5G網絡環境下的網絡視頻質量分析

羅 銳，黃鸝聲，張振宇，薛 紅，歐陽千瑋，談澄秋

（1.成都師范學院 計算機科學學院，成都 611130；2.電子科技大學 計算機科學與工程學院，成都 611731；3.西南交通大學 信息編碼與傳輸重點實驗室，成都 611756；4.重慶郵電大學 國際學院，重慶 400065；5.中國移動通信集團四川有限公司，成都 610095）

5G高速率、低時延的特性為移動網絡視頻業務帶來了全新的視覺體驗，視頻業務已經成為5G網絡主流應用.據愛立信移動市場報告數據［1］，到2025年，移動視頻流量在移動數據總流量中的占比將從2019年的略高于60%增長到近75%；另一方面，在5G時代，通信市場競爭日趨激烈，由于無線網絡質量的影響，用戶網絡視頻業務在體驗過程中經常出現視頻啟動時間太長、黑屏和卡頓時間過長等問題，直接導致用戶滿意度下降、投訴量增加，甚至離網等后果.為此，運營商需要精確評估和掌握用戶在使用網絡視頻業務過程中的體驗質量，以便提前發現質量問題，進一步開展客戶關懷、網絡維護優化工作.因此，做好5G網絡視頻業務質量評估，及時發現網絡視頻業務運行過程中的問題，成為通信運營商亟待解決的課題，研究一套準確率高、易推廣的5G網絡環境下的網絡視頻質量分析方法成為迫切需求.

目前通信運營商采用的網絡視頻質量分析方法主要包括視頻信令檢測法、探針撥測法、直接深度包檢測（deep packet inspection，DPI）解析法和呼叫/事務/會話數據記錄（extend data recording，XDR）大數據法四類.視頻信令檢測法是運營商通過部署的統一DPI系統，提取視頻播放過程中交互的視頻播放時長、卡頓等信令數據，計算視頻播放質量［2-5］.視頻信令檢測法的優勢是實施簡單、準確率高，但若視頻內容源服務商采用加密協議來傳輸視頻數據，或修改了信令流程，都會導致運營商無法進行網絡視頻質量分析.探針撥測法是在網絡中布放視頻質量監測終端，視頻質量監測終端對各主要網絡視頻模擬用戶行為進行自動撥測、分析，從而獲取視頻質量分析結果［6-7］.探針撥測法實施簡單，也是運營商應用較多的視頻質量分析方法，但探針撥測法獲得的視頻質量分析結果無法代表真實用戶使用視頻業務時的真實視頻感知質量.直接DPI解析法是在運營商網絡鏈路上部署DPI設備，對視頻播放的流量進行捕獲、抽取、解析，獲取視頻質量相關數據指標，在此基礎上，分析、計算網絡視頻質量評價值，文獻［8-18］都是直接DPI解析法，區別在于提取的視頻數據指標不同，計算視頻質量的方法不同.由于直接DPI解析法需要在網絡鏈路上部署專門的DPI設備，在運營商已經部署統一DPI系統對網絡流量進行全量采集、解析處理［19-20］的情況下，直接DPI解析法再單獨部署專門的DPI設備，顯然浪費投資.XDR是由呼叫數據記錄（call data recording，CDR）演變而來的概念，CDR是傳統通信網中對通話過程中網絡關鍵信息的記錄，XDR是CDR概念的擴展，泛指對通信網絡中數據流量的關鍵信息記錄，即流量日志，XDR以用戶會話為單位，一個會話形成一條XDR記錄，也稱為一條XDR話單.為了對通信網絡上承載的流量進行業務質量分析，各通信運營商都按技術規范部署了統一DPI系統，將通信網絡上的流量數據復制一份到DPI設備，對通信網絡上承載的所有流量進行解析、處理、保存，相應生成XDR大數據.XDR大數據法是利用運營商現有XDR大數據加工生成視頻質量分析結果.文獻［21-22］提出在運營商XDR大數據基礎上，通過數據挖掘，實現包含視頻業務在內的各種互聯網業務質量的分析，該方法由于充分利用了運營商現有數據資源，降低了實施成本，但運營商XDR數據量大，數據粒度細，往往一次視頻業務過程就對應數十條XDR話單，直接應用原始XDR話單進行數據挖掘需要耗費大量存儲和計算資源，部署實施技術的可行性和經濟性存在問題.為此，文獻［23］提出，先從XDR大數據中提取出與視頻質量相關性高的少量視頻質量特征信息，將大規模、低價值的XDR話單數據轉化為高價值、小規模的視頻質量特征信息，在此基礎上，應用機器學習算法實現視頻質量的分析評價，以降低部署實施成本、提高視頻質量分析的準確性，取得更為精確的視頻質量分析評價結果，但文獻［23］的視頻質量分析方法只是針對一般的數據傳輸信道，未針對5G網絡無線信道的特點進行優化.本文將在文獻［23］基礎上，針對5G無線信道的時變衰落特性和網絡視頻播放的緩沖機制，在視頻質量特征信息指標加工過程中引入下行丟包率集中度指標，反映5G信道變化對視頻播放質量的影響，以在充分利用運營商統一DPI系統、節約成本的同時，進一步提高視頻質量分析評價的準確性.

