Χρ2，…，XpM}輸入BP神經(jīng)網(wǎng)絡后，從輸入層經(jīng)隱含層處理，并傳向輸 出層，計算隱含層第j個節(jié)點的期望輸出y w和輸出層節(jié)點的實際輸出zpl:
[0120] 輸入層節(jié)點到隱含層節(jié)點的傳遞函數(shù)為：：
，
為第j個隱含層節(jié)點的輸出值，為第i個輸入層節(jié)點和第j個隱含層節(jié) 點間的網(wǎng)絡權值，χρι為第i個輸入層節(jié)點的輸入值，Θ」為第j個隱含層節(jié)點的閾值向量；
[0121 ]隱含層節(jié)點到輸出層節(jié)點的傳遞函數(shù)為：Zpi = f2(X '）= ax ' +b，X = Σν,ι〕'/ν -貧， Μ ζρ1為輸出層節(jié)點輸出的M0S值，Vjl為第j個隱含層節(jié)點和輸出層節(jié)點間的網(wǎng)絡權值，θ:為輸 出層節(jié)點的閾值向量，f2(x)=ax+b，a和b為常數(shù)。
[0122] 若輸出節(jié)點的期望值為tpl，期望值tpl為樣本數(shù)據(jù)中的用戶主觀體驗M0S值，則輸 出節(jié)點的誤差指標函數(shù)為：
[0123] 如果在輸出層不能得到期望輸出值，則轉(zhuǎn)入反向傳播將誤差信號e(w)沿原來的聯(lián) 接通路返回，對各層節(jié)點間的權值進行優(yōu)化，直至在輸出層能得到期望輸出值。Levenberg-Marquardt優(yōu)化算法的各層節(jié)點間的權值的調(diào)整方法為：
[0124] Δ w= (JTJ = +yI)-Ye，其中，J為誤差對權值微分的Jacobian矩陣，e為誤差向量， μ為學習率。設wk表示第k次迭代的節(jié)點間的權值和節(jié)點的閾值所組成的向量，新的節(jié)點間 的權值和節(jié)點的閾值所組成的向量為:W k+1=wk+ △ W。
[0125] 當BP神經(jīng)網(wǎng)絡中的節(jié)點間的權值、節(jié)點的閾值向量及節(jié)點間的傳遞函數(shù)均確定以 后，BP神經(jīng)網(wǎng)絡模型便訓練完成。
[0126]圖6顯不了實施例3中所米用的BP網(wǎng)絡_旲型的不意圖，
[0127] 本發(fā)明實施例3提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法，相比于現(xiàn)有技術， 不僅在考慮了用戶交互行為對TCP視頻流業(yè)務QoE的影響的基礎上，使得該評估方法獲得的 評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準確度。而且，由于使 用了結(jié)構較佳的BP神經(jīng)網(wǎng)絡模型，因此，使得評估結(jié)果與用戶的真實體驗更接近，評估結(jié)果 更準確，評估效果更好好。
[0128] 實施例4
[0129] 作為實施例1至3中任一實施例的一種優(yōu)選方案，實施例4與實施例1至3中任一實 施例的不同之處在于，其中表征視頻播放流暢度、內(nèi)容吸引度和畫面清晰度的性能量化指 標具體如下：
[0130] (1)表征視頻播放的流暢度的性能量化指標包括：
[0131]已有研究提出過的三個應用層性能指標:初始緩沖時間、平均緩沖時長、重緩沖頻 率，以及兩個與用戶行為相關的指標:平均暫停時長、暫停頻率，來量化視頻播放的流暢度。
[0132] 需要說明的是，不管是丟包還是時延，網(wǎng)絡層性能最終都反應在應用層，因此，上 述三個應用層性能指標可以綜合反映網(wǎng)絡層和應用層的性能。
[0133] 初始緩沖時間Tinit，度量從視頻開始加載到首次開始播放的時間間隔。
[0134] 平均緩沖時長Tre3buf，視頻播放過程中，度量再緩沖時間間隔的平均值。
[0135] 重緩沖頻率fre3buf，視頻播放過程中，度量視頻重緩沖事件發(fā)生的頻率。
[0136] 平均暫停時長Tpa_，視頻播放過程中，度量暫停時間間隔的平均值
[0137] 暫停頻率fpa_，視頻播放過程中，度量暫停事件發(fā)生的頻率。
