基于GABP的實時視頻通信自適應前向糾錯碼

毛錦鑫 何坤金 陳金旺 劉宇興

摘 要：針對在動態的網絡環境中，實時視頻在基于數據報協議的傳輸中遇到大量丟包的問題，提出了一種基于遺傳算法改進的BP神經網絡自適應前向糾錯碼的方法。該方法通過設計自適應的前向糾錯編碼來恢復丟失的數據包。首先，設計一個基于幀級別的前向糾錯的框架，主要包括視頻編碼解碼器、RS前向糾錯碼編解碼模塊和前向糾錯碼冗余度計算模塊，用來模擬一般視頻傳輸的環境；然后，設計GABP模型，將其應用到RSFEC的冗余度計算，實現一種幀級不均等的保護方案；最后，基于GE信道模擬網絡，生成丟包數據，訓練離線模型，進行實驗驗證。實驗結果表明，相比StaticRS和DeepRS，所提方法能夠在較低冗余度下較高地恢復丟失的數據包，得到更高質量的視頻。

關鍵詞：前向糾錯碼；不均等錯誤保護；ReedSolomon；BP網絡；遺傳算法

中圖分類號：TP393.03?? 文獻標志碼：A??? 文章編號：1001-3695（2023）12-037-3760-06

doi： 10.19734/j.issn.1001-3695.2023.04.0168

Research on adaptive forward error correction codes for real time video communication based on GABP

Abstract：In the dynamic network environment， realtime video transmission based on datagram protocols will encounter a large number of packet loss issues. This paper proposed an adaptive forward error correction code method based on GABP neural network. This method recovered lost data packets by designing adaptive forward error correction codes. Firstly， the paper designed a frame level forward error correction framework， which mainly included video codec， RS forward error correction codec module， and forward error correction code redundancy calculation module， to simulate the general video transmission environment. Then， this paper designed the GABP model and applied it to the redundancy calculation of RSFEC to achieve a frame level unequal protection scheme. Finally， based on GE channel simulation network， it generated packet loss data， trained offline model， and conducted experimental verification. The experiments results show that compared to StaticRS and DeepRS， this method can recover lost data packets more efficiently with lower redundancy， resulting in higher quality video.

Key words：forward error correction; unequal error protection; ReedSolomon; BP network; genetic algorithm

0 引言

隨著網絡技術的不斷發展，互聯網視頻流量占據了互聯網流量的主體地位。據思科估計，在2022年視頻流量占據互聯網流量的82%，并且占比會越來越高［1］。然而，視頻傳輸過程中的數據包丟失可能會對視頻質量造成潛在威脅。在當前的網絡環境中，由于延遲、抖動和網絡擁塞等問題，通常會導致丟包情況的發生［2］。為了解決上述問題，視頻點播服務采用傳輸控制協議（TCP）來重傳丟失的數據包［3］。但是對于實時性要求較高的實時視頻通信業務，傳統的丟包重傳策略并不是一種較好的丟包處理技術。對于實時視頻通信業務，用戶需要實時地傳輸和接收視頻數據，而重傳策略會導致視頻數據傳輸的中斷，從而引入延時和抖動，使得傳輸的實時性和穩定性受到嚴重影響。

前向糾錯技術是一種有效的丟包處理方法，它的核心思想是提供冗余數據段，以降低重傳的可能性。當視頻數據在傳輸過程中發生丟包時，接收端可以基于接收到的冗余數據段來恢復丟失的信息，從而避免重新傳輸，減少通信延遲。前向糾錯碼的研究主要分為兩個方向［4］：a）關于編碼結構的研究，旨在提高糾錯碼的自身恢復能力和編碼效率；b）需要綜合考慮丟包處理的效率和視頻傳輸的帶寬開銷。盡管前向糾錯技術可以減少丟包重傳對視頻通信的影響，但也會增加傳輸的開銷和帶寬占用。因此，需要一種動態調整前向糾錯碼冗余度的計算方法，以平衡兩者之間的關系。

