本發(fā)明屬于數(shù)字信息的傳輸技術(shù)中的數(shù)據(jù)交換網(wǎng)絡(luò)領(lǐng)域，具體涉及一種基于體驗(yàn)質(zhì)量建模分析及會(huì)話流分類的方法。

背景技術(shù)：

隨著4G技術(shù)的成熟和5G技術(shù)的發(fā)展，智能設(shè)備的日臻完善，網(wǎng)絡(luò)多媒體也呈現(xiàn)出更多的種類和流量業(yè)務(wù)的擴(kuò)大，其中以網(wǎng)絡(luò)直播、視頻對話、2D、3D大型游戲?yàn)榇淼臅?huì)話類流尤為突出，由于人們的感官限制，會(huì)話類業(yè)務(wù)的最大特點(diǎn)就是實(shí)時(shí)性要求高、端到端時(shí)延小、業(yè)務(wù)量上下行呈現(xiàn)明顯特征；而對于丟包率和錯(cuò)包率來說，人類的耳朵和眼睛卻沒有那么敏感，可以允許一些短暫的話音停頓和畫面馬賽克現(xiàn)象。

網(wǎng)絡(luò)混合流分類與網(wǎng)絡(luò)流體驗(yàn)質(zhì)量建模分析一直是科研人員的研究重點(diǎn)，在體驗(yàn)質(zhì)量建模分析方面，科研人員一般以網(wǎng)絡(luò)層服務(wù)質(zhì)量參數(shù)、應(yīng)用層服務(wù)質(zhì)量參數(shù)、應(yīng)用層體驗(yàn)質(zhì)量為基礎(chǔ)，得到相應(yīng)的參數(shù)指標(biāo)，通過兩層映射或者三層映射來建立合理的模型。同時(shí)，為了更好地加入主觀因素，在模型中，會(huì)經(jīng)常加入心理-物理學(xué)領(lǐng)域的韋伯費(fèi)希納定律，以研究主觀用戶的心理量與物理量之間的關(guān)系。隨著機(jī)器學(xué)習(xí)算法的蓬勃發(fā)展以及組織和擬合參數(shù)的優(yōu)點(diǎn)，使得在建模擬合方面加入了很多機(jī)器學(xué)習(xí)算法。例如：神經(jīng)網(wǎng)絡(luò)、模糊推理系統(tǒng)FIS、增強(qiáng)學(xué)習(xí)等。隨著移動(dòng)智能終端的發(fā)展，學(xué)術(shù)研究也從傳統(tǒng)的PC端向移動(dòng)終端轉(zhuǎn)變。

網(wǎng)絡(luò)業(yè)務(wù)流分類也是學(xué)術(shù)研究的重要方向之一，互聯(lián)網(wǎng)的發(fā)展帶動(dòng)了多媒體的形式多樣化和復(fù)雜化。如何在有限的網(wǎng)絡(luò)中，對多媒體混合流進(jìn)行正確的分類是非常重要的。多媒體業(yè)務(wù)總體分為四類：流類、背景類、交互類以及會(huì)話類。不同類型的業(yè)務(wù)流有著不同的特征，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。對多媒體混合業(yè)務(wù)流通過不同的特征集就可以很好地進(jìn)行分類，選取不同的分類方式和特征集對于分類效果是不同的。但現(xiàn)有分類模型都是基于服務(wù)質(zhì)量上的特征參數(shù)進(jìn)行思考的，忽略了體驗(yàn)質(zhì)量方面所提取的特征，在一定程度上，沒有對多媒體業(yè)務(wù)流進(jìn)行全面的分析。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對上述不足之處，對現(xiàn)有模型進(jìn)行了改進(jìn)，將模型的服務(wù)質(zhì)量具體化為相關(guān)服務(wù)質(zhì)量參數(shù)：平均包時(shí)間間隔、時(shí)延抖動(dòng)、吞吐量。并設(shè)置了影響因子和權(quán)重系數(shù)。使得模型能夠很好的對具體流進(jìn)行建模，使得模型具體化。模型中，通過分析得到最明顯的平均意見值概率分布，然后以峰值的形式加入到多媒體混合流的特征集中。因?yàn)樵诿黠@的平均意見值概率分布下，得到的特征具有很高的信息增益率，加入到特征集后，使得整體特征集的信息增益率值增加，因此能夠很好的對多媒體混合流進(jìn)行分類，提高準(zhǔn)確率。

