基于網(wǎng)絡(luò)流量預(yù)測(cè)的DASH 系統(tǒng)優(yōu)化

耿俊杰，李曉明，顏金堯

（1.中國(guó)傳媒大學(xué) 協(xié)同創(chuàng)新中心，北京 100024；2.北京華宇信息技術(shù)有限公司，北京 100024）

0 概述

隨著網(wǎng)絡(luò)帶寬不斷增加，人們對(duì)網(wǎng)絡(luò)媒體的信息需求日益增長(zhǎng)。根據(jù)2016 年CISCO 公司發(fā)布的基于網(wǎng)絡(luò)應(yīng)用分類的流量報(bào)告［1］，網(wǎng)絡(luò)媒體流量占整個(gè)網(wǎng)絡(luò)流量的86%，各類媒體應(yīng)用成為人們信息化生活必不可少的一部分。傳統(tǒng)的RTP/RTSP［2-3］流媒體技術(shù)主要基于用戶數(shù)據(jù)報(bào)協(xié)議（User Datagram Protocol，UDP），其傳輸具有不可靠性，且RTP/RTSP流媒體技術(shù)需要特定的流媒體服務(wù)器CDN，部署成本較高。此外，網(wǎng)絡(luò)帶寬實(shí)時(shí)波動(dòng)會(huì)影響用戶的視頻播放體驗(yàn)，為了使用戶獲得更快速、流暢和清晰的媒體服務(wù)體驗(yàn)，改進(jìn)流媒體技術(shù)提高用戶的體驗(yàn)質(zhì)量（Quality of Experience，QoE）成為研究熱點(diǎn)。

用戶的體驗(yàn)質(zhì)量與重緩沖時(shí)長(zhǎng)成反比，與視頻清晰度成正比。用戶期望獲得較高的視頻質(zhì)量［4］，而視頻質(zhì)量與視頻編碼速率成正比，當(dāng)網(wǎng)絡(luò)狀況較差、視頻編碼速率較低時(shí)，客戶端如果仍選擇較高視頻質(zhì)量，則會(huì)造成當(dāng)前回放的緩沖時(shí)長(zhǎng)過度消耗而發(fā)生重緩沖，導(dǎo)致播放出現(xiàn)停頓［5］，從而降低用戶體驗(yàn)質(zhì)量。近年來，超文本傳輸協(xié)議（Hyper Text Transfer Protocol，HTTP）自適應(yīng)傳輸技術(shù)逐漸興起，2011 年MPEG 組織聯(lián)合3GPP 公司共同發(fā)布關(guān)于HTTP 自適應(yīng)流化的公開草案MPEG-DASH［6］，推出基于HTTP 的動(dòng)態(tài)自適應(yīng)流（Dynamic Adaptive Streaming over HTTP，DASH）［7-8］技術(shù)，其可通過感知當(dāng)前客戶端網(wǎng)絡(luò)和緩沖等狀況，動(dòng)態(tài)選擇相應(yīng)編碼速率的視頻片段下載播放，在客戶端網(wǎng)絡(luò)狀況較好或緩沖時(shí)間較長(zhǎng)時(shí)會(huì)獲得更高的視頻質(zhì)量，是提高用戶體驗(yàn)質(zhì)量的有效途徑。

ABR 自適應(yīng)比特率算法［9］是一種使用較廣泛的自適應(yīng)流媒體速率算法，其主要分為兩類：第一類算法利用網(wǎng)絡(luò)吞吐量預(yù)測(cè)并選擇視頻片段質(zhì)量，即根據(jù)上一個(gè)視頻片段平均下載速率選擇下一個(gè)視頻片段質(zhì)量；第二類算法僅根據(jù)當(dāng)前緩沖區(qū)的緩存狀態(tài)選擇視頻片段質(zhì)量。第一類算法對(duì)吞吐量的預(yù)測(cè)較簡(jiǎn)單，常會(huì)過高或過低估計(jì)網(wǎng)絡(luò)帶寬，導(dǎo)致發(fā)生重緩沖。第二類算法由于未對(duì)網(wǎng)絡(luò)吞吐量進(jìn)行實(shí)時(shí)預(yù)測(cè)，因此網(wǎng)絡(luò)的動(dòng)態(tài)性和DASH 基于HTTP 的漸進(jìn)式下載方式會(huì)導(dǎo)致提前觸發(fā)拋棄規(guī)則，從而損失帶寬利用率，降低視頻質(zhì)量。拋棄規(guī)則是指在視頻片段下載過程中實(shí)時(shí)監(jiān)控下載速率，當(dāng)下載速率無法滿足一定條件時(shí)，則放棄當(dāng)前所選視頻片段，并根據(jù)當(dāng)前網(wǎng)絡(luò)狀況重新選擇視頻片段。網(wǎng)絡(luò)吞吐量的準(zhǔn)確預(yù)測(cè)有助于提高用戶的視頻體驗(yàn)質(zhì)量［10-11］。