自從Padhye等人［5］首次提出自適應FEC（forward error correction）來應對動態損失模式的挑戰來，已經有許多針對不同應用場景的前向糾錯機制方案，旨在提高網絡傳輸的性能和可靠性。Baccaglini等人［6］使用GoPlevel reedsolomon（RS）碼，在發送端使用整個GoP（group of picture）的所有幀來生成一個RS塊，較好地提高了RS的編解碼效率。為了增強糾錯能力并減少解碼延遲，Xiao等人［7］首先使用當前幀的視頻分組和當前GoP的先前幀生成RS奇偶校驗分組，然后通過聯合求解奇偶校驗方程的組合來恢復丟失的分組。雖然該方法需要額外的計算開銷，但是它增強了糾錯能力并減少了解碼延遲。此外，Xiao等人［8］還提出了一種subGoP級FEC編碼，其中根據網絡條件和編碼參數動態調整subGoP的長度，從而進一步提高了糾錯能力。但是，這些工作需要接收端等待整個GoP或subGoP到達才能恢復幀，會導致不可接受的延遲問題，無法進行延時忍耐度較低的實時視頻通信。也有一些采用幀級策略的FEC方案。這類方案大都根據幀的重要程度采取不同保護措施，進一步加強了視頻的恢復效果。Immich等人［9］使用RNN根據視頻幀的大小、類型和運動因子來推測運動強度，結合先驗知識，給不同幀合適的冗余度。Wu等人［10］通過在總FEC比特率約束下最大化接收幀的預期數量來探索幀級FEC。Luo等人［11］利用Raptor碼在大塊長度下的良好特性，提出了一種用于單層視頻的優化不均等幀保護方案。

以上工作都是通過基于返回的網絡統計數據（如丟包率和延遲）或是優化預定義的QoE（quality of experience）目標函數來分配冗余數據包。除了利用接收端的反饋信息外，Lin等人［12］提出EREDFEC，一種增強型隨機早期檢測前向糾錯，根據AP（access point）的隊列長度去推斷冗余度信息。雖然，這種自適應前向糾錯方法是使用視頻AP狀態來估計，能避免信息反饋過程中的網絡變化和返回所帶來的時延。但是隨著網絡的不斷發展，AP的影響因數太多，已經不能滿足現在的需求。

最近，文獻［13］在TCP網絡中，采用兩段式基于前向糾錯的自適應傳輸機制，能夠有效提升文件傳輸的效率。文獻［14］聯合考慮視頻有損壓縮失真和信道丟包，選取固定合適的量化參數（QP）和視頻幀FEC冗余度，優化壓縮和FEC編碼的冗余分配，以此改進視頻重構效果。以上分別是針對TCP文件傳輸和QP值動態變化應用場景下的優化方法。

綜上所述，現有相關工作通常采用靜態的機制，或是基于先驗知識啟發式的冗余策略，或是為特定的場景進行優化。這些方法都無法很好地適應動態網絡環境下實時視頻傳輸的需求。為了充分利用網絡的歷史和未來之間的上下文關系，本文提出了一種基于遺傳算法改進的BP網絡的幀級不均等自適應前向糾錯碼的方法。該方法可以根據歷史的網絡情況預測未來的網絡丟包模式，自動為每個視頻幀選擇適當冗余率（恢復丟失的數據包所需的冗余數據包的百分比），從而在帶寬消耗較低的情況下改善視頻的質量。