[0138] (2)表征視頻內(nèi)容的吸引度的性能量化指標包括:快進比例和后退比例。
[0139] 其中，快進比例：
[>,k指第k次向前跳轉(zhuǎn)的時間長度，njF是向 前跳轉(zhuǎn)的次數(shù)，ljF指向前跳轉(zhuǎn)的總時間長度，1 vide。為被評估視頻的總時長。
[0140] 其中，后退比例： TjB指第m次向后跳轉(zhuǎn)的時間長度，njB是向后 ：? 跳轉(zhuǎn)的次數(shù)，Ijb指向后跳轉(zhuǎn)的總時間長度。
[0141] (3)表征視頻畫面的清晰度的性能量化指標包括:平均視頻分辨率Dswlteh。
[0142]
其中，R為供用戶選擇的視頻分辨率，dr為用戶選擇的視頻分辨率， lr為用戶在分辨率dr下觀看待評估視頻的時長。其中，R的可選值包括:720P、480P和360P。
[0143] 本發(fā)明實施例4提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法，相比于現(xiàn)有技術， 不僅在考慮了用戶交互行為對TCP視頻流業(yè)務QoE的影響的基礎上，使得該評估方法獲得的 評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準確度。而且，由于使 用了 8個最能反映用戶體驗質(zhì)量的性能量化指標作為BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)，因此，使 得評估結(jié)果與用戶的真實體驗更接近，進一步提高了 TCP視頻流業(yè)務QoE評估的準確度，評 估效果更好。
[0144] 實施例5
[0145] 相應于上述方法實施例，如圖7所示，本發(fā)明還提供了一種TCP視頻流業(yè)務用戶體 驗質(zhì)量評估裝置，所述裝置包括：用戶交互行為監(jiān)測模塊701、性能量化指標獲取模塊702、 M0S值計算模塊703和評估模塊704，
[0146] 用戶交互行為監(jiān)測模塊701，用于監(jiān)測并記錄客戶端觀看待評估視頻時的用戶交 互行為，包括:暫停、快進、后退和所選擇的分辨率；
[0147] 當用戶通過客戶端觀看視頻時，在客戶端使用JavaScript通過HTML5視頻事件的 API控制瀏覽器上的播放器，監(jiān)測并記錄用戶在看視頻過程中的用戶交互行為。
[0148] 性能量化指標獲取模塊702,用于根據(jù)所述客戶端觀看待評估視頻時的網(wǎng)絡層性 能、應用層性能和所述用戶交互行為，獲取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫 面清晰度的多個性能量化指標；
[0149]其中，表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫面清晰度的多個性能量化 指標與實施例1中一致，此處不做重復描述。
[0150] M0S值計算模塊703,用于將每一所述性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用 戶主觀體驗M0S值；
[0151]同樣由于在BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)和輸出參數(shù)具有相關性時，才能應用BP神 經(jīng)網(wǎng)絡模型進行評估。因此，為了使BP神經(jīng)網(wǎng)絡模型的輸出為用戶體驗質(zhì)量M0S值，必須使 輸入BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)與M0S值相關。
[0152] 可以理解的是，在視頻播放過程中，用戶的體驗狀態(tài)(可以稱為隱狀態(tài))是無法得 知的，但在現(xiàn)實中是確定存在的，如用戶感到滿意或厭煩。而用戶在觀看視頻過程中的交互 行為是可觀測的，包括暫停、快進、切換視頻分辨率等操作。因此，可以將用戶的交互行為視 為用戶觀看視頻的體驗狀態(tài)的一種外在反映。也就是說，用戶交互行為在很多情況下能夠 反映出用戶體驗質(zhì)量，用戶交互行為與用戶體驗質(zhì)量具有相關性。
