MMS业务的QoE定义与测量

用户体验质量已成为移动通信中的一个热门话题,为了有效地测量多媒体短信业务(MMS)的用户体验质量,分析了QoE的定义以及它与传统QoS的区别,介绍了QoE的KQI和KPI之间的相互关系并建立起QoE的映射模型;然后,结合MMS业务的实现流程以及所涉及的网元设备详细定义了MMS业务中的KQIs与KPIs,最后,针对MMS业务提出了一种基于统计样本的QoE测量方案,通过测量明确KPIs与QoE之间的关系以及影响用户体验质量的因素,这对于提高用户的体验质量有重要意义.     

移动云计算用户QoE的模糊综合评价研究

提出了一种旨在对移动云计算产品使用过程中的QoE进行综合评价的模型。首先结合用户目标实现的有效性,建立了包括功能体验、技术体验、过程体验、人性化体验、结果体验5个维度的移动云计算用户QoE评价指标体系模型;然后采用层次分析法确定了指标体系中相关因素的权重,并根据模糊隶属度函数对QoE评价标准进行了模糊化处理;最后采用模糊评价方法对QoE进行评价。实例表明移动云计算用户QoE的综合性评估模型可以有效地对QoE进行综合性评价。     

基于用户QoE的流媒体系统性能测评模型设计

影响流媒体用户服务质量体验QoE(Quality of Experience)的因素有很多,如何对用户QoE进行量化判别是一个复杂的问题。为此,以媒体传输指标MDI为基础,研究了用于测量流媒体用户QoE的基本指标,并提出了相关测量数据的获取方法。以流媒体用户的实际体验质量为依据,提出了一种有效的流媒体系统性能评价模型,该模型为流媒体系统的性能分析和优化调整提供了理论基础,具有广泛的应用价值。     

移动流媒体用户QoE评估模型

HAS(HTTP Adaptive Streaming)能够实现流畅播放和视频质量的平衡,为用户提供更好的服务质量体验。大多数基于HAS的流媒体用户体验质量(Quality of Experience,QoE)模型考虑了当前系统或网络条件,但对用户所处环境的客观影响、用户心理因素的考虑较少。面向移动流媒体客户端的应用场景,从客观感知影响参数和心理效应影响参数两个方面来考虑移动端流媒体的QoE影响因素,设计用户QoE评估模型。提出移动设备抖动状态检测和用户观看位置检测方法,并将设备抖动状态、用户观看位置与流媒体服务质量相结合,再根据心理学系列位置效应来综合评估用户的质量体验情况。最后通过实验证明了所提的用户QoE模型能够提供准确有效且符合用户实际体验的QoE评估结果。     

MMS业务的QoE定义与测量

用户体验质量已成为移动通信中的一个热门话题,为了有效地测量多媒体短信业务（MMS）的用户体验质量,分析了QoE的定义以及它与传统QoS的区别,介绍了QoE的KQI和KPI之间的相互关系并建立起QoE的映射模型;然后,结合MMS业务的实现流程以及所涉及的网元设备详细定义了MMS业务中的KQIs与KPIs,最后,针对MMS业务提出了一种基于统计样本的QoE测量方案,通过测量明确KPIs与QoE之间的关系以及影响用户体验质量的因素,这对于提高用户的体验质量有重要意义。     

网络传输中IPTV的QoE评估模型的研究

IPTV是一种基于Internet的多媒体网络服务,由于Internet本身的不可靠性,使其在网络传输过程中无法保证服务质量。为了实时定量评估IPTV服务质量,提出了一种基于IPTV的用户体验评估模型,通过建立从网络服务质量QoS到用户体验质量QoE的映射关系,借助QoS测量技术,以实现针对QoE的在线评估。实验建立IPTV仿真平台,模拟真实网络环境下IPTV媒体流传输的整个过程,实现网络损伤QoS可控和QoE可测。针对不同编码和不同内容的视音频,分别建立独立的QoE评估模型。同时考虑到模型对数据精度和计算速度的需求,给出优化的QoE评估模型。实验结果表明,该评估模型与实际用户体验具有较高的拟合度。     