1 模型構建

針對自適應幀級不均等前向糾錯，本文構建了一個系統框架如圖1，主要由發送端、接收端和網絡構成，實現了實時視頻傳輸和實時視頻中前向糾錯編碼冗余度的自適應調整。具體而言，該系統框架的主要流程如下：

a）視頻采集。視頻采集器采集用戶需要傳輸的畫面，或者加載已經準備好的視頻文件。

b）視頻編碼。視頻編碼器根據設置好的參數和編碼方式將采集到的視頻編碼，組成不同大小的幀。

c）冗余包添加。根據自適應冗余度模塊確定的冗余度，將現有的幀分組打包成RTP（realtime transport protocol）包，使用RS編碼器數據包添加冗余數據包。

d）數據接受和反饋。將冗余包和源數據包通過網絡發送給接收方，接收方使用RS解碼器恢復出相關的數據包，然后使用視頻解碼器將數據包恢復到視頻畫面，并將RTP包的丟包率信息反饋到接收端的冗余度預測模塊。

e）冗余度計算。在視頻發送端，使用訓練好的離線模型，根據收集到的丟包數據預測接下來的丟包數據（假設反饋信息都能到達），并計算后續數據包需要添加的冗余度。

1.1 視頻編解碼

目前主流視頻編解碼格式如AVC［15］、VP8、HEVC等，使用GoP幀結構進行編碼和解碼如圖2所示，該結構由I幀、P幀和B幀三種幀類型組成。I幀是獨立編碼的參考幀，每個GoP只包含一個I幀，并且總是以I幀開頭。P幀使用來自先前幀的信息，并且僅包含相對于先前編碼幀的運動變化。B幀使用前一幀和后一幀作為編碼的參考。視頻中使用的P幀和B幀的比率越高，編碼的視頻大小越小，流式傳輸時所需的帶寬越少。根據視頻大小的不同，其中一幀所包含的數據包數量通常在幾個到幾十、幾百個之間?？紤]到分組丟失，I幀或P幀中的分組丟失的影響將在GoP內傳播，并導致剩余幀的潛在失真。當B幀中存在分組丟失時，這種影響不會傳播，因為B幀不提供對任何其他幀的參考。下一個GoP的新I幀將刪除當前GoP中的所有累積誤差。然而，B幀的編碼和解碼都需要將來的幀作為參考，會導致額外的延遲。

本文使用H.264對所有視頻進行編碼，將每秒幀數（FPS）和GoP大小固定設置為30，用于模擬一般的實時視頻通信場景，同時禁用B幀以減小總延遲。

1.2 RS編解碼

為了保證視頻數據傳輸的高效性和實時性的同時，提高數據恢復的能力，以提高視頻傳輸的質量和穩定性。本文采用了一種名為RS（reedsolomon）碼的分組前向糾錯碼技術對視頻數據進行冗余添加。RS碼是一種最大距離可分碼［16］，對任意的有效數據段數量生成任意數量的冗余段，丟失少于冗余段數量的任意報文段均可恢復。在RS碼中，原始數據包由FEC編碼器生成的冗余數據包補充，編碼器在開始生成冗余數據包之前需要查看所有原始數據。對于RS（N，K）來說在解碼器端，如果N個包中至少有K個到達，則所有原始數據將被恢復。較大的N可以提高RS碼的糾錯能力，但會增加解碼延遲。為了減小其編解碼延時，本文使用了一種基于柯西矩陣的RS編碼［17］，其可以在O（n2）的運算復雜度內完成FEC解碼，來實現系統中的前向冗余編解碼。

2 冗余度計算

2.1 網絡丟包預測

將歷史丟包模式和未來丟包模式之間建立上下文關聯是一種很自然的想法。歷史數據包丟失模式隱含地指示了網絡的狀態，在未來的數據包丟失中起著主導作用［18］。此外，網絡條件在短時間內不會發生劇烈變化［19］，并且在相同的網絡條件下，數據包共享類似的狀態［20］，這表明網絡波動可能在某種程度上具有規律性。而且，通過跟蹤與數據包報頭相關的序列號，可以在接收端識別出大量已接收和丟失的數據塊。所以，可以使用BP神經網絡，根據歷史的丟包狀態，來預測未來的丟包狀態。針對BP網絡不容易收斂的問題，采用遺傳算法的全局搜索能力來優化。