[0153] 但是為了嚴謹起見，與實施例1中一樣，本實施例中也采用HHM模型對用戶交互行 為(可觀測狀態(tài)）與用戶體驗相（隱狀態(tài))是否相關做了驗證，驗證結(jié)果表明，用戶交互行為 與用戶體驗具有相關性，可以將體現(xiàn)用戶交互行為的性能量化指標作為BP神經(jīng)網(wǎng)絡的輸入 參數(shù)，將BP神經(jīng)網(wǎng)絡模型的輸出參數(shù)作為M0S值。
[0154] 具體的，采用HHM模型驗證用戶交互行為與用戶體驗質(zhì)量的過程與實施例1中一 致，此處不做重復描述。
[0155] 另外，現(xiàn)有技術已經(jīng)證明，表征客戶端觀看待評估視頻時的網(wǎng)絡層性能和應用層 性能的性能量化指標與用戶體驗相關，因此，也可以將這些性能量化指標作為BP神經(jīng)網(wǎng)絡 的輸入?yún)?shù)。
[0156] 評估模塊704，用于根據(jù)所述M0S值，確定待評估視頻的用戶體驗質(zhì)量QoE。
[0157] M0S值是對QoE的定量描述，M0S值的取值一般為1至5的整數(shù)，從1到5分別對應很不 滿意、不滿意、一般、滿意和很滿意五種Q〇E。
[0158] 由于本發(fā)明實施例5提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置，不僅考慮了網(wǎng) 絡層和應用層性能指標對TCP視頻流業(yè)務QoE的影響，還考慮了用戶交互行為的影響，使得 該評估裝置獲得的評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準 確度，評估效果好。
[0159] 實施例6
[0160] 如圖8所示，在實施例5的基礎上，本發(fā)明實施例6還提供了另一種TCP視頻流業(yè)務 用戶體驗質(zhì)量評估裝置，與實施例5的不同之處在于，所述裝置還包括：用戶交互行為篩選 模塊705,用于對所述用戶交互行為監(jiān)測模塊監(jiān)測到的用戶交互行為進行篩選，并傳輸給所 述性能量化指標獲取模塊。
[0161]可以理解的是，用戶在觀看視頻過程中可能會作出各種各樣的交互行為，但其中 有些行為是用戶不經(jīng)常做的，發(fā)生的概率小，影響權重低，研究價值不大;有些用戶行為通 常是隨機出現(xiàn)的，帶有不確定性。因此，對用戶交互行為進行適當?shù)睾Y選，可以進一步提高 TCP視頻業(yè)務流的QoE評估的準確度。
[0162] 具體的，用戶交互行為篩選模塊705，包括：
[0163] 隨機用戶交互行為篩選單元，用于刪除所述用戶交互行為中的隨機用戶交互行 為；
[0164] 小概率用戶交互行為篩選單元，用于刪除所述用戶交互行為中的小概率用戶交互 行為。
[0165] 其中，隨機用戶交互行為篩選單元，包括：
[0166] 有效時間范圍確定子模塊，用于根據(jù)第一函數(shù)確定用戶交互行為的有效時間范 圍；其中，所述第一函數(shù)為：
，3為所述有效時間 范圍，tstart和分別表示待評估視頻的開始播放和播放結(jié)束的時刻，^為用戶交互行為發(fā) 生的時刻，T為預設的時間范圍；
[0167] 隨機用戶交互行為確定子模塊，用于根據(jù)所述有效時間范圍確定第二函數(shù)的輸出 值，將使所述第二函數(shù)的輸出值等于零的用戶交互行為確定為隨機用戶交互行為，并刪除 該隨機用戶交互行為;其中，所述第二函數(shù)為
是。4到。+3時間范圍內(nèi)，m 個用戶交互行為發(fā)生的時刻ta+j與ti的相對距離差d(a+j)i之和。
[0168] 另外，小概率用戶交互行為的確定方法包括：
[0169] 當所述用戶交互行為是預先統(tǒng)計獲得的小概率用戶交互行為時，確定為小概率用 戶交互行為。