本文在傳統(tǒng)基于吞吐量的ABR 自適應(yīng)比特率算法基礎(chǔ)上，提出一種改進(jìn)自適應(yīng)流媒體速率算法。使用機(jī)器學(xué)習(xí)方法預(yù)測(cè)網(wǎng)絡(luò)吞吐量并自適應(yīng)流速率，建立基于瀏覽器緩沖時(shí)長(zhǎng)和當(dāng)前網(wǎng)絡(luò)吞吐量預(yù)測(cè)的決策模型，將支持向量回歸（Support Vector Regression，SVR）模型和長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)［12］相結(jié)合，在不發(fā)生重緩沖情況下獲得較高的視頻質(zhì)量。同時(shí)，將評(píng)價(jià)指標(biāo)SSIMPlus［13］作為不同編碼速率下視頻效用的客觀度量，并設(shè)定閾值，當(dāng)視頻質(zhì)量效用超過閾值時(shí)進(jìn)行切換以減少視頻播放抖動(dòng)，最終采用帶寬描述文件［14］進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 相關(guān)工作

為提高基于HTTP 的視頻流用戶體驗(yàn)質(zhì)量，研究人員提出眾多自適應(yīng)比特率算法。其中，傳統(tǒng)基于吞吐量的自適應(yīng)算法［15-17］使用上一個(gè)視頻片段的平均下載速率作為下一個(gè)視頻片段的選擇標(biāo)準(zhǔn)，然而其吞吐量估計(jì)不夠準(zhǔn)確。BBA 模型［18］充分利用緩存信息，提出當(dāng)緩存時(shí)間較長(zhǎng)時(shí)應(yīng)選擇較高的視頻片段下載速率，反之應(yīng)選擇較低的視頻片段下載速率，并將緩存時(shí)長(zhǎng)與所選速率映射為單調(diào)遞增的分段線性函數(shù)。該模型雖然根據(jù)當(dāng)前的緩存狀態(tài)選擇速率，但在帶寬的預(yù)測(cè)上仍基于上一個(gè)視頻片段的平均下載速率選擇下一個(gè)視頻片段。PANDA 模型［19］根據(jù)TCP 加窗原理，利用加窗函數(shù)對(duì)選擇速率進(jìn)行微調(diào)來測(cè)試網(wǎng)絡(luò)性能。該模型能提高視頻播放速率的穩(wěn)定性，但由于其采用類似TCP 慢啟動(dòng)的特性，從啟動(dòng)到達(dá)到最高可用帶寬需要一定時(shí)間，無法快速利用可用帶寬，導(dǎo)致用戶的體驗(yàn)質(zhì)量有所降低。QDash-abw 模型［20］利用代理模塊實(shí)時(shí)測(cè)定TCP 的延時(shí)特性，用于計(jì)算可用網(wǎng)絡(luò)帶寬，在一定程度上加大客戶端的負(fù)擔(dān)。