1 5G無線信道特性與網絡視頻數據傳輸

在5G網絡中，影響網絡視頻質量的主要是無線信道質量.在無線網絡中，終端接收到的無線信號傳播特性如圖1所示，它包含了快變和慢變分量，變化較慢的慢衰落很大程度上可以通過功率控制加以均衡，而快衰落則不容易通過功率控制予以均衡，導致無線信道上的數據傳輸出現誤碼，進而產生丟包，同時，由于5G信道容量更大，同樣的無線信道快衰落在5G網絡中將會導致更多的丟包，無線信道衰落對網絡視頻業務質量的影響也更大.

圖1 無線信號傳播特性Fig.1 Wireless signal propagation characteristic

在網絡視頻播放方面，為了節約網站流量，節省視頻內容源服務器資源，幾乎所有的視頻點播網站都采用視頻數據分片傳輸方式，如圖2所示，網站將一次視頻播放的整個視頻文件分為若干個視頻分片文件，在視頻播放過程中，根據當前播放進度和最大緩沖距離，算出一個允許緩沖位置，在這個允許緩沖位置之內的視頻分片文件都通過5G網絡依次在播放之前先下載到播放視頻的終端中.

圖2 視頻數據下載播放過程Fig.2 Video data downloading and playing procedure

在網絡視頻播放的過程中，由于視頻緩沖的存在，無線信道衰落導致的丟包率增加雖然會影響衰落期間視頻分片文件的傳輸、下載，但并不一定會導致視頻播放出現卡頓，只要終端的視頻緩沖中有視頻數據供播放，就不會出現視頻播放卡頓，因此，5G無線信道衰落導致的丟包率增加并不一定引起用戶視頻播放質量的下降，除非無線信道衰落導致連續一段時間丟包率的增加，使得終端視頻緩沖中無視頻數據可供播放.

2 5G網絡下視頻質量分析思路

為了對5G網絡上承載的流量進行分析，運營商部署的DPI設備對5G所有流量數據進行解析、處理后，對流量數據中的關鍵信息進行記錄，生成XDR大數據.根據《中國移動5G上網日志留存系統技術規范v1.0.0》（中國電信和中國聯通技術規范類似），用于視頻質量分析的部分XDR話單數據記錄格式見表1.

