多維吸引子構成模型的視頻業務QoE優化

朱慶華，陳 禹,2，常 瑩，陸鏡宇

(1.北京電子科技職業學院 電信工程學院，北京 100176；2.北京郵電大學 信息與通信工程學院，北京 100876)

0 引 言

現如今5G移動通信編碼標準的確定，無線通信網絡的發展會有更廣闊的前景[1,2]。隨著無線多媒體通信技術和視頻壓縮技術的迅速發展和廣泛應用，各種數字視頻應用已經深入人們的生活，因此對于數字視頻質量評估技術及優化的研究顯得尤為重要[3]。在傳統無線視頻傳輸網絡系統中，通常把帶寬(band width)、時延(time delay)、抖動(jittering)、丟包率(packet loss rate)等服務質量(quality of service，QoS)參數作為衡量業務質量的指標[4]。然而，移動互聯網業務中的視頻業務，業務質量的評價跟無線網絡物理層的傳輸參數、用戶的體驗環境和視頻業務的特點有關，通常使用體驗質量(quality of experience，QoE)來評價用戶質量[5]。QoE從用戶的角度來評估業務質量，屬于業務層面和應用的保障機制，在相關的QoS參數的基礎上，還結合了業務的特點，能夠較好地反映用戶的主觀感受，同時對于不同類型的業務，QoS/QoE的需求也是不同的[6,7]。因此對視頻業務質量的評價正在經歷從QoS到QoE的轉變[8]。

為了提升未來無線多層網絡覆蓋場景中視頻業務QoE感知的優化方法，本文利用生物信息學的細胞吸引子選擇算法出發提出了一種基于多維吸引子構成模型的視頻業務流量分配策略，通過持續的反饋-調整閉環機制以自治并自適應地改變調整該場景中各個無線視頻傳輸線路流量的比例，最終達到未來無線多層覆蓋網絡狀況惡化時保障用戶視頻業務QoE的目的。

1 算法提出

生物信息學是當今研究的熱點，其跨學科領域的使用對通信多媒體等專業具有極大的幫助。目前，大阪一所高校的研究隊伍在利用觀察一種腸道細菌的適應行為后提出了一種基于“吸引子”選擇的適應性響應模型(adaptive response byattractor selection，ARAS)[9]，研究發現該種細菌細胞能合成A、B對其存活生長極為重要的兩種營養物質。但是合成該兩種A、B營養物質確是成相互抑制與影響的，同時這兩種營養物質都會單獨影響細菌本身不同的mRNA的表達。

ARAS屬于“二維吸引子”模型，表達生物在動態生長環境中自發自適應地調整自身的新陳代謝狀況，是一種生物對外部環境的適應行為。生物的適應行為適用于建模成非線性動態系統所對應的相空間進行研究。由于相空間具有很大的維度，相空間的任一點表示了系統中所有細節的整個物理態，包括位置和動量坐標。在一個巨大維數的空間里的每個點用來表示系統全部可能的狀態，同時也就有一相對應的相空間的點。在相空間中，對一個可行解x，其屬于非線性動態系統，如果起始于其附近的路徑并最終收斂到x，說明x是穩定解。如果附近所有非定常流從有界集出發，并都收斂于x，則x是吸引子。適應性響應模型表達的就是：生物保持活力是通過動態選擇對環境適應的吸引子來實現的，模型如式(1)所示

(1)

該模型動態地反映了生物中兩種mRNA的濃度。其中m1，m2分別表示與A、B兩種營養物質相關聯的兩種mRNA的濃度，一對(m1，m2)就決定了生物的生長狀態。A(0≤A≤1)表示生物的活躍程度，反映了當前的生物生長狀態，營養物質的代謝水平。式(1)右側表示生物mRNA濃度的變化率，影響mRNA濃度變化率有2個方面因素：①營養物質的代謝水平，主要包括其合成速度S(A)和分解速度D(A)。②環境噪聲ηi，主要指生物代謝中各種內在與外在受影響的固有因素。由上述定義的動態系統存在兩個穩定狀態：m1?m2和m1?m2，即如圖1所示的兩處“凹陷”，也叫做兩個吸引子，同時也叫做二維吸引子。如果假設：有一個生物正處于某一個吸引子狀態，m1?m2表示生物合成營養物質A較多，并且此時A,B營養物質都能滿足生物較好地生長并保持較高活躍度，這說明該生物狀態仍能適應生長環境，這個吸引子的作用力就很大，噪聲對其生長的影響忽略不計。當生長環境突然發生巨大變化時，比如缺少營養物質B，而此時的吸引子依舊引導生物合成較多營養物質A，這樣就會使生物不能獲得足夠營養物質B來保障其自身基本生長，就會導致其生物活躍度大幅的減少，S(A)和D(A)也同時下降，噪聲影響在模型中的比重逐漸加大。

