[发明专利]基于神经网络适用于加密流量的视频QoE指标预测方法

权利要求书

1.基于神经网络适用于加密流量的视频QoE指标预测方法，其特征在于：包括如下步骤：

步骤1、抽取视频流中的上行数据包的往返时延信息并构建输入向量；

其中，往返时延，即Round-Trip Time,简称RTT；视频流是以五元组定义的，每条视频流中包含n个数据包；输入向量，记为T；

抽取视频流，构建输入向量的具体操作为：

1.A针对启动时延，估计在t秒时间内视频有没有播放需要提取t*s个RTT作为输入向量T，如果RTT个数小于t*s则填充0，至向量个数为t*s；

其中，s的范围为50到100；

1.B对卡顿和视频分辨率来说，构建的输入向量T包含T_f和T_s,分别代表前后两个T_f和T_s时间窗口w内的RTT信息；

步骤2、构建包含卷积层和全连接层的神经网络模型；

其中，卷积层的层数为c；全连接层的层数为q；

步骤3将步骤1输构建的输入向量送入步骤2构建的神经网络模型中，抽取特征、执行全连接层并预测视频QoE指标，具体为：

步骤3.1经神经网络模型中的c个卷积层依次抽取特征，最后一层卷积层输出特征F，具体通过公式(1)实现：

F＝CNN(T,θ) (1)

其中，θ为神经网络模型的超参数；

步骤3.2在卷积层抽取完特征F之后，使用q层全连接层基于公式(2)来计算特征F的表示结果

其中，W_f和b_f代表神经网络模型中全连接层的权重和偏置；Softplus为全连接层的用到激活函数；

步骤3.3使用公式(3)的Softmax函数预测视频QoE指标；

其中，视频QoE指标是指启动时延、卡顿和视频分辨率，预测结果用表示；

H_i依照公式(4)计算；

其中，W_v和b_v代表神经网络模型中全连接层的权重和偏置；

步骤3.3损失函数的定义，损失函数如公式(5)所示:

其中，和分别表示交叉熵损失函数和置信度约束损失函数，和的计算方法分别参照公式(6)和公式(7)，α代表权重；

其中，y_ic代表真实的结果,c代表预测结果的指标类别，C代表预测结果的预测范围，|X|代表预测的实例X的数量；

步骤4、使用神经网络模型估计视频QoE指标，具体为：将要估计的视频的加密流量的RTT信息放入训练好的神经网络模型中即可进行预测。

2.根据权利要求1所述的基于神经网络适用于加密流量的视频QoE指标预测方法，其特征在于：1.B中，T_f和T_s的RTT个数均为s，不足s个的填充0至s。

3.根据权利要求1所述的基于神经网络适用于加密流量的视频QoE指标预测方法，其特征在于：1.B中RTT的数量与特征数量相同，均为s。

4.根据权利要求1所述的基于神经网络适用于加密流量的视频QoE指标预测方法，其特征在于：步骤2中，c的取值范围为2到5；q的取值范围为1到3。

5.根据权利要求1所述的基于神经网络适用于加密流量的视频QoE指标预测方法，其特征在于：步骤3.1中每个卷积层中的卷积操作个数为2。