基于用户体验延迟的QoE层次评估模型

针对Web服务中难以获得反映用户体验的数据,且难以对用户体验质量（QoE）进行评估的问题,在分析了Web数据和现有评价方法的基础上,提出了一种融入用户体验延迟ED的QoE层次评价方法。该方法基于层次分析法,并结合人类生理主观感受,能够更加客观地衡量用户体验。通过相关案例验证了该方法的可行性。     

IPTV播放器内嵌QoE探针的设计与实现

为使网络电视(IPTV)业务中的QoE指标更准确地反映用户的真实体验,同时考虑到不同终端的异构性,提出一种在流媒体播放器下内嵌探针系统的设计架构,包括在播放器内部进行实时数据监测和相关指标计算的实现方案。该系统可以通过插件库的方式被多款终端平台集成与移植,使用事件驱动模型消除播放器实时触发QoE计算任务带来的解码延时和性能降低。实验结果表明,系统在突发延时和I帧丢包等时间点上统计得到的QoE指标相比传统方式更接近人眼感受,CPU和内存提升5%左右,额外资源开销有限,同时系统本身也具有较好的兼容性和扩展性。     

基于模糊层次分析法的网络业务性能评估模型

针对现有网络性能评估方案不能兼顾用户的业务偏好和网络实际情况以及指标权重计算方法存在片面性的问题,提出一种面向网络业务性能的综合评价模型。该模型考虑到用户偏好,以网络应用业务为导向,首先建立一种评价层次结构,分别确立层次结构中的准则权重和方案权重;然后对实际测量数据进行规格化处理;最后利用模糊层次分析法(AHP)进行计算得到目标链路中各业务的性能评估值。实验结果表明,所提模型不仅可以评估目标链路的整体性能情况,还可以结合用户业务偏好,对单个的网络业务的性能进行有效评估,有利于更好地实现区分服务的网络。     

流量业务用户感知模型建立及工程化应用

用户感知是终端用户对设备、网络和系统、应用或业务的质量和性能（包括有效性和可用性等方面）的综合主观感受,是终端用户对移动网络提供的业务性能主观感受.它以接近量化的方法来表示终端用户对业务与网络的体验和感受.本文通过层次分析法,建立QoE的评估模型.给出QoE评分的数学公式.并通过一个实例,示范评估过程.     

个人云存储体验质量测量工具的设计与实现

随着用户日益增长的网络存储需求,涌现出了大量个人云存储（PCS）服务平台。个人云存储终端用户使用过程中体验质量（QoE）的测量是终端用户和服务提供商所共同关注的问题。通过从控制流与数据流之间的不同特性方面分析了影响个人云存储体验质量的因素,从终端用户的角度提出了能合理评估个人云存储体验质量的指标,设计了精确测量体验质量评估指标的方法。利用被动测量技术,实现了一个面向终端用户的个人云存储服务体验质量测量工具,同时给出了工具实现中的进程抓包、网络流分类等问题的解决方案。实验结果表明,测量工具运行健壮,测量数据准确,可以用于从用户终端测量个人云存储服务QoE。     

An ANFIS model of quality of experience prediction in education

This paper presents a Quality of Experience (QoE) prediction model in a student-centered blended learning environment, equipped with appropriate technologically enriched classroom. The model uses ANFIS technique to infer the QoE from the individual subjective factors and the objective technical factors which altogether influence the perceived QoE. We explored the influence of subjective personality traits extroversion and neuroticism, as well as the learning style on QoE. The objective factors included in the model are technically measurable parameters latency, jitter, packet loss and bandwidth affecting Quality of Service (QoS) of the underlying technology. The findings presented in this paper are obtained from a case study which involved 8 teachers and 142 students from second and sixth grade in five primary schools in the Republic of Macedonia. The teachers involved in the project introduced game-based learning strategies in classes, including on-line videoconferences, streamed video content and classical face to face gaming. We constructed three ANFIS systems with seven and four input variables and compared their performances using the RMSE, MAPE and R² measurements. The results showed that perceived QoE can be reliably predicted by the student's personality traits and learning style as subjective factors and network jitter as an objective factor.     