圖1 二維吸引子選擇原理

影響生物狀況是隨機動態變化的，如果主導對狀態(m1，m2)進行相應調整，讓生物能夠重新選擇吸引子。例如：當營養物質A在某一時刻在噪聲干擾之下系統處于m1

2 多維算法建模

由于“適應性響應模型”是屬于二維的，造成了適應性也受到了極大局限。受到啟發，本文在多維吸引子選擇驅動的適應性響應模型(modified multi-dimension adaptive response by attractor selection，MM-ARAS)[10]的基礎上進行研究并將其應用到多層無線覆蓋網絡的場景中。使用多維吸引子選擇優化算法，通過利用生物的自適應機制來進行建模，MM-ARAS可以用式(2)概括

(2)

綜上所述，活性值是吸引子理論自帶的一個描述，對應到QoE所表達的是體驗更好活性更高。

在本文所研究的多層覆蓋無線網絡視頻業務QoE優化場景下，系統并不需要讓每個實體個體的性能都達到最優狀態，目的是要實現系統的QoE整體優化。因此，本文把式(2)中每個實體獨有的Ai改變為表示整體性能的參數A，擴展MM-ARAS模型變為多維吸引子構成模型，公式如式(3)和式(4)所示

(3)

(4)

式(3)中mi(i∈[1,M]) 表示吸引子i的狀態值；改進后的模型有M個吸引子，分別為mi?mj(1≤j≤M,j≠i)， 活躍程度也同樣用參數A表示。式(4)中，S(A)定義為以A為自變量的函數，α、β和γ是控制參量，α、γ取值為正實數，γ≥2且為正整數，D(A)則被直接定義為等于A。與MM-ARAS模型不同地方是，多維吸引子構成模型會使得系統整體活躍度達到最高，這是由于使用了一個全局的參量A來表達系統的整體性能，同時每一個實體也都自治、自適應地組成系統的一部分。在該模型中，當控制參數α變大時，吸引子的作用力也就越大，就會導致吸引狀態也會變得更加穩定。同樣由前述得知，吸引子的狀態值的增長率隨著參數β變大時就會減小，這時，環境因素的作用力對系統的影響就會變大。系統在這種情況下時就不容易陷入某個吸引子狀態，進而導致模型的收斂速度變慢。

綜上所述：當同一個場景中有M個吸引子時，通過本文提出的多維吸引子構成模型，系統會自治且自適應地調整自身系統狀態，增加吸引子i所對應的相空間深度，使吸引子i的狀態值mi趨向系統整體活躍度A的方向變化，使其能夠適應環境的改變。

3 基于吸引子構成的視頻QoE優化

在多層覆蓋無線網絡中，每個網絡都存在不同的性能差異[11]，例如：連接可靠性、通信穩定性、網絡帶寬、網絡時延、接入區域大小等等。類似于前述生物在共生生存環境中的現象，系統業務整體的體驗質量受到其中任一個接入網絡的資源占用、釋放等行為時的影響[12]。為了在多層覆蓋網絡場景中獲得更好的視頻業務QoE，在本文中將使用多維吸引子構成算法對視頻業務傳輸進行流量分配，目的是讓系統中的所有接入網可以自治并自適應地共同協作完成服務，當QoE降低時能夠優化各個接入網流量組成成分，最終可以保障業務質量。

在上述場景中，假設接入網集合為N={n1,n2,…,nK}，K為網絡數目，且K≥1。終端承載視頻業務，令其活性為A，在當前流量分配策略下，當A值變大時，表示用戶QoE體驗就越好。mi表示終端對任一網絡ni的選擇適應度，mi越大，表示該網絡ni提供的業務服務越能滿足用戶要求。因此基于多維吸引子構成的QoE優化模型可用式(5)表示

(5)

假設系統中沒有環境噪聲ηi和系統動態變化，即

(6)

可以求得穩態均衡解為式(7)

(7)

(8)