2.1.1 BP神經網絡

BP神經網絡是一種多層前饋神經網絡［21］。其主要特征是：信號向前傳播，誤差向后傳播。BP神經網絡的預測過程是：輸入層接收到數據輸入后，將其傳遞到隱藏層，隱藏層將根據神經元互連的權重和相應的計算規則將計算結果傳遞到輸出層，輸出層將結果進行比較，更新神經元之間的權重。BP神經網絡具有非線性逼近和自適應學習能力，在處理非線性數據集上有很好的預測效果［22］。

本文中BP網絡的結構如圖3所示，該網絡的輸入層主要是當前組的前N組的網絡丟包狀態信息，關于N的大小在實驗部分會詳細介紹。輸出層是預測幀的丟包狀態信息，以此為基礎計算該組需要的冗余度。ui是隱藏層，通過非線性映射和特征提取，將輸入層的信息轉換為更高層次的表征，為輸出層提供更準確的預測能力。

考慮到視頻數據幀的大小受到視頻分辨率、碼率、量化值等參數的影響，以及視頻幀的封裝分包和MTU（maximum transmission unit）大小密切相關。而且固定長度的RS塊方便FEC的編解碼解碼計算。本文為了忽略這些因素對預測產生影響，將MTU大小固定為1 024，對視頻數據包進行分組。同時，將一個RS組的數據包的數量設置為20個。另外，考慮到網絡的延遲以及網絡數據包的發送和接收時間，本文在預測幀和輸入的幀之間間隔一個幀的時間留作緩沖。

假設當前時刻是第k組，則BP網絡的輸入為［Xk－n－m，…，Xk－7，Xk－6，Xk－5，Xk－4，Xk－3，Xk－m］ ，其中Xk－n表示第k組的第前N組的網絡丟失信息。BP網絡的輸出為Yk表示當前第k組的網絡丟包率信息。

但是，BP網絡的權重沿著局部改進的方向逐漸調整，會使網絡權重陷入局部極值，從而導致網絡訓練失敗。此外，BP神經網絡對初始網絡權重非常敏感，用不同的權重初始化網絡往往會收斂到不同的局部最小值。而且，BP神經網絡算法存在收斂速度慢的問題。

2.1.2 基于遺傳算法的BP網絡改進

遺傳算法是模擬進化過程，基于自然選擇和遺傳學原理的一種搜索方法，通過不斷迭代逐漸找到解決問題的最優解。遺傳算法具有許多優點，解決BP網絡的不足。具體如下：

a）BP 神經網絡中參數的優化只能進行局部搜索，但是遺傳算法能在解空間中進行全局搜索，遺傳算法在優化精度和泛化能力上具有優勢。

b）由于神經網絡層級結構的特點，BP神經網絡中參數數量很大，網絡的計算量和復雜度很大，訓練時間和空間成本很高。遺傳算法具有較好的并行性和魯棒性，可以處理高維度、非線性的優化問題，遺傳算法在處理參數多的問題上也具有一定的優勢。

c）遺傳算法是一種非梯度優化算法，其對模型的結構以及輸入數據的分布等沒有太多要求，具有較強的可擴展性和通用性。

基于以上理論，為了提高訓練的速度和模型的性能，本文使用遺傳算法［23］的全局搜索能力確定BP神經網絡最優初始權值及閾值。遺傳算法優化的步驟如下：

a）初始化種群。本文使用實數編碼來表示個體，生成一定數量的個體。如圖4所示，一個個體由輸入層與隱藏層連接的權值、隱藏層閾值、隱藏層與輸出層連接的權值和輸出層閾值四部分組成。

b）適應度評價。BP網絡需要盡可能讓預測值和實際值的誤差最小，本文所選的適應度函數如下：

c）交叉、變異、選擇操作。首先使用兩點交叉的方法對個體進行交叉變換；其次使用均勻變異對交叉后的個體進行變異；最后采用輪盤賭策略來選擇交叉和變異之后的染色體，適應度越高的個體越容易被選中。采用如下的遺傳算子來進行交叉和變異。