BOLA 模型［21］基于李雅普諾夫穩(wěn)定理論證明在已知當(dāng)前緩存的情況下，無需知道網(wǎng)絡(luò)狀況就可采用最大化效用函數(shù)選擇相應(yīng)的編碼速率，從而達(dá)到在緩存穩(wěn)定條件下時(shí)間平均效用的最大化。該模型需在緩存達(dá)到穩(wěn)定狀態(tài)時(shí)觸發(fā)算法，由于前期缺少緩存信息，因此可采用傳統(tǒng)算法選擇合適的比特率。BOLA 模型可降低重緩沖率，并能保證在緩存相對(duì)穩(wěn)定的情況下，實(shí)現(xiàn)用戶體驗(yàn)質(zhì)量效用最大化。為保證該模型在網(wǎng)絡(luò)帶寬波動(dòng)較大時(shí)的有效性，在視頻片段下載階段會(huì)觸發(fā)BOLA 拋棄規(guī)則，即通過實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)吞吐量重新選擇視頻片段質(zhì)量。由于TCP 協(xié)議具有慢啟動(dòng)的特性，因此在實(shí)際網(wǎng)絡(luò)中BOLA 拋棄規(guī)則會(huì)提前觸發(fā)，導(dǎo)致視頻質(zhì)量下降。

相關(guān)研究表明吞吐量的準(zhǔn)確預(yù)測(cè)有助于提高用戶的視頻體驗(yàn)［22］，然而在網(wǎng)絡(luò)流量預(yù)測(cè)方面，許多研究工作集中在如何理解網(wǎng)絡(luò)流量的模式［23-24］以及通過建模來預(yù)測(cè)網(wǎng)絡(luò)流量。傳統(tǒng)網(wǎng)絡(luò)流量預(yù)測(cè)采用統(tǒng)計(jì)學(xué)方法，根據(jù)網(wǎng)絡(luò)流量時(shí)間序列之間相關(guān)性建立線性預(yù)測(cè)模型，例如移動(dòng)平均模型MA、自回歸模型AR 和自回歸滑動(dòng)平均模型ARMA 等。由于大部分網(wǎng)絡(luò)的時(shí)間序列具有非平穩(wěn)性和非線性的特點(diǎn)，因此研究人員提出基于原有線性預(yù)測(cè)模型進(jìn)行差分處理的ARMA 模型［25］。此外，基于機(jī)器學(xué)習(xí)的時(shí)間序列模型也被應(yīng)用于網(wǎng)絡(luò)流量預(yù)測(cè)。文獻(xiàn)［26-27］提出一種基于支持向量機(jī)（Support Vector Machine，SVM）的流量預(yù)測(cè)模型，在此基礎(chǔ)上，研究人員針對(duì)視頻流量進(jìn)行預(yù)測(cè)［28］。文獻(xiàn)［29］使用LSTM 深度模型對(duì)時(shí)間序列進(jìn)行預(yù)測(cè)。文獻(xiàn)［30］提出一種基于SDN 的DASH 模型，通過SDN 的網(wǎng)絡(luò)架構(gòu)實(shí)時(shí)調(diào)整網(wǎng)絡(luò)服務(wù)質(zhì)量策略，為客戶端提供帶寬保證，從而提高用戶的體驗(yàn)質(zhì)量。

2 系統(tǒng)模型

傳統(tǒng)DASH 系統(tǒng)結(jié)構(gòu)如圖1 所示。客戶端視頻播放器向媒體服務(wù)器發(fā)送請(qǐng)求獲取媒體文件并展示描述文件MPD，再根據(jù)當(dāng)前網(wǎng)絡(luò)狀況向媒體服務(wù)器請(qǐng)求相應(yīng)質(zhì)量的視頻片段。由于DASH 服務(wù)器與客戶端之間的網(wǎng)絡(luò)可用帶寬在擁塞或者4G 傳輸?shù)惹闆r下存在實(shí)時(shí)變化，導(dǎo)致用戶的體驗(yàn)質(zhì)量發(fā)生變化，包括所看視頻的質(zhì)量降低以及出現(xiàn)重緩沖現(xiàn)象。

圖1 傳統(tǒng)DASH 系統(tǒng)結(jié)構(gòu)Fig.1 Structure of traditional DASH system

2.1 傳統(tǒng)DASH 模型

定義1（視頻質(zhì)量）一個(gè)完整的視頻流被編碼為代表不同視頻質(zhì)量的l種比特率，視頻編碼速率集合?={r1，r2，…，rl}，?ri∈?，1≤i≤l，ri為視頻編碼速率。各種比特率的視頻流均可劃分為N個(gè)視頻片段，即?ChunkSeti={chunki1，chunki2，…，chunkiN}，每個(gè)視頻片段有相同的時(shí)間間隔p，即?chunkij∈ChunkSeti，1≤i≤L，1≤j≤N，Periodofchunkij=p。視頻片段大小Sij=p×r，視頻效用隨視頻片段增大而單調(diào)遞增。其中，ri≤rj，1≤i≤j≤l，ui≤uj（ui為以速率ri編碼的視頻片段效用）。