同樣，S(A)和D(A)在該模型中的定義也與多維吸引子選擇模型一致。在該模型的控制調整下，吸引子m的狀態值將會增長，并且是朝著改善視頻業務QoE的值A的方向。

但是由于無線網絡環境的特殊性，必定存在噪聲項，同時無線網絡環境變化是不可知以及不可預測的。為了使用戶的網絡選擇具有較強的動態適應性，本文提出的基于多維吸引子構成模型對視頻業務流量的分配策略采用隨機性模式(stochastic mode)和確定性模式(deterministic mode)兩種控制模式。在該模型中，噪聲影響的狀態值作為隨機性控制，用戶滿意度的反饋值和網絡狀態的改變值作為確定性控制。網絡視頻業務流量則使用式(9)中的系統狀態概率進行分配，如果當前網絡狀態良好，那么該網絡分配的視頻業務流量比例就變大，反之亦然。系統狀態的變化需要一個適應度反饋用以對上述兩種控制模式起到均衡的作用，本模型采用視頻業務用戶QoE作為反饋值，并且同時也能達到優化QoE的目的，令其整體保持在滿意的程度

(9)

在該模型中，當前網絡流量分配策略的性能指標由業務活躍度A來反應。其中視頻業務活躍度A是以QoE為自變量的函數，是QoE的映射。但是網絡流量分配策略如果一直連續的按照QoE的值來調整，這種方案極為消耗網絡資源并且是不可行的，因此本文利用時間間隔Δt進行調整。同樣也需要定義用戶的QoE容忍閾值Th∈(0,100)，當QoE低于容忍閾值就啟動該模型的優化策略，視頻流量就被重新分配，這里特指不同接入的無線網絡應分得的視頻流量。

4 仿真結果與分析

本文利用myEvalvid網絡多媒體仿真系統平臺和NS2(network simulator，version 2)網絡仿真平臺進行視頻業務QoE優化仿真實驗。

4.1 仿真流程與參數

視頻業務QoE優化實驗是一個反饋調整的過程，流程如圖2所示。接收端失真視頻業務的QoE達到設定的閾值后就會被感知，系統對網絡資源重新進行分配管理，從而達到優化目的。

圖2 QoE優化實驗流程

本文利用Matlab數學工具實現多維吸引子構成模型，依據視頻業務QoE來調整網絡流量分配比例的功能。如圖3 所示，假設用戶同時接入了Wi-Fi、cellular和WiMAX這3個不同的網絡，其中Wi-Fi和WIMAX網絡都同時獲得35%的流量，Cellular網絡只獲得了30%的流量，業務活躍度的值A=0.8，具有較高QoE，因而網絡流量分配比例不發生改變。由于網絡狀況在第10個單位時間時候發生了變化，業務A的活躍度下降到0.2，即A=0.2，系統開始進行網絡流量分配比例調節。從圖3可以看出，WiMAX、Cellular網絡此時分別獲得40%和36%的流量，而Wi-Fi網絡只分得了24%，但是此時的流量分配比例仍然夠滿足用戶QoE要求，直到下一個突變到來前系統將繼續保持當前流量分配比例。

圖3 流量分配比例調整

本文采用LIVE數據集的tr視頻進行實驗。該視頻為YUV4∶2∶0格式，包含768*432大小的250幀。

視頻業務傳輸的仿真流程如圖4所示。首先將YUV視頻用ffmpeg轉化為m4v，其參數見表1。

圖5顯示了兩個不同無線網絡流量分配的比例為1∶3，tr1_25fps視頻逐幀分配給網絡1、網絡2的實時流量占比圖。而圖6顯示的則是在視頻傳輸完成后，sd文件以包為單位流量分配的占比圖。通過對比可以發現，分幀方式和分包方式在結果上差異并不是很大，因而在本仿真實驗中采用分幀方法代替分包方法是切實可行的流量分配方式。

圖4 視頻業務傳輸仿真流程

參數名參數值參數含義-g9GoP大小-vcodecmpeg4視頻壓縮方式-qscale10壓縮量化參數-s768*432視頻幀大小-bf2I與P、P與P間B幀數目-r25幀率-itr1_25fps.yuv輸入視頻

圖5 網絡流量(分幀)動態比

圖6 網絡流量(分包)動態比

在將流量分配到網絡1、2后，生成兩組sd和rd文件，分別是記錄了流量分配比為1∶4信息的sd1、rd1和記錄流量分配比為3∶4信息的sd2、rd2，通過id映射再合成完整的sd、rd文件，最后由etmp4程序來產生視頻失真。