其中：pc和pv分別是交叉率和變異率；pc1和pc2分別為交叉率的上限和下限;pv1和pv2分別為變異率的上限和下限; favg為染色體的平均適應度; f′為交叉染色體中適應度較大的值; fbest為最佳適應度。

d）生成新種群。重復步驟c）中操作，生成一定數量的新個體，構成新種群。直到滿足停止迭代的條件。

在確定BP神經網絡的網絡結構、初始化權重和閾值之后，使用遺傳算法來優化BP網絡的權重和閾值選擇，在正向傳播里選出比較好的初始權重和閾值，再用BP反向傳播來優化網絡參數。本文結合遺傳算法的全局搜索能力和BP網絡的非線性預測能力，提出了一種遺傳算法改進的BP神經網絡結構如圖5所示。

2.2 幀的不均等冗余計算

首先，根據上述網絡模型預測當前網絡丟包狀態信息，具體推導如下：

Yk=Euclid Math OneFApθ（Xk－n－m，…，Xk－7，Xk－6，Xk－5，Xk－4，Xk－3，Xk－m）（4）

其中：Xk－n－m表示第k組的前n組的網絡丟失信息；m對應2.1.1節中提出的網絡反饋間隔；Yk表示當前第k組的網絡丟包率信息；Euclid Math OneFApθ表示訓練好的BP網絡模型。

其次，RS（n，m）碼最多可以糾正m個錯誤，考慮冗余包也存在丟失的情況，第k組的數據包冗余度具體計算公式如下：

其中：Yk為當前網絡預測的丟包率；Np為該組數據包的數量；RePacketRatek為第k組數據包RS碼冗余度信息。

但是，網絡丟包模式的預測結果與真實值往往存在誤差。并且在一個GoP中，I幀或P幀中的分組丟失的影響將在GoP內傳播，并導致剩余幀的潛在失真，I幀的重要性大于P幀，前面的P幀重要性大于后面的P幀。本文采用一個影響因子β度量不同幀的重要程度，來增強對I幀和前面的P幀的保護。本文中影響因子β的計算方法如下：

其中：i表示第K組是一個GoP中的第i幀數據，當K組數據存在于兩幀數據之間，采用前一幀數據的β。

最后，第K組數據包的冗余率RePacketRatek′計算公式更新如下，以此為當前數據包冗余度添加RS前向糾錯碼，實現丟包恢復。

3 實驗驗證與分析

為了驗證該自適應前向糾錯編碼方案的有效性，本文設置對應的實驗驗證。實驗使用兩臺主機分別來模擬接收端和發送端，主機的操作系統是Windows。兩臺主機進行網絡通信，網絡狀況模擬使用 GE （Gilbert Elliot）［24］信道模型來實現。

3.1 數據生成

GE信道被公認為網絡分組傳送的通用模擬環境。如圖6所示，GE信道是一個兩狀態馬爾可夫模型，從好到壞的轉換概率為P01，從壞到好P10，良好狀態下的丟包率為p，且在壞狀態下為q，P01、P10、 p、q∈［0，1］ 。

在GE（P00，P11，p，q）下信道的丟包率為

本文選用的是視頻格式為1 280×720的原始視頻文件in_to_tree［25］，并使用ffmpeg以30 fps的幀率將該視頻文件從YUV格式轉換為H.264格式。通過在GE信道中傳輸RTP視頻數據包，來采集丟包數據。

GE信道模型的丟包率主要由四個變量控制，一般的做法是固定其中三個參數不變，只改變一個參數。本文設置的參數，如表1所示，控制在壞狀態下的概率，使丟包率控制在1%、5%、10%、20%、30%、40%等，得到18 728條丟包數據。采用滑動窗口的方式，將丟包數據整理得到數據集。其中，60%的數據用來做測試集、20%的數據用來做驗證集、20%的數據用來做測試集。