定義2（網(wǎng)絡(luò)可用帶寬）網(wǎng)絡(luò)可用帶寬在服務(wù)器和客戶端之間隨網(wǎng)絡(luò)波動(dòng)不斷變化，設(shè)網(wǎng)絡(luò)帶寬是一個(gè)隨時(shí)間變化的隨機(jī)過程bw(t)，在t時(shí)刻請(qǐng)求選擇下載編碼速率為ri的視頻片段chunkij，則在下載時(shí)間段下載的視頻片段大小為：

下載時(shí)間為：

DASH 客戶端處理過程為：視頻播放器下載連續(xù)的視頻片段在客戶端進(jìn)行回放，且每個(gè)片段在下載完成后才能播放。播放器根據(jù)當(dāng)前可用帶寬向服務(wù)器發(fā)送請(qǐng)求HTTP Request 來下載相應(yīng)編碼的視頻片段，視頻片段下載完成后以編碼速率進(jìn)行解碼播放。視頻播放器采用一個(gè)有限的緩存來存儲(chǔ)下載的連續(xù)片段，如果緩存時(shí)長(zhǎng)為0，則表明無內(nèi)容可播放；如果緩存被占滿已無可用空間，則需等待相應(yīng)時(shí)長(zhǎng)Δ。

傳統(tǒng)DASH 模型的交互過程如下［31］：

1）以初始化速率下載。初始速率通過預(yù)先設(shè)定的Defaultr∈? 獲得，先根據(jù)視頻片段質(zhì)量量化函數(shù)q(rinit)得到相應(yīng)的視頻質(zhì)量，然后開始下載視頻片段。

2）下載監(jiān)控階段。實(shí)時(shí)監(jiān)控下載過程的網(wǎng)絡(luò)吞吐量，如果下載相應(yīng)比特率的視頻片段所需時(shí)間超過閾值，則拋棄所選比特率，并根據(jù)當(dāng)前網(wǎng)絡(luò)吞吐量選擇視頻片段質(zhì)量。

3）根據(jù)上一個(gè)視頻片段的平均下載速率得到網(wǎng)絡(luò)吞吐量估計(jì)值，并據(jù)此選擇下一個(gè)視頻片段的質(zhì)量。下一個(gè)視頻片段的平均下載速率rnext=LastSi(j-1)/downloadtime，通過質(zhì)量量化函數(shù)q(rnext)得到相應(yīng)視頻片段質(zhì)量并開始下載，然后重復(fù)步驟2。

4）調(diào)度階段。如果客戶端在下載第j個(gè)視頻片段時(shí)緩沖時(shí)長(zhǎng)B(j)大于最大允許緩沖時(shí)長(zhǎng)Bmax，則等待且等待時(shí)長(zhǎng)Δ=B(j)-Bmax，否則直接向服務(wù)器發(fā)送下一次請(qǐng)求HTTP Request，相關(guān)表達(dá)式如下：

在傳統(tǒng)DASH 系統(tǒng)中，各個(gè)視頻片段采用基于HTTP 的漸進(jìn)式下載模式，且在全部下載完成后才能回放。當(dāng)下載下一個(gè)視頻片段時(shí)，需重新發(fā)送請(qǐng)求HTTP Request，由于網(wǎng)絡(luò)帶寬的波動(dòng)會(huì)觸發(fā)DASH算法中的拋棄規(guī)則，因此會(huì)降低視頻質(zhì)量。

