[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

说明书

本发明涉及基于神经网络适用于加密流量的视频QoE指标预测方法，属于加密网络流量分类以及视频QoE预测技术领域。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；步骤2、构建包含卷积层和全连接层的神经网络模型；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；步骤4、使用神经网络模型估计视频QoE指标。所述视频QoE指标预测方法，对视频QoE指标进行细粒度预测，相对于原有的预测方法来说，预测粒度更细。

技术领域

本发明涉及基于神经网络适用于加密流量的视频QoE指标预测方法，属于加密网络流量分类以及视频QoE预测技术领域。

背景技术

加密视频流量分析依赖于对加密传输协议进行分析，从流量的数据包大小、时间戳、标志位等信息挖掘出对流量分类有用的信息，依赖于机器学习方法等对加密流量进行分类，辅助于网络流量调度、路由规划等。常用的网络流量分类方法包括依赖于时间戳信息的动态时序规整结合K近邻方法、依赖于数据包大小的随机森林分来方法和依赖于数据包标志位的马尔可夫状态链方法等。

视频QoE(Quality of Experience)指的是用户对视频的体验质量，和用户的主观感受相关。目前衡量视频QoE分为主观评估法和客观评估法。主观评估法是基于用户感受的进行量化的方法，客观评估法是根据客观指标如视频的分辨率等映射视频QoE指标。在明文环境下，可以依赖深度数据包检测对视频QoE指标如分辨率、卡顿等进行识别。采用加密协议之后，在数据包中的QoE指标无法通过深度数据包检测获取，需要通过加密流量分析的手段来获取视频的QoE指标。

目前针对加密视频流量进行QoE指标预测方面，可检索到的文献中，有文献提出了使用数据包的包重传、丢包、Bytes-in-flight等信息的统计特征，运用随机森林分类方法估计视频的初始时延、卡顿等QoE指标，然而，此方法需要等整个视频加载完成，不能做到实时预测。另有文献提出了使用数据包长度、数据包的时间戳、标志位等信息，使用决策树分类方法来估计视频的初始时延、卡顿、分辨率等QoE指标。然而，此文献所述方法对初始时延的识别仅可做到该方法对加密视频QoE的预测粒度不够细，不能做到细粒度识别。

综上所述在现有的适用于加密流量的视频QoE指标预测方法存在无法实时预测以及预测粒度不够细等问题。

发明内容

本发明的目的在于解决加密流量的视频QoE指标预测中无法做到实时以及QoE指标的粒度不够细的技术缺陷，提出了一种基于神经网络适用于加密流量的视频QoE指标预测方法，辅助网络服务提供商进行流量优化调度，实现视频QoE指标的实时预测以及细粒度预测。

所述基于神经网络适用于加密流量的视频QoE指标预测方法，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；

其中，T_f和T_s的RTT个数均为s，不足s个的填充0至s，RTT的数量与特征数量相同，均为s；