表1 部分XDR數據格式Tab.1 Format of some XDR data

基于XDR大數據的5G視頻質量分析全過程如圖3所示，虛線左邊為視頻質量分析模型的訓練部分，虛線右邊為視頻質量分析模型的應用部分.在模型訓練部分，在XDR大數據中選取部分視頻播放記錄作為訓練對象，在XDR大數據中提取與這些視頻播放記錄對應的XDR話單，并對這些XDR話單作加工變換，針對每一次視頻播放記錄生成一組對應的特征信息指標，作為訓練數據集的特征指標；同時，提取這些視頻播放記錄的視頻播放質量信息，作為訓練數據集的標簽數據，將訓練數據集的特征指標和標簽數據輸入機器學習模型，通過模型訓練獲得視頻質量分析模型.在模型應用部分，針對每條視頻播放記錄提取對應的XDR話單數據，通過同樣的加工變換，得到與該視頻播放記錄相對應的一組特征信息指標，輸入視頻質量分析模型，即可計算得到該條視頻播放記錄的視頻質量分析結果；然后，將該分析結果提交網絡維護和客戶管理人員，指導網絡維護和客服人員有針對性地開展工作.5G視頻質量分析的關鍵是針對每次視頻播放記錄，在表1所示XDR話單數據格式基礎上，通過加工變換，生成一組特征信息指標，用于視頻質量分析模型的訓練或視頻質量分析結果的計算.

圖3 5G視頻質量分析全過程Fig.3 5G video quality analysis procedure

3 視頻質量特征信息指標加工

在網絡視頻業務播放過程中，視頻數據將從內容源服務器傳輸到用戶終端.無線信道的衰落導致5G信道呈現時變特性，因而在同一次視頻播放過程中的不同時間段，視頻數據可能具有不同的傳輸質量，進而可能呈現出不同的視頻播放質量，因此，在視頻質量分析中，需要對視頻播放的完整時間過程進行分時段的切片，針對每個切片分別計算特征信息指標，在此基礎上，再將所有切片的特征信息指標進行匯聚，從而獲得反映視頻播放全過程質量的一組特征信息指標.在XDR話單數據基礎上，加工生成的與視頻質量強相關的特征信息指標見表2.

表2 視頻質量特征信息指標Tab.2 Information characteristic indicators of video quality

在與視頻播放對應的5G網絡視頻數據傳輸中，一次視頻業務播放過程可能對應于5G網絡中多次的數據傳輸.相應地，在XDR大數據中，一次視頻播放可能對應XDR大數據中多條XDR話單，這些XDR話單在時間上存在相互重疊，構成一個XDR話單群.由于在視頻數據傳輸過程中的同一時刻可能存在多條XDR話單，這些XDR話單都與該時刻的視頻質量有關，因此，決定該時刻視頻質量的特征信息指標應基于該時刻的多條XDR話單進行計算.采用文獻［23］的切片數據加工方法，從XDR大數據中加工、提取出反映一次視頻播放質量的特征信息指標包括以下步驟：

1）將與一次視頻播放相對應的多條XDR話單聚合為一個話單群，再將聚合的XDR話單群按時間切片；

2）在每個切片時間窗內加工生成新的、與視頻播放質量強相關的特征信息指標；

3）在切片特征信息指標基礎上，匯聚生成對應一次視頻播放過程的一組特征信息指標.

3.1 XDR話單群的聚合和切片

3.1.1 XDR話單群的聚合

如圖4所示，將運營商XDR大數據中對應同一次視頻播放的多條視頻XDR話單進行聚合，形成XDR話單群，其中：每一條線段表示一條XDR話單記錄，線段的2個端點分別代表該XDR話單的起止時間.一個XDR話單群應滿足以下條件：話單群中任意一條XDR話單，均能在本群中找到至少一條起止時間與之部分或全部重合的XDR話單；不同XDR話單群之間存在明顯的時間間隔.

圖4 XDR話單聚合Fig.4 XDR data records aggregation

假設話單群為x，x=｛c1，c2，…，ci，…，cn｝，其中ci表示第i條話單，其話單開始時間為si，結束時間為fi，則對于話單群中任意話單ci，在該話單群中都存在話單cj，有

話單群x的開始時間為stx，則stx=min｛si|ci∈x｝；結束時間為ftx，則ftx=max｛fi|ci∈x｝.對于不同的2個話單群x和y，若stx＜sty，則有sty-ftx＞T，其中T為話單群之間最小時間間隔.