為實(shí)現(xiàn)上述目的，本發(fā)明提出的技術(shù)方案是一種基于體驗(yàn)質(zhì)量建模分析及會(huì)話流分類的方法，包括以下步驟：

步驟1：設(shè)置網(wǎng)絡(luò)環(huán)境，通過網(wǎng)絡(luò)封包分析軟件實(shí)時(shí)采集會(huì)話類相關(guān)信息；

步驟2：通過對五元組進(jìn)行提取算，得到選取的服務(wù)質(zhì)量參數(shù)；

步驟3：為了保證數(shù)據(jù)的統(tǒng)一性和得到準(zhǔn)確的碼本，需要對服務(wù)質(zhì)量進(jìn)行無量綱歸一化處理和通過LBG算法對特征集進(jìn)行碼本最優(yōu)化處理；

步驟4：經(jīng)過前面的數(shù)據(jù)處理得到優(yōu)質(zhì)的服務(wù)質(zhì)量參數(shù)，在服務(wù)質(zhì)量-體驗(yàn)質(zhì)量映射模型下，通過改進(jìn)的體驗(yàn)質(zhì)量模型，將服務(wù)質(zhì)量具體量化為模型中的參數(shù)，得出服務(wù)質(zhì)量參數(shù)與體驗(yàn)質(zhì)量的平均意見值之間的關(guān)系；

步驟5：綜合分析當(dāng)固定其中一個(gè)參數(shù)時(shí)，另外兩個(gè)服務(wù)質(zhì)量參數(shù)與平均意見值概率分布狀況的關(guān)系，選取其中分布最明顯的情況；

步驟6：設(shè)定選取最明顯的情況，概率分布以峰值的形式加入到原始特征集中，對會(huì)話類混合流進(jìn)行流識別。

進(jìn)一步，上述步驟1中，采集的會(huì)話類相關(guān)信息包含：采集的時(shí)間、源IP地址、目的IP地址、協(xié)議信息、包大小五元組。

上述步驟2中，通過計(jì)算得到的服務(wù)質(zhì)量參數(shù)包含：平均包時(shí)間間隔、時(shí)延抖動(dòng)、吞吐量三個(gè)參數(shù)。

上述步驟3中，所述無量綱歸一化處理采用高斯歸一化無量綱處理，公式為：其中Xi表示某個(gè)服務(wù)質(zhì)量參數(shù)值，置信區(qū)間為99.7％，同時(shí)，為了保證數(shù)據(jù)的非負(fù)行，整體平移了一個(gè)單位。

上述步驟3中，所述LBG算法的步驟如下：

(1)計(jì)算K維空間里訓(xùn)練值的中心點(diǎn):M0,作為初始值，并設(shè)定為第0層；

(2)在初始值的基礎(chǔ)上，一分為二，通過K近鄰算法得出中心點(diǎn)：M11、M12，設(shè)為第1層；M11、M12為分別為第一層的第一個(gè)區(qū)域、第二個(gè)區(qū)域；

(3)在二個(gè)區(qū)域中，重復(fù)第一步、第二步；將空間分為4個(gè)部分，并得出中心點(diǎn)：M21、M22、M23、M24,設(shè)為第二層，M21、M22、M23、M24分別為第二層的第一個(gè)區(qū)域、第二個(gè)區(qū)域、第三個(gè)區(qū)域、第四個(gè)區(qū)域；

(4)依次類推，當(dāng)層數(shù)N趨于無窮大的時(shí)候，K維空間變小；每一層則只有一個(gè)點(diǎn)，即為中心點(diǎn)；

(5)此時(shí)中心點(diǎn)的概率分布則是訓(xùn)練集的空間分布。

上述步驟4中的服務(wù)質(zhì)量參數(shù)與體驗(yàn)質(zhì)量關(guān)系是：

QoE(i)＝s×log(QoS(i))+r，

其中，a、b為影響因子，k1、k2、k3為參數(shù)，s和r是韋伯費(fèi)希納定律中的敏感度和公平度。

步驟5中，所述選取最明顯的情況具體包括：

(1)固定某一個(gè)特征值，將歸一化并平移且區(qū)間為[0,2]的參數(shù)根據(jù)設(shè)置分為三段[0,0.7]、[0.7,1.4]、[1.4,2]；