4.2 仿真結果分析

圖7顯示出接入的無線網絡數據傳輸錯誤率的變化。起始階段網絡1和網絡2流量分配比例為1∶3，傳輸錯誤率分別為0.01和0.005。經過6個單位時間后，網絡2由于受到突發流量干擾造成網絡狀況惡化，傳輸錯誤率變為0.05，進而導致視頻業務QoE低于閾值，于是系統啟動吸引子構成優化模型并且重新進行流量分配，經過9個單位時間后QoE高于閾值。在第19個單位時間，網絡2狀況得到恢復，但與此同時網絡1狀況又開始變差，直到24個單位時間時QoE又降至閾值以下，于是系統再重新進行流量分配。圖8描述了視頻QoE在同一時間段的變化情況，可以看出，經過調整流量分配及通過本模型優化后，視頻業務QoE保持了一個相對穩定的狀態，并且當不能達到用戶要求時能夠快速及時的做出反應，優化體驗。圖9指出了根據QoE用基于吸引子構成的優化模型計算后調整的流量分配情況。從中可以看出，系統流量分配比例隨著用戶QoE的變化而相應的改變。

圖7 不同網絡傳輸錯誤率實時變化

圖8 視頻業務QoE優化定量分析

圖9 不同網絡分配視頻流量占比

5 結束語

本文提出的多維ARAS模型吸引子和視頻業務活躍度算法比傳統多路視頻實時數據傳輸方法更能在多層無線覆蓋網絡場景中當網絡突發狀況劣化時保障QoE的目的，同時并不改變視頻模式本身。下一步研究可以開發支持更多的接入網的仿真平臺，以便協同提供更多的視頻業務服務。

參考文獻：

[1]Zhang H,Dong Y,Cheng J,et al.Fronthauling for 5G LTE-U ultra dense cloud small cell networks[J].IEEE Wireless Communications,2016,23(6):48-53.

[2]Zhang H,Jiang C,Mao X,et al.Interference-limited resource optimization in cognitive femtocells with fairness and imperfect spectrum sensing[J].IEEE Transactions on Vehicular Technology,2015,65(3):1761-1771.

[3]YANG Yan.Research of multi-features-based video quality (QoE) metric under wireless network[D].Beijing:Beijing University of Posts and Telecommunications,2012(in Chinese).[楊艷.基于多特征類型的無線視頻質量用戶體驗(QoE)方法研究[D].北京:北京郵電大學,2012.]

[4]Wu Dapeng,Zhang Puning,Wang Honggang,et al.Node service ability aware packet forwarding mechanism in intermittently connected wireless networks[J].IEEE Transaction on Wireless Communications,2016,15(12):8169-8281.

[5]Wu D,Wang Y,Wang H,et al.Dynamic coding control in social intermittent connectivity wireless networks[J].IEEE Transactions on Vehicular Technology,2016,65(9):7634-7646.

[6]Zhang H,Jiang C,Mao X,et al.Interference-limited resource optimization in cognitive femtocells with fairness and imperfect spectrum sensing[J].IEEE Transactions on Vehicular Technology,2015,65(3):1761-1771.

[7]YAO Huigang,HUANG Yongfeng.BP-based estimate on network video QoE[J].Computer Engineering and Design,2017,38(1):1-6(in Chinese).[姚會剛,黃永峰.基于BP神經網絡的網絡視頻QoE評估[J].計算機工程與設計,2017,38(1):1-6.]

[8]Zhang H,Jiang C,Beaulieu NC,et al.Resource allocation for cognitive small cell networks:A cooperative bargaining game theoretic approach[J].IEEE Transactions on Wireless Communications,2015,14(6):3481-3493.

[9]GONG Weibing,YANG Xiaolong,ZHANG Min,et al.Multi-path routing protocol based on adaptation mechanism of cell in ad hoc networks[J].Journal on Communications,2014,35(6):56-63(in Chinese).[公維冰,陽小龍,張敏,等.基于細胞適應機制的自組網多路徑路由協議[J].通信學報,2014,35(6):56-63.]

[10]Gong WB,Yang XL,Zhang M,et al.An adaptive path selection model for WSN multipath routing inspired by metabolism behaviors[J].Science China Information Sciences,2015,58(10):1-15.

[11]ZHAO Jihong,FENG Jieqiong,QU Hua,et al.Wireless resource allocation algorithm based on QoE in LTE-A[J].Computer Engineering and Design,2016,37(9):2299-2302(in Chinese).[趙季紅,馮潔瓊,曲樺,等.LTE-A中基于QoE的無線資源分配算法[J].計算機工程與設計,2016,37(9):2299-2302.]

[12]Wu D,Zhang H,Wang H,et al.Quality-of-protection-driven data forwarding for intermittently connected wireless networks[J].IEEE Wireless Communications,2015,22(4):66-73.