3.1.2 XDR話單群的切片

將同一個XDR話單群的總持續時長（最大結束時間與最小開始時間的差值）平均切分為多個固定時長的時間窗口，形成時間窗口記錄列表，然后對同一XDR話單群中的所有話單按照該時間窗口進行數據切片，為話單群的每個時間窗口生成一條唯一的時間窗口記錄，在該時間窗口記錄中的各個特征信息指標來自于與該時間窗口部分或全部重合的多條XDR話單的同一切片統計結果.

話單群x的總持續時間為dtx，則dtx=ftx-stx，若將話單群x的總持續時間dtx平均切分為n個時間窗口，則第i個時間窗口wndi的開始時間wnd_sti滿足

第i個時間窗口wndi的結束時間wnd_fti滿足

第i個時間窗口wndi的持續時間

3.2 切片時間窗內特征信息指標的加工

在切片時間窗口內，在XDR話單數據基礎上加工生成新的特征信息指標，以下行數據包數量DL_PACKET指標為例進行說明.定義DL_PACKETi，k為XDR話單群中第i條XDR話單記錄ci的DL_PACKET指標DL_PACKETi在第k個時間窗口wndk的分量值，則第k個時間窗口wndk的DL_PACKET指標WND_DL_PACKETk為該話單群中所有XDR話單在第k個時間窗口wndk的分量值之和，即

假設第i條XDR話單記錄ci的DL_PACKET指標變量關于時間為均勻分布，且第i條XDR話單記錄ci與第k個時間窗口wndk重疊的時間為Toverlap，第i條XDR話單的起始時間為si，終止時間為fi，則

其中的Toverlap計算式為：

類似地，可以計算第k個時間窗口切片內下行數據包的丟包數WND_DL_LOSTk.在此基礎上可以計算第k個時間窗口切片內的平均下行丟包率類

似地，可以計算第k個時間窗口切片內的平均上行丟包率WND_UL_PLRk和平均下行速率WND_AVG_DL_BPSk.

3.3 視頻播放特征信息指標的匯聚加工

3.3.1 下行丟包率集中度

在5G網絡視頻播放的過程中，無線信道衰落導致的丟包率增加顯然會降低衰落期間視頻分片文件的下載速度，但由于視頻緩沖的存在，并不一定會導致視頻播放出現卡頓，丟包率的增加是否會導致視頻播放出現卡頓，還取決于丟包率增加的時間分布，只有連續出現丟包率增加導致緩存中的視頻數據耗盡，無法滿足視頻播放需求時才會出現卡頓.顯然，信道衰落在時間軸上的分布時間越長，就越可能導致視頻卡頓出現.因此，在分析視頻質量的特征信息指標中，除了丟包率等反映信道傳輸整體質量的指標外，還需要引入反映視頻數據傳輸過程中丟包率集中程度的指標.

在氣象、水文的研究中，通常采用集中度刻畫降水、降雪、河流徑流量等在時間分布上的集中性［24-26］.本文針對視頻播放過程中下行視頻數據的傳輸，引入下行丟包率集中度對視頻數據傳輸過程中丟包率增加的連續性進行刻畫.在計算下行丟包率集中度的過程中，先將XDR話單群各個時間切片的丟包率轉化為一個丟包率矢量，再將所有時間切片的丟包率矢量進行合成，合成后矢量的模與所有時間切片丟包率總和的比值定義為下行丟包率集中度.各個時間切片丟包率矢量的模為其丟包率.將所有時間切片序列從0°開始按順序均勻分布在一個圓周上，丟包率矢量的方向為該時間切片在圓周上與0°之間的夾角.視頻質量分析中，下行丟包率集中度DL_PLR_CD的具體計算式為

下行丟包率集中度DL_PLR_CD體現了視頻播放過程中視頻數據傳輸丟包在播放期間各個時間切片中的集中程度，取值在0～1之間，其值越接近于1，表示網絡視頻數據傳輸過程中的丟包發生越集中，相應導致視頻播放卡頓的可能性也就越大.在下行丟包率集中度DL_PLR_CD基礎上，相應可匯聚計算特征信息指標中的快推質量標記和傳輸質量評分.

