[发明专利]基于多任务学习和层次分类的加密流量QoE检测方法及系统

权利要求书

1.一种基于多任务学习和层次分类的加密流量QoE检测方法，其特征在于，包括以下步骤：

模拟真实网络环境重复播放训练用的视频，并对视频质量、是否中断缓冲、初始缓冲时长这三个特征打上QoE指标标签，并根据播放期间下达的流量包个数绘制流量趋势图；

利用训练数据对卷积神经网络CNN进行分类训练，并利用训练好的CNN按照视频质量、是否中断缓冲以及初始缓冲时长进行分类；

利用训练好的CNN所分类出的初始缓冲时长指标对分层算法进行训练，利用分层算法将一较短初始缓冲时长的原特征与其经训练好的CNN分类出的指标特征相连接，推断一较长初始缓冲时长的特征，以此推断得到不同初始缓冲时长指标；

利用训练好的CNN分类出的视频质量、是否中断缓冲、最低初始缓冲时长指标与分层算法推断出的不同初始缓冲时长指标对多任务学习算法进行训练，分类出视频质量、是否中断缓冲以及不同初始缓冲时长的QoE指标；

统计待测视频流量不同时间段下达的流量包个数，绘制流量趋势图，并将该流量趋势图输入到训练好的CNN中，通过训练好的CNN、分层算法和多任务学习算法进行处理，最终得到所述待测视频流量的QoE指标。

2.如权利要求1所述的方法，其特征在于，训练用的视频为来自于不同网站和不同类别的视频，储存在一视频地址集中。

3.如权利要求1所述的方法，其特征在于，使用Selenium Webdrive编写视频自动播放脚本，来播放训练用的视频。

4.如权利要求1所述的方法，其特征在于，使用Network Emulation去模拟真实网络环境。

5.如权利要求1所述的方法，其特征在于，模拟的真实网络环境包括不同网速的网络和不稳定网络。

6.如权利要求1所述的方法，其特征在于，在远程服务器上使用TCPDUMP捕捉播放训练用的视频时产生的数据流量，并滤除掉播放失败的数据包或播放环境与设定环境不一致的数据包。

7.如权利要求1所述的方法，其特征在于，使用IFrame API工具给要播放的训练用的视频数据打上QoE指标标签。

8.如权利要求1所述的方法，其特征在于，训练用的视频长度优选2分钟，视频质量包括360P、720P、1080P、4K中的几种，初始缓冲时长包括1s、3s和5s。

9.一种基于多任务学习和层次分类的加密流量QoE检测系统，其特征在于，包括存储器和处理器，在该存储器上存储有计算机程序，该处理器执行该程序时实现权利要求1-8任一项所述的方法的步骤。

10.一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法的步骤。