2.2 基于預(yù)測(cè)和緩沖狀態(tài)的自適應(yīng)算法

由于傳統(tǒng)的DASH 算法未利用緩存狀態(tài)選擇相應(yīng)的比特率，BOLA 模型僅根據(jù)當(dāng)前緩存狀態(tài)選擇相應(yīng)的比特率，而網(wǎng)絡(luò)的動(dòng)態(tài)性和基于HTTP 的漸進(jìn)式下載方式會(huì)導(dǎo)致BOLA 觸發(fā)拋棄規(guī)則，從而損失帶寬利用率并降低視頻質(zhì)量，因此本文基于ABR算法使用有時(shí)間記憶的機(jī)器學(xué)習(xí)方法預(yù)測(cè)網(wǎng)絡(luò)吞吐量，并建立基于緩沖時(shí)長(zhǎng)和網(wǎng)絡(luò)流量預(yù)測(cè)的決策模型，通過對(duì)網(wǎng)絡(luò)吞吐量的有效預(yù)測(cè)減少拋棄規(guī)則的觸發(fā)概率，從而提高用戶體驗(yàn)質(zhì)量。網(wǎng)絡(luò)層閥門有遺忘閥門、輸入閥門和輸出閥門3 類。這些閥門可打開或關(guān)閉，用于判斷網(wǎng)絡(luò)的記憶態(tài)在該層的輸出結(jié)果是否達(dá)到閾值，從而更好地預(yù)測(cè)網(wǎng)絡(luò)流量。LSTM 網(wǎng)絡(luò)是在循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）結(jié)構(gòu)的基礎(chǔ)上增加各層閥門節(jié)點(diǎn)，其結(jié)構(gòu)如圖2 所示。

圖2 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of LSTM network

LSTM 網(wǎng)絡(luò)具體處理流程如下：

1）采用Sigmoid函數(shù)控制遺忘閥門層，根據(jù)上一個(gè)時(shí)刻的輸出ht-1和當(dāng)前輸入xt產(chǎn)生一個(gè)0 到1 的ft值，并利用上一個(gè)時(shí)刻學(xué)到的信息Ct-1進(jìn)行計(jì)算，對(duì)部分信息進(jìn)行去除或保留。ft的計(jì)算公式如下：

2）通過當(dāng)前輸入xt和上一個(gè)時(shí)刻的輸出ht-1通知C需要更新的信息，包含兩部分：（1）輸入閥門層通過Sigmoid 函數(shù)確定需更新的信息值；（2）tanh 層用于生成新的候選值，其作為當(dāng)前層產(chǎn)生的候選值添加到單元狀態(tài)中，相關(guān)計(jì)算公式如下：

然后進(jìn)行單元狀態(tài)更新，將上一個(gè)時(shí)刻的單元狀態(tài)乘以ft過濾冗余信息，再與相加得到候選值。

3）通過Sigmoid 函數(shù)獲取初始輸出，再與Sigmoid 函數(shù)得到的輸出逐對(duì)相乘，從而得到模型的輸出，計(jì)算公式如下：

傳統(tǒng)算法僅使用上一個(gè)視頻片段的平均下載速率估計(jì)網(wǎng)絡(luò)吞吐量來選擇下一個(gè)視頻片段的質(zhì)量。本文DASH 系統(tǒng)使用SVR 和LSTM 模型預(yù)測(cè)網(wǎng)絡(luò)吞吐量，結(jié)合當(dāng)前緩存狀態(tài)和優(yōu)化模型選擇合適的視頻編碼速率，同時(shí)在下載視頻片段過程中通過預(yù)測(cè)模型實(shí)時(shí)預(yù)測(cè)網(wǎng)絡(luò)吞吐量，以判定是否觸發(fā)拋棄規(guī)則，進(jìn)而決定是否放棄所選質(zhì)量的視頻片段，本文DASH 系統(tǒng)結(jié)構(gòu)如圖3 所示。

圖3 本文DASH 系統(tǒng)結(jié)構(gòu)Fig.3 Structure of the proposed DASH system

為確保用戶體驗(yàn)質(zhì)量最大化，根據(jù)預(yù)測(cè)的網(wǎng)絡(luò)吞吐量bwest計(jì)算所有可選視頻片段的下載時(shí)間估計(jì)值EDT，即?ri∈?，1≤i≤l，EDT=(ri×p)/bwest，并結(jié)合當(dāng)前的緩沖狀態(tài)B(j) 構(gòu)建優(yōu)化模型如下：