(2)分別統(tǒng)一設(shè)置為0.35、1.05、1.7，代入到改進(jìn)型的模型中，得出相應(yīng)的平均意見值；

(3)分別研究當(dāng)平均包時(shí)間間隔、吞吐量、時(shí)延抖動(dòng)分別取0.35、1.05、1.7的情況下，另外兩個(gè)參數(shù)與平均意見值概率分布的關(guān)系；

(4)通過對比，選取最明顯的情形，然后將概率分布值以峰值的形式加入到特征集中，對會(huì)話類混合流進(jìn)行流識別。

與現(xiàn)有的模型及混合流識別的現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

(1)為了研究時(shí)延抖動(dòng)對體驗(yàn)質(zhì)量的影響程度，本發(fā)明單獨(dú)研究會(huì)話類流，會(huì)話流對時(shí)延抖動(dòng)參數(shù)要求非常嚴(yán)格，加入時(shí)延抖動(dòng)，能夠更好地研究這一因素對體驗(yàn)質(zhì)量的影響做了參考。

(2)本發(fā)明改進(jìn)了體驗(yàn)質(zhì)量計(jì)算模型，在原有模型的基礎(chǔ)上，改進(jìn)了服務(wù)質(zhì)量的計(jì)算方法，改進(jìn)了體驗(yàn)質(zhì)量與平均意見值的對應(yīng)關(guān)系；加入了時(shí)延抖動(dòng)、吞吐量、平均包時(shí)間間隔等服務(wù)質(zhì)量參數(shù)，得到更準(zhǔn)確的平均意見值。

(3)模型的服務(wù)質(zhì)量值中，本發(fā)明將某個(gè)特征固定下，最明顯的平均意見值概率分布的情況以特征的形式加入到原始特征集中，以進(jìn)行會(huì)話類流識別，以提高流分類的準(zhǔn)確度。

附圖說明

圖1為本發(fā)明的整體流程圖。

具體實(shí)施方式

現(xiàn)結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)的說明。此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實(shí)施例及其僅說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。

如圖1所示，本發(fā)明包含以下步驟：

步驟1：設(shè)置網(wǎng)絡(luò)環(huán)境，通過網(wǎng)絡(luò)封包分析軟件，比如wireshark，實(shí)時(shí)采集會(huì)話類相關(guān)信息。

步驟2：通過對五元組進(jìn)行提取計(jì)算，得到選取的服務(wù)質(zhì)量參數(shù)。

步驟3：為了保證數(shù)據(jù)的統(tǒng)一性和得到準(zhǔn)確的碼本，需要對服務(wù)質(zhì)量進(jìn)行無量綱歸一化處理和通過LBG算法對特征集進(jìn)行碼本最優(yōu)化處理。

步驟4：經(jīng)過前面的數(shù)據(jù)處理得到優(yōu)質(zhì)的服務(wù)質(zhì)量參數(shù)，在服務(wù)質(zhì)量-體驗(yàn)質(zhì)量映射模型下，通過改進(jìn)的體驗(yàn)質(zhì)量模型，將服務(wù)質(zhì)量具體量化為模型中的參數(shù)，得出服務(wù)質(zhì)量參數(shù)與體驗(yàn)質(zhì)量的平均意見值之間的關(guān)系。

步驟5：綜合分析當(dāng)固定其中一個(gè)參數(shù)時(shí)，另外兩個(gè)服務(wù)質(zhì)量參數(shù)與平均意見值概率分布狀況的關(guān)系，選取其中分布最明顯的情況。