[0170] 應用本發(fā)明實施例6提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置，相比于現(xiàn)有技 術，不僅在考慮了用戶交互行為對TCP視頻流業(yè)務QoE的影響的基礎上，使得該評估裝置獲 得的評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準確度。而且，對 用戶交互行為進行篩選后，可以進一步提高TCP視頻流業(yè)務QoE評估的準確度，評估效果更 佳。
[0171] 實施例7
[0172] 作為實施例5或?qū)嵤├?的一種優(yōu)選方案，實施例7與實施例5或?qū)嵤├?的不同之 處在于，本實施例中所采用的BP神經(jīng)網(wǎng)絡模型是通過利用樣本數(shù)據(jù)訓練獲得的，具體的訓 練過程與實施例3中描述的一致，此處不做重復描述。
[0173] 但需要說明的是，優(yōu)選的，訓練獲得的BP神經(jīng)網(wǎng)絡模型由輸入層、隱含層、輸出層 組成。輸入層包含8個輸入節(jié)點，將主觀評定實驗獲得的樣本數(shù)據(jù)轉(zhuǎn)化為8個性能量化指標 作為BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)，這8個性能量化指標為:初始緩沖時間、平均緩沖時長、重 緩沖頻率、平均暫停時長、暫停頻率、向前跳轉(zhuǎn)比例、向后跳轉(zhuǎn)比例、平均視頻分辨率。輸出 層包含一個輸出節(jié)點，即評估M0S值。對于隱含層節(jié)點數(shù)的選取，通過構造不同的隱節(jié)點數(shù) 的神經(jīng)網(wǎng)絡進行訓練，并根據(jù)每個神經(jīng)網(wǎng)絡的誤差收斂速度及表征擬合程度的均方誤差大 小的比較，可選擇N個隱節(jié)點的網(wǎng)絡結(jié)構，經(jīng)試驗證明，N取13時取得的評估結(jié)果最優(yōu)。
[0174] 本發(fā)明實施例7提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置，相比于現(xiàn)有技術， 不僅在考慮了用戶交互行為對TCP視頻流業(yè)務QoE的影響的基礎上，使得該評估裝置獲得的 評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準確度。而且，由于使 用了結(jié)構較佳的BP神經(jīng)網(wǎng)絡模型，因此，使得評估結(jié)果與用戶的真實體驗更接近，評估結(jié)果 更準確，評估效果更好。
[0175] 實施例8
[0176] 作為實施例5至7中任一實施例的一種優(yōu)選方案，實施例8與實施例5至7中任一實 施例的不同之處在于，其中表征視頻播放流暢度、內(nèi)容吸引度和畫面清晰度的性能量化指 標具體如下：
[0177] (1)表征視頻播放的流暢度的性能量化指標包括：
[0178]已有研究提出過的三個應用層性能指標:初始緩沖時間、平均緩沖時長、重緩沖頻 率，以及兩個與用戶行為相關的指標:平均暫停時長、暫停頻率，來量化視頻播放的流暢度。
[0179] 需要說明的是，不管是丟包還是時延，網(wǎng)絡層性能最終都反應在應用層，因此，上 述三個應用層性能指標可以綜合反映網(wǎng)絡層和應用層的性能。
[0180] 初始緩沖時間Tinit，度量從視頻開始加載到首次開始播放的時間間隔。
[0181 ]平均緩沖時長Tre3buf，視頻播放過程中，度量再緩沖時間間隔的平均值。
[0182] 重緩沖頻率fre3buf，視頻播放過程中，度量視頻重緩沖事件發(fā)生的頻率。
[0183] 平均暫停時長Tpa_，視頻播放過程中，度量暫停時間間隔的平均值
[0184] 暫停頻率fpa_，視頻播放過程中，度量暫停事件發(fā)生的頻率。
[0185] (2)表征視頻內(nèi)容的吸引度的性能量化指標包括:快進比例和后退比例。
[0186] 其中，快進比例：
F,k指第k次向前跳轉(zhuǎn)的時間長度，njF是向 前跳轉(zhuǎn)的次數(shù)，ljF指向前跳轉(zhuǎn)的總時間長度，1 vide。為被評估視頻的總時長。
[0187] 其中，后退比例：