Packet loss rate mapped to the quality of experience

In order to study the influence of packet loss on the users’ quality of experience QoE and establish the Mapping model of the two when the video transmit in the network, building a NS2?+?MyEvalvid simulation platform, by the method of modifying QoS parameters to simulate different degrees of packet loss, focus on the influence of packet loss on QoE and establish the mapping model between them. Experimental results show that, packet loss has a significant influence on Quality of experience. Packet loss rate and the Quality of experience presents a nonlinear relationship, and use Matlab to establish the mapping model, this model’s accuracy is high, easy to operate, can real-time detect packet loss has influence on the user’s quality of experience (QoE).     

服务功能链中基于机器学习的QoE评估与预测

在软件定义网络与网络功能虚拟化协同的网络架构下,只考虑单个服务质量（QoS）指标的服务功能链部署无法满足用户的多业务体验需求。提出一种基于机器学习的服务功能链部署模型。基于层次分析法构造MPNQ2算法以建立QoS与体验质量（QoE）的映射关系,得出影响QoE的网络参数并评估其影响权重。在此基础上,利用具备较强综合学习和泛化能力的随机森林模型对服务功能链的QoE进行预测。实验结果表明,与梯度提升决策树、线性判别分析等机器学习模型相比,随机森林模型为预测QoE的最佳模型,同时在影响QoE的网络参数中,丢包率对服务功能链的部署影响最大。     

一种基于视频分类的码率自适应算法

流媒体的码率自适应算法依据网络状态动态调节视频块的码率,提升用户体验质量,但忽略了视频类型的差异对用户体验质量的影响,导致算法性能下降。提出区分视频类型特征的码率选择算法C-ABR。设计相应的用户体验质量效用函数,使用强化学习算法训练模型A3C,提升用户体验质量。实验结果说明,相对于典型的码率自适应算法Pensieve和MPC,C-ABR算法用户体验质量分别提升22.7%和50.4%。     

移动视频体验质量的量化评价模型

移动视频体验质量（QoE）的研究正变得日益重要,现有的QoE评价模型缺少相应的量化方法。结合移动视频业务的特点,提出了两层权值的QoE量化评价模型,即QoE由六种“影响层面”按各自的一级权值叠加而成;进一步地,每个“影响层面”又由多个“影响因素”构成。除了丢包和抖动两个“影响因素”外,其他“影响因素”均具有独立的二级权值。提出通过层次分析法（AHP）计算出所有的一级权值,并且进一步计算出除了丢包、抖动外的其他二级权值。由于丢包和抖动这两个影响因素相互依赖,无法计算各自的二级权值,因此通过网络模拟实验,找出两者的双变量函数f（丢包,抖动）,由此得到完整的两层权值QoE量化评价模型。所提QoE量化评价模型通过测评人员的QoE评分进行验证,实验结果表明该模型获得了较高的准确度,证明了上述模型量化方法的可靠性。     

Compressed-domain-based no-reference video quality assessment model considering fast motion and scene change

Due to the variability of wireless channel state, video quality monitoring became very important for guaranteeing users’ Quality of Experience (QoE). QoE presents the overall perceptual quality of service from the subjective users’ perspective. However, because of diverse characteristics of video content, Human Visual System (HVS) cannot give the same attention to whole scene simultaneously when facing video sequence. In this paper, we proposed a video quality assessment model by considering the influence of fast motion and scene change. The motion change contribution factor and scene change contribution factor are defined to quantify the characteristics of video content, which is closely related to the users’ QoE. Based on G.1070, our proposed model considers the influential factors of loss nature of video coding, variability of practical network and video features. Also, the proposed model owns low computational complexity due to the compressed domain approach for the estimation of the model parameters. Therefore, the video quality is assessed without fully decoding the video stream. The performance of our proposed model has been compared with five existing models and the results also shown that our model has high prediction accuracy closing to human perception.     

认知无线电中基于QoS分级的频谱分配策略

为提高认知无线电中的系统吞吐量,保证频谱分配的公平性,提出一种基于服务质量(QoS)分级的频谱分配策略。建立模糊综合判决模型,根据认知用户的业务类型判别其QoS级别,应用CMSB信道分配算法进行频谱分配。仿真实验结果表明,该频谱分配策略能在满足认知用户QoS需求的同时,保证较高的系统吞吐量和接入公平性。