3.2 實驗驗證

本文中采用MATLAB對BP網絡進行訓練，迭代次數設置為2 000次，學習率設置為0.01。關于BP網絡隱藏層神經元個數的設置，本文采用一般的經驗公式。遺傳算法初始種群個數 N=20、最大進化代數取150。

3.2.1 輸入層維度確定

合理地利用歷史信息，即確定輸入層的維度對預測未來的丟包模式信息至關重要。本文使用不同長度的輸入層維度做了對比實驗，實驗結果如圖7所示。可以觀察到，較小的輸入維度可能存在歷史信息不足的問題，無法較好地預測輸出數據；但是隨著N的不斷增大，網絡的性能可能會下降，預測結果可能也會變差。在輸入層的長度N=7時，隱藏層節點數為5的時候，模型預測的均方誤差最小，認為預測準確率最高。后面本文采用輸入層的維度N=7訓練的模型來和其他方法進行對比。

3.2.2 遺傳算法改進有效性分析

在確定輸入的維度之后，本文在此維度上對BP和GABP模型的有效性進行了驗證。實驗結果如表2所示，相比于BP模型的預測結果，本文所使用的GABP模型有更好的預測能力、更小的預測誤差。

3.2.3 不同方法的對比

本文選擇固定冗余度的RS方法作為對比算法，因為它們廣泛用于視頻傳輸系統。使用Static*RS來表示這些算法，其中*表示其冗余度。除此之外，為了驗證本文方法的優越性，把文獻［18］的DeepRS方法應用到本文場景中一起對比。

本文采用下面的指標來對所提方法進行比較：

a）數據恢復率?；謴偷臄祿c所有丟失數據包的比率。當恢復所有丟失的數據包時，恢復率為1；如果無法恢復所有丟失的數據包，則恢復率為0。

b）冗余度。冗余數據包與源數據包的比率。假設RS模塊生成k個FEC冗余包，其中一個組包括b個源數據包，則冗余率計算如下：

c）視頻質量。本文使用PSNR（peak signaltonoise ratio）［26］來衡量接收到的視頻數據的質量。PSNR是一種基于均方誤差的全參考的視頻質量評估指標，可以用于測量接收到的視頻數據與原始視頻數據之間的相對誤差。視頻每一幀的PSNR的計算公式如下：

其中：MAX表示視頻數據像素的最大值；MSE表示接收到的視頻數據與原始視頻數據之間的均方誤差。PSNR的單位是分貝（dB），通常情況下，PSNR的值越高，視頻質量越好。

在不同丟包率的情況下，本文方法和其他對比方法的冗余度和丟包恢復率，如圖8所示。在較低丟包率的情況下，本文方法需要的冗余帶寬遠遠低于固定冗余度的冗余帶寬。在網絡發生急劇變化，丟包率逐漸變大的情況下，固定冗余度的方法恢復性能大幅度下降。而本文方法在丟包率大幅度增加的情況下也能很好地恢復丟失的數據包。相較于DeepRS，本文GABP冗余度和其相差無幾，但是在丟包率1%、5%、30%的網絡環境下，恢復率都優于DeepRS。并且本文不均等的幀保護方案，在增加的冗余度小于10%的情況下，能夠增加5%左右的恢復率。

恢復率未考慮到不同幀的特性，不能完全體現本文方法的優點。所以進一步測試了在不同丟包率下，本文方法和對比方法下傳輸視頻的PSNR，如表3所示。其中，在PLR=5%時，幾種方法傳輸in_to_tree［25］視頻的第100幀圖片效果如圖9所示。本文方法在各種丟包率下傳輸測試，得到的視頻序列效果很穩定。相較于固定冗余度的RS方案，在網絡丟包率不斷增加的情況下，視頻質量急劇下降。本文方法能夠滿足動態網絡的需求。相較于DeepRS，本文不均等的幀保護方法，可以更有效地提升視頻質量，在丟包率為1%、5%、10%視頻的PSNR分別提高0.19 dB、2.75 dB和1.91 dB，證明了本文方法的優越性。