步驟6：設(shè)定選取最明顯的情況，概率分布以峰值的形式加入到原始特征集中，對會(huì)話類混合流進(jìn)行流識別。

步驟1中，采集的會(huì)話類相關(guān)信息具體包含：采集的時(shí)間、源IP地址、目的IP地址、協(xié)議信息、包大小五元組。步驟2中，通過計(jì)算得到的服務(wù)質(zhì)量參數(shù)包含：平均包時(shí)間間隔、時(shí)延抖動(dòng)、吞吐量三個(gè)參數(shù)。

步驟3中，通過對數(shù)據(jù)的分布進(jìn)行觀察，可以得出數(shù)據(jù)呈現(xiàn)正態(tài)分布，所以采用的高斯歸一化無量綱處理，公式為：其中Xi表示某個(gè)服務(wù)質(zhì)量參數(shù)值，我們?nèi)×酥眯艆^(qū)間為99.7％。同時(shí)，為了保證數(shù)據(jù)的非負(fù)行，整體平移了一個(gè)單位。LBG算法按照以下步驟：

(1)計(jì)算K維空間里訓(xùn)練值的中心點(diǎn)M0，作為初始值，并設(shè)定為第0層；

(2)在初始值的基礎(chǔ)上，一分為二，通過K近鄰算法(K-NN)，得出中心點(diǎn)：M11、M12，設(shè)為第1層；M11為第一層第一個(gè)區(qū)域，M12為第一層第二個(gè)區(qū)域。

(3)在二個(gè)區(qū)域中，重復(fù)第一步、第二步；將空間分為4個(gè)部分，并得出中心點(diǎn)：M21、M22、M23、M24,設(shè)為第二層，M21、M22、M23、M24分別表示第二層的第一個(gè)區(qū)域，第二個(gè)區(qū)域，第三個(gè)區(qū)域，第四個(gè)區(qū)域。

(4)依次類推，當(dāng)層數(shù)N趨于無窮大的時(shí)候，K維空間變??；每一層則只有一個(gè)點(diǎn)，即為中心點(diǎn)；

(5)此時(shí)，中心點(diǎn)的概率分布則是訓(xùn)練集的空間分布。

步驟4中的服務(wù)質(zhì)量參數(shù)與體驗(yàn)質(zhì)量關(guān)系是：

QoE(i)＝s×log(QoS(i))+r(2)

其中，a、b為影響因子，k1、k2、k3為參數(shù)，s和r是韋伯費(fèi)希納定律中的敏感度和公平度。

步驟5中的選取最明顯的情況具體包括：

(1)固定某一個(gè)特征值，將歸一化并平移且區(qū)間為[0,2]的參數(shù)根據(jù)設(shè)置分為三段[0,0.7]、[0.7,1.4]、[1.4,2]；

(2)分別統(tǒng)一設(shè)置為0.35、1.05、1.7，代入到改進(jìn)型的模型中，得出相應(yīng)的平均意見值；

(3)分別研究當(dāng)平均包時(shí)間間隔、吞吐量、時(shí)延抖動(dòng)分別取0.35、1.05、1.7的情況下，另外兩個(gè)參數(shù)與平均意見值概率分布的關(guān)系；

(4)通過對比，選取最明顯的情形，然后將概率分布值以峰值的形式加入到特征集中，對會(huì)話類混合流進(jìn)行流識別。

傳統(tǒng)的模型中大多考慮多種多媒體業(yè)務(wù)流，不同的業(yè)務(wù)流其服務(wù)質(zhì)量參數(shù)重要度不同。如時(shí)延抖動(dòng)，在交互類流中，因?yàn)橄拗戚^小，因此有時(shí)未加入研究，如國際標(biāo)準(zhǔn)ITU-P.1201的體驗(yàn)質(zhì)量預(yù)測模型就沒有進(jìn)行考慮。為了研究時(shí)延抖動(dòng)對體驗(yàn)質(zhì)量的影響程度，本發(fā)明單獨(dú)研究會(huì)話類流，會(huì)話流對時(shí)延抖動(dòng)參數(shù)要求非常嚴(yán)格。加入時(shí)延抖動(dòng)，能夠更好的研究這一因素對體驗(yàn)質(zhì)量的影響做了參考。

本發(fā)明不局限于上述實(shí)施例所述的具體技術(shù)方案，凡采用等同替換形成的技術(shù)方案均屬于本發(fā)明的保護(hù)范圍。