在當(dāng)前緩沖狀態(tài)下，采用合適的優(yōu)化目標(biāo)函數(shù)選擇較高的視頻質(zhì)量，即下載時(shí)間估計(jì)值EDTj越接近當(dāng)前緩沖時(shí)長(zhǎng)B(j)越好。采用約束1 通過調(diào)節(jié)參數(shù)可實(shí)現(xiàn)緩存一定程度上的穩(wěn)定性，約束2 可保證不出現(xiàn)再緩沖。

推論1由于B(j+1)=max[0，B(j)-EDTj]+p，為保證不出現(xiàn)再緩沖，應(yīng)滿足EDTj≤B(j)，因此B(j+1)=B(j)-EDTj+p。

EDT 隨緩沖相對(duì)穩(wěn)定系數(shù)α的變化如圖4 所示。可以看出，隨著α不斷增大（0＜α1＜α2＜α3＜1），EDT 曲線趨于平緩，表明當(dāng)α較大時(shí)，緩沖相對(duì)穩(wěn)定且視頻質(zhì)量較好。

圖4 EDT 隨α 的變化Fig.4 Change of EDT with α

如果p-αB(j)＞0，則0 ≤EDTj≤B(j)；如果pαB(j)＞0，則0 ≤EDTj≤p+(1-α)B(j)。約束2可修改為：

推論2當(dāng)B(0)=0，B(1)=p，B(N)=0 時(shí)，得到：

EDT 隨緩沖時(shí)長(zhǎng)B（j）的變化如圖5 所示。可以看出，EDT 隨B（j）的增長(zhǎng)呈分段線性變化。當(dāng)pαB(j)＞0 時(shí)，選擇的視頻片段所需下載時(shí)長(zhǎng)EDT 接近B（j），即會(huì)耗盡當(dāng)前緩沖時(shí)長(zhǎng)；當(dāng)p-αB(j)＜0 時(shí)，為保證所選下一個(gè)視頻片段具有較高質(zhì)量，不會(huì)完全耗盡當(dāng)前緩沖時(shí)長(zhǎng)B（j），EDT 增長(zhǎng)減緩，即選擇的視頻片段質(zhì)量較低。

圖5 EDT 隨B（j）的變化Fig.5 Change of EDT with B（j）

本文DASH 系統(tǒng)算法如下：

算法1本文DASH 系統(tǒng)算法

上述算法具體步驟如下：

1）初始化速率

通過預(yù)先設(shè)定的Defaultr ∈? 設(shè)置初始速率，根據(jù)量化函數(shù)q(rinit)選擇相應(yīng)的視頻質(zhì)量，等待下載。

2）下載監(jiān)控階段

實(shí)時(shí)監(jiān)控下載過程的網(wǎng)絡(luò)吞吐量并存儲(chǔ)下載的網(wǎng)絡(luò)軌跡信息，使用預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，相關(guān)表達(dá)式如下：

在初始階段req.index=1，如果所選視頻片段下載所需時(shí)間超過閾值，即ri1×p/recentthoughput ＞β×p（β為初始下載時(shí)間閾值系數(shù)），則拋棄當(dāng)前所選的比特率，并根據(jù)當(dāng)前網(wǎng)絡(luò)吞吐量重新選擇視頻片段質(zhì)量qi1=q(recentthoughput)。在非初始階段req.index=j，N≥j＞1，如果（Bnow為下載階段的實(shí)時(shí)緩沖時(shí)長(zhǎng)），則重新根據(jù)優(yōu)化模型minimizeBnow-EDT選擇視頻質(zhì)量。當(dāng)視頻片段完全下載后，根據(jù)優(yōu)化模型minimizeBnow-EDT 選擇下一個(gè)視頻片段的質(zhì)量，并通過質(zhì)量量化函數(shù)q(rnext)得到相應(yīng)視頻質(zhì)量并開始下載。為減少視頻質(zhì)量變動(dòng)，假設(shè)當(dāng)uqij-ulastquality＞0.01（qij為以速率ri編碼的第j個(gè)視頻片段的質(zhì)量）時(shí)，返回新的視頻片段質(zhì)量；否則保持原來的視頻片段質(zhì)量，重復(fù)執(zhí)行步驟2。