除此之外，本文還在文獻［25］中背景比較固定的FourPeople和幀運動較小的old_town_cross視頻數據集上分別進行測試，其圖像的效果如圖10和11。證明了本文方法在傳輸不同的視頻數據上有一定的泛化性。

4 結束語

本文提出了一種在實時視頻通信中通過自適應FEC冗余來抵抗丟包的方法。通過在系統內部嵌入GABP模型，解決了動態網絡中前向糾錯編碼冗余度分配的問題。完成的主要工作有：a）對前向糾錯機制設計中求解最優冗余度問題進行建模，模擬了實時視頻中數據包的傳輸過程；b）使用一種遺傳算法改進的BP網絡，預測網絡丟包模式信息，引入幀重要性度量因子β并結合前向糾錯碼實現一種幀級不均等的丟包恢復方案；c）進行實驗和結果分析，驗證該模型能更好地權衡冗余率和恢復率，在較低的情況下獲得較高質量的視頻，有很強的實際應用價值。

但是，本文未考慮到每一幀視頻的視頻特性如幀的大小、幀的運動因子等；其次，本文的影響因子β比較固定，后續考慮通過網絡狀態和視頻特點來確定β的大小。

參考文獻：

［1］Cisco. Cisco visual networking index： forecast and methodology，2016-2021［EB/OL］. （2017-06-06）. https：//www.reinvention.be/webhdfs/v1/docs/completewhitepaperc11-481360.pdf.

［2］Jiang Wenyu，Schulzrinne H. Modeling of packet loss and delay and their effect on realtime multimedia service quality［C］// Proc of the 10th International Workshop on Network and Operating Systems Support for Digital Audio and Video. New York： ACM Press，2000： article No. 27.

［3］Rao A，Legout A，Lim Y，et al. Network characteristics of video streaming traffic［C］// Proc of the 7th Conference on Emerging Networking Experiments and Technologies. New York： ACM Press，2011： article No. 25.

［4］林利祥，劉旭東，劉少騰，等. 前向糾錯編碼在網絡傳輸協議中的應用綜 ［J］. 計算機科學，2022，49（2）： 292-303. （Lin Lixiang，Liu Xudong，Liu Shaoteng，et al. Overview of the application of forward error correction coding in network transmission protocols［J］. Computer Science，2022，49（2）： 292-303.）

［5］Padhye C，Christensen K J，Moreno W. A new adaptive FEC loss control algorithm for voice over IP applications ［C］// Proc of IEEE International Performance，Computing，and Communications Conference. Piscataway，NJ： IEEE Press，2000： 307-313.

［6］Baccaglini E，Tillo T，Olmo G. Slice sorting for unequal loss protection of video streams［J］. IEEE Signal Processing Letters，2008，15： 581-584.

［7］Xiao Jimin，Tillo T，Lin Chunyu，et al. Dynamic subGOP forward error correction code for realtime video applications［J］. IEEE Trans on Multimedia，2012，14（4）： 1298-1308.

［8］Xiao Jimin，Tillo T，Zhao Yao. Real-time video streaming using randomized expanding Reed-Solomon code［J］. IEEE Trans on Circuits and Systems for Video Technology，2013，23（11）： 1825-1836.

［9］Immich R，Borges P，Cerqueira E，et al. Adaptive motionaware FECbased mechanism to ensure video transmission［C］// Proc of IEEE Symposium on Computers and Communications. Piscataway，NJ： IEEE Press，2014： 1-6.

［10］Wu Jiyan，Cheng Bo，Wang Ming，et al. Priorityaware FEC coding for highdefinition mobile video delivery using TCP［J］. IEEE Trans on Mobile Computing，2017，16（4）： 1090-1106.

［11］Luo Zhengyi，Song Li，Zheng Shibao，et al. Raptor codes based unequal protection for compressed video according to packet priority［J］. IEEE Trans on Multimedia，2013，15（8）： 2208-2213.