W指第m次向后跳轉(zhuǎn)的時間長度，njB是向后 跳轉(zhuǎn)的次數(shù)，Ijb指向后跳轉(zhuǎn)的總時間長度。
[0188] (3)表征視頻畫面的清晰度的性能量化指標包括:平均視頻分辨率Dswlteh。
[0189] 其中，
（為供用戶選擇的視頻分辨率，dr為用戶選擇的視頻分辨率， lr為用戶在分辨率dr下觀看待評估視頻的時長。其中，R的可選值包括:720P、480P和360P。
[0190] 應用本發(fā)明實施例8提供的TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置，相比于現(xiàn)有技 術，不僅在考慮了用戶交互行為對TCP視頻流業(yè)務QoE的影響的基礎上，使得該評估裝置獲 得的評估結(jié)果與用戶的真實體驗更接近，提高了 TCP視頻流業(yè)務QoE評估的準確度。而且，由 于使用了 8個最能反映用戶體驗質(zhì)量的性能量化指標作為BP神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)，因 此，使得評估結(jié)果與用戶的真實體驗更接近，進一步提高了 TCP視頻流業(yè)務QoE評估的準確 度，評估效果更好。
[0191]對于裝置實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關 之處參見方法實施例的部分說明即可。
[0192]需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實 體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存 在任何這種實際的關系或者順序。而且，術語"包括"、"包含"或者其任何其他變體意在涵蓋 非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要 素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備 所固有的要素。在沒有更多限制的情況下，由語句"包括一個……"限定的要素，并不排除在 包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
[0193] 本說明書中的各個實施例均采用相關的方式描述，各個實施例之間相同相似的部 分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于裝置實 施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關之處參見方法實施例 的部分說明即可。
[0194] 以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在 本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍 內(nèi)。
【主權項】
1. 一種TCP視頻流業(yè)務用戶體驗質(zhì)量評估方法，其特征在于，所述方法包括： 5101、 監(jiān)測并記錄客戶端觀看待評估視頻時的用戶交互行為，包括暫停、快進、后退和 所選擇的分辨率； 5102、 根據(jù)所述客戶端觀看待評估視頻時的網(wǎng)絡層性能、應用層性能和所述用戶交互 行為，獲取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫面清晰度的多個性能量化指標； 5103、 將每一所述性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用戶主觀體驗MOS值； 5104、 根據(jù)所述MOS值，確定待評估視頻的用戶體驗質(zhì)量QoE。2. 根據(jù)權利要求1所述的方法，其特征在于，在執(zhí)行步驟SlOl后，并在執(zhí)行步驟S102前， 所述方法還包括： 篩選所述用戶交互行為。3. 根據(jù)權利要求2所述的方法，其特征在于，所述篩選所述用戶交互行為包括： 篩選并刪除所述用戶交互行為中的隨機用戶交互行為； 和/或，篩選并刪除所述用戶交互行為中的小概率用戶交互行為。