3）調(diào)度階段

如果B(j)＞Bmax，則等待且等待時(shí)長(zhǎng)Δ=B(j)-Bmax，否則直接向服務(wù)器發(fā)送下一次請(qǐng)求HTTP Request，表達(dá)式如下：

3 實(shí)驗(yàn)與結(jié)果分析

本文使用mininet2.2 平臺(tái)構(gòu)建網(wǎng)絡(luò)拓?fù)淙鐖D6 所示。DASH 服務(wù)端使用Apache 軟件，采用DASH 數(shù)據(jù)集［32］提供的視頻片段Big Buck Bunny 進(jìn)行測(cè)試，并根據(jù)DASH 提供的網(wǎng)絡(luò)帶寬描述文件，用網(wǎng)絡(luò)性能測(cè)試工具Iperf 發(fā)送相應(yīng)的動(dòng)態(tài)流量作為背景流量。

圖6 網(wǎng)絡(luò)拓?fù)銯ig.6 Network topology

Big Buck Bunny 視頻時(shí)長(zhǎng)為600 s，被編碼為5 種分辨率和20 種視頻質(zhì)量，視頻片段間隔為10 s，劃分為60 個(gè)視頻片段，視頻編碼如表1 所示。采用SSIMPlus 評(píng)價(jià)指標(biāo)作為不同編碼速率下視頻效用的客觀度量。

表1 Big Buck Bunny 視頻編碼Table 1 Big Buck Bunny video codings

對(duì)不同編碼速率的Big Buck Bunny 視頻進(jìn)行線下客觀質(zhì)量測(cè)定，結(jié)果如圖7 所示。可以看出，視頻的客觀質(zhì)量隨編碼速率的升高呈非線性遞增趨勢(shì)。

圖7 Big Buck Bunny 的客觀質(zhì)量Fig.7 Objective quality of Big Buck Bunny

使用開源的DASH.js2.0 作為客戶端視頻播放器，采用Node-webkit.js 作為瀏覽器。由于DASH.js2.0適用于傳統(tǒng)的ABR 算法和新興的BOLA 算法，因此本文在此基礎(chǔ)上進(jìn)行擴(kuò)展形成基于預(yù)測(cè)的自適應(yīng)算法，并通過文件日志記錄視頻片段質(zhì)量和重緩沖事件，具體參數(shù)設(shè)置如表2 所示。

表2 實(shí)驗(yàn)參數(shù)設(shè)置Table 2 Experimental parameters setting

根據(jù)網(wǎng)絡(luò)帶寬描述文件使用網(wǎng)絡(luò)性能測(cè)試工具Iperf 發(fā)送背景流占用帶寬，并采用Mininet 平臺(tái)仿真進(jìn)行網(wǎng)絡(luò)軌跡測(cè)試，每隔250 ms 采樣一次，實(shí)驗(yàn)結(jié)果和帶寬描述文件具體信息分別如圖8 和表3 所示。

圖8 不同網(wǎng)絡(luò)軌跡測(cè)試指數(shù)下的吞吐量Fig.8 Throughput under different network trajectory test indexes

表3 帶寬描述文件具體信息Table 3 Specific information of bandwidth description file

4 種不同算法得到的60 個(gè)視頻片段的質(zhì)量如圖9所示。可以看出傳統(tǒng)算法的視頻片段質(zhì)量的選擇較平穩(wěn)且質(zhì)量較高，這是因?yàn)閭鹘y(tǒng)算法只根據(jù)上一個(gè)視頻片段的下載速率來確定下一個(gè)視頻片段的質(zhì)量，并設(shè)置固定的下載閾值β×p，而本文設(shè)置β=1.5，表示當(dāng)視頻片段的下載時(shí)長(zhǎng)估計(jì)值超過視頻片段時(shí)長(zhǎng)的1.5 倍才會(huì)觸發(fā)拋棄規(guī)則，此時(shí)，客戶端緩沖時(shí)長(zhǎng)已被過度消耗導(dǎo)致發(fā)生重緩沖。