［12］Lin C H，Shieh C K，Hwang W S. An access pointbased FEC mechanism for video transmission over wireless LANs［J］. IEEE Trans on Multimedia，2012，15（1）： 195-206.

［13］祝永晉，尹飛，豆龍龍，等. 基于前向糾錯的自適應網絡傳輸機制［J］. 計算機應用，2021，41（3）： 825-832. （Zhu Yongjin，Yin Fei，Dou Longlong，et al. Adaptive network transmission mechanism based on forward error correction［J］. Journal of Computer Applications，2021，41（3）： 825-832.）

［14］柳粟杰，楊秀芝，陳平平，等. 實時視頻傳輸的幀級別前向糾錯信道編碼［J］. 廈門大學學報： 自然科學版，2020，59（6）： 964-971. （Liu Sujie，Yang Xiuzhi，Chen Pingping，et al. Frame level forward error correction channel coding for realtime video transmission［J］. Journal of Xiamen University： Natural Science，2020，59（6）： 964-971.）

［15］Schwarz H，Marpe D，Wiegand T. Overview of the scalable video coding extension of the H.264/AVC standard［J］. IEEE Trans on Circuits and Systems for Video Technology，2007，17（9）： 1103-1120.

［16］Lacan J，Roca V，Peltotalo J，et al. RFC 5510，ReedSolomon forward error correction（FEC） schemes［S］. USA： RFC Editor，2009.

［17］陳一鳴. 流媒體業務中間件之前向糾錯策略研究與實現［D］. 上海： 復旦大學，2012. （Chen Yiming.Research and implementation of forward error correction strategies for streaming media business middleware［D］. Shanghai： Fudan University，2012.）

［18］Cheng Sheng，Hu Han，Zhang Xinggong，et al. DeepRS： deeplearning based networkadaptive FEC for realtime video communications［C］// Proc of IEEE International Symposium on Circuits and Systems. Piscataway，NJ： IEEE Press，2020： 1-5.

［19］Ganjam A，Jiang Junchen，Liu Xi，et al. C3： Internetscale control plane for video quality optimization［C］// Proc of the 12th USENIX Conference on Networked Systems Design and Implementation. ［S.l.］： USENIX Association，2015： 131-144.

［20］Jiang Junchen，Sekar V，Stoica I，et al. Shedding light on the structure of internet video quality problems in the wild［C］// Proc of the 9th ACM Conference on Emerging Networking Experiments and Technologies. New York： ACM Press，2013： 357-368.

［21］Li Jing，Cheng Jihang，Shi Jingyuan，et al. Brief introduction of back propagation neural network algorithm and its improvement［C］// Advances in Computer Science and Information Engineering. Berlin： Springer，2012： 553-558.

［22］王會青，郭芷榕，白瑩瑩. 基于BP和樸素貝葉斯的時間序列分類模型［J］. 計算機應用研究，2019，36（8）： 2271-2274，2278. （Wang Huiqing，Guo Zhirong，Bai Yingying. A time series classification model based on BP and naive Bayes［J］. Application Research of Computers，2019，36（8）： 2271-2274，2278.）

［23］Mirjalili S. Genetic algorithm［M］// Mirjalili S. Evolutionary Algorithms and Neural Networks： Theory and Applications. Cham： Springer，2019，780： 43-55.

［24］Hsiao P W，Kuo C I，Shieh C K，et al. An analysis modeling of framelevel forward error correction for H.264/AVC over burstloss channels［C］// Proc of the 4th International Conference on Wireless Communications，Vehicular Technology，Information Theory and Aerospace & Electronic Systems. Piscataway，NJ： IEEE Press，2014： 1-5.

［25］Xiph.Org. Xiph.Org video test media［EB/OL］. （2019-04-15）. https：//media.xiph.org/.

［26］HuynhThu Q，Ghanbari M. Scope of validity of PSNR in image/video quality assessment［J］. Electronics Letters，2008，44（13）： 800-801.