4. 根據(jù)權利要求3所述的方法，其特征在于，所述隨機用戶交互行為的確定方法包括： 根據(jù)第一函數(shù)確定用戶交互行為的有效時間范圍；其中，所述第一函數(shù)為：』為所述有效時間范圍，WarJPt e3nd分別表示 待評估視頻的開始播放和播放結(jié)束的時刻，^為用戶交互行為發(fā)生的時刻，T為預設的時間 范圍； 根據(jù)所述有效時間范圍確定第二函數(shù)的輸出值，將使所述第二函數(shù)的輸出值等于零的 用戶交互行為確定為隨機用戶交互行為;其中，所述第二函數(shù)為是^4到^ +δ時間范圍內(nèi)，m個用戶交互行為發(fā)生的時刻ta+j與ti的相對距離差d(a+j)i之和； 所述小概率用戶交互行為的確定方法包括： 當所述用戶交互行為是預先統(tǒng)計獲得的小概率用戶交互行為時，確定為小概率用戶交 互行為。5. 根據(jù)權利要求1-4中任一項所述的方法，其特征在于，所述BP神經(jīng)網(wǎng)絡模型由輸入 層、隱含層和輸出層組成，輸入層節(jié)點的個數(shù)為8,隱含層節(jié)點的個數(shù)為13,輸出層節(jié)點的個 數(shù)為1。6. 根據(jù)權利要求1-4中任一項所述的方法，其特征在于，所述表征待評估視頻的播放流 暢度的性能量化指標包括:初始緩沖時間、平均緩沖時長、重緩沖頻率、平均暫停時長和暫 停頻率； 所述表征待評估視頻的內(nèi)容吸引度的性能量化指標包括:快進比例、后退比例； 所述表征待評估視頻的畫面清晰度的性能量化指標包括:視頻平均分辨率。7. -種TCP視頻流業(yè)務用戶體驗質(zhì)量評估裝置，其特征在于，所述裝置包括：用戶交互 行為監(jiān)測模塊、性能量化指標獲取模塊、MOS值計算模塊和評估模塊， 所述用戶交互行為監(jiān)測模塊，用于監(jiān)測并記錄客戶端觀看待評估視頻時的用戶交互行 為，包括:暫停、快進、后退和所選擇的分辨率； 所述性能量化指標獲取模塊，用于根據(jù)所述客戶端觀看待評估視頻時的網(wǎng)絡層性能、 應用層性能和所述用戶交互行為，獲取表征待評估視頻的播放流暢度、內(nèi)容吸引度和畫面 清晰度的多個性能量化指標； 所述MOS值計算模塊，用于將每一所述性能量化指標輸入BP神經(jīng)網(wǎng)絡模型，獲得用戶主 觀體驗MOS值； 所述評估模塊，用于根據(jù)所述MOS值，確定待評估視頻的用戶體驗質(zhì)量QoE。8. 根據(jù)權利要求7所述的裝置，其特征在于，所述裝置還包括:用戶交互行為篩選模塊， 用于對所述用戶交互行為監(jiān)測模塊監(jiān)測到的用戶交互行為進行篩選，并傳輸給所述性能量 化指標獲取模塊。9. 根據(jù)權利要求8所述的裝置，其特征在于，所述用戶交互行為篩選模塊，包括： 隨機用戶交互行為篩選單元，用于篩選并刪除所述用戶交互行為中的隨機用戶交互行 為； 小概率用戶交互行為篩選單元，用于篩選并刪除所述用戶交互行為中的小概率用戶交 互行為。10. 根據(jù)權利要求9所述的裝置，其特征在于，所述隨機用戶交互行為篩選單元，包括： 有效時間范圍確定子模塊，用于根據(jù)第一函數(shù)確定用戶交互行為的有效時間范圍；其 中，所述第一函數(shù)），S為所述有效時間范圍， tstart和分別表示待評估視頻的開始播放和播放結(jié)束的時刻山為用戶交互行為發(fā)生的 時刻，T為預設的時間范圍； 隨機用戶交互行為確定子模塊，用于根據(jù)所述有效時間范圍確定第二函數(shù)的輸出值， 將使所述第二函數(shù)的輸出值等于零的用戶交互行為確定為隨機用戶交互行為，并刪除該隨 機用戶交互行為;其中，所述第二函數(shù)為4是1-3到1+3時間范圍內(nèi)，m個用 戶交互行為發(fā)生的時刻丨^與ti的相對距尚差d(a+j)i之和。
【文檔編號】H04L29/06GK105897736SQ201610326745
【公開日】2016年8月24日
【申請日】2016年5月17日
【發(fā)明人】李文璟, 王瑞, 王瑞一, 孟洛明, 喻鵬
【申請人】北京郵電大學