圖9 4 種算法的視頻質(zhì)量Fig.9 Video quality of four algorithms

4 種算法得到的平均視頻質(zhì)量如圖10 所示。可以看出基于LSTM 預(yù)測(cè)模型的自適應(yīng)算法的平均視頻質(zhì)量最高，這是因?yàn)樵撍惴ú粌H使用預(yù)測(cè)的吞吐量信息，還使用緩存時(shí)長(zhǎng)作為算法的輸入，當(dāng)緩存時(shí)間較長(zhǎng)時(shí)會(huì)選擇較高的視頻質(zhì)量，同時(shí)實(shí)時(shí)監(jiān)控下載階段的網(wǎng)絡(luò)吞吐量，當(dāng)網(wǎng)絡(luò)出現(xiàn)波動(dòng)時(shí)觸發(fā)拋棄規(guī)則重新適應(yīng)網(wǎng)絡(luò)狀況。

圖10 4 種算法的平均視頻質(zhì)量Fig.10 Average video quality of four algorithms

4 種算法的重緩存率如圖11 所示。可以看出，雖然基于LSTM 的ABR 算法平均視頻質(zhì)量最高，但其與傳統(tǒng)ABR 算法均出現(xiàn)重緩沖現(xiàn)象。這是由于LSTM 算法在實(shí)際運(yùn)行過程中預(yù)測(cè)時(shí)間約為1.5 s，不能進(jìn)行實(shí)時(shí)預(yù)測(cè)，無法提前感知判斷，因此導(dǎo)致出現(xiàn)重緩沖現(xiàn)象。BOLA 算法僅使用緩存信息動(dòng)態(tài)選擇視頻質(zhì)量，雖然未出現(xiàn)重緩沖現(xiàn)象，但由于其不能對(duì)網(wǎng)絡(luò)吞吐量進(jìn)行實(shí)時(shí)預(yù)測(cè)，導(dǎo)致提前觸發(fā)拋棄規(guī)則，在一定程度上降低了平均視頻質(zhì)量。

圖11 4 種算法的重緩存率Fig.11 Recache rates of four algorithms

4 種算法的拋棄規(guī)則觸發(fā)次數(shù)如圖12 所示。可以看出，BOLA 算法觸發(fā)了20 次拋棄規(guī)則，由于其在視頻片段下載初始階段提前認(rèn)為網(wǎng)絡(luò)變差不符合當(dāng)前緩存需求，因此過早拋棄當(dāng)前所選視頻質(zhì)量。結(jié)合圖11 和圖12 可知，本文基于SVR 的自適應(yīng)算法綜合表現(xiàn)最好，通過SVR 預(yù)測(cè)模型結(jié)合緩存狀態(tài)選擇的平均視頻質(zhì)量較高，同時(shí)通過實(shí)時(shí)在線預(yù)測(cè)減少了拋棄規(guī)則命中次數(shù)且未發(fā)生重緩沖。

圖12 4 種算法的拋棄規(guī)則觸發(fā)次數(shù)Fig.12 Trigger times of discard rule of four algorithms

4 結(jié)束語

本文提出一種基于機(jī)器學(xué)習(xí)的改進(jìn)自適應(yīng)流媒體速率算法。在分析基于HTTP 動(dòng)態(tài)自適應(yīng)流媒體技術(shù)標(biāo)準(zhǔn)的基礎(chǔ)上，利用機(jī)器學(xué)習(xí)方法建立網(wǎng)絡(luò)吞吐量預(yù)測(cè)模型，并結(jié)合當(dāng)前緩沖狀態(tài)選擇合適的視頻質(zhì)量，在視頻下載階段實(shí)時(shí)預(yù)測(cè)網(wǎng)絡(luò)吞吐量，降低因TCP 慢啟動(dòng)提前觸發(fā)拋棄規(guī)則的次數(shù)。實(shí)驗(yàn)結(jié)果表明，該算法可有效提高用戶視頻體驗(yàn)質(zhì)量。隨著軟件定義網(wǎng)絡(luò)和可編程網(wǎng)絡(luò)等下一代網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)將變得更加智能與可控，后續(xù)將結(jié)合機(jī)器學(xué)習(xí)和下一代網(wǎng)絡(luò)技術(shù)進(jìn)行研究，進(jìn)一步提高網(wǎng)絡(luò)吞吐量預(yù)測(cè)準(zhǔn)確率。