3.3.2 特征信息指標匯聚加工

在得到XDR話單群中所有時間窗口切片的平均下行丟包率WND_DL_PLRk、平均上行丟包率WND_UL_PLRk和平均下行速率WND_AVG_DL_BPSk的基礎上，分別取均值，計算一次視頻播放過程的對應指標：平均下行丟包率DL_PLR、平均上行丟包率UL_PLR和平均下行速率AVG_DL_BPS.每個XDR話單群的推測碼率MR為：

快推質量標記為

傳輸質量評分為

4 實驗分析

4.1 數據集

為評估5G衰落信道下的視頻質量，在上午8：00至9：00期間，隨機選取1萬條播放時長大于5 min的視頻播放記錄，共有5萬條視頻播放記錄及其對應的XDR話單作為訓練數據集.后續采用類似方法每天選取1萬條視頻播放記錄及其對應的XDR話單作為測試數據集.

在視頻質量分析模型訓練時，訓練數據集中不但要有每個視頻播放記錄樣本的特征數據，還需要將每個樣本的視頻播放真實質量信息作為標簽數據.獲取網絡視頻播放質量真實信息的方法分為兩大類：主觀質量評分方法和客觀質量評分方法［27-29］.主觀質量評分方法［30］要求測試用戶數量不能太少，且必須嚴格按照規范安排測試環境，因此，主觀質量評分方法操作步驟繁瑣，測試程序復雜，也無法實現實時地對網絡視頻質量進行評分；客觀質量評分方法［31］通過IT系統提取網絡視頻播放過程中的網絡參數，利用算法自動計算網絡視頻質量評分結果，不需要安排測試用戶觀看視頻、反饋評價結果，可以實現實時地對網絡視頻質量進行評分，因而研究中通常更多采用客觀質量評分方法.本文訓練數據集和測試數據集采用客觀質量評分方法獲取網絡視頻播放的真實質量信息.在用戶的5G網絡視頻播放過程中由于通信運營商主要負責視頻數據的傳輸，及主要關注由于5G網絡傳輸導致的視頻播放卡頓，因此，本文以視頻播放過程中的卡頓情況作為網絡視頻客觀質量評分的依據，具體以整個視頻播放過程中卡頓的時長占整個視頻播放時長的百分比乘以100作為百分制的網絡視頻質量真實評分.本文通過運營商的統一DPI系統提取5G網絡視頻播放過程中的播放起止時間和卡頓起止時間信息，從而獲得網絡視頻播放質量的真實評分.

4.2 評估指標

評估視頻質量的性能指標通常有平均絕對誤差（mean absolute error，mae）、均方差（mean squared error，mse）和平均偏差誤差（mean deviation error，mde），分別定義如下：

其中：Yi為視頻質量真實評分；為視頻質量預測評分；N為樣本總量.

運營商視頻質量分析主要用于評估和掌握用戶在使用5G網絡視頻業務過程中的體驗質量，以便提前發現質量問題，進一步開展客戶關懷、網絡維護優化工作.如果視頻質量預測評分與視頻真實質量評分差異不大，則視為預測正確，可將其應用于運營商的生產經營；反之，則視為預測不正確.在實際工作中，視頻質量預測評分和視頻質量真實評分差距在10分以內，視為預測正確，可用于生產經營；否則，為預測錯誤.相應地，采用準確率作為評估視頻質量分析結果準確性的指標，其計算式為

準確率accuracy表示在總樣本量中預測正確的號碼總量占總號碼量的百分比，反映了視頻質量分析結果的可用度.

4.3 結果及分析

在相同的訓練數據集上，采用Kaggle競賽中廣泛使用的xgboost（extreme gradient boosting）算法，分別基于本文提出的視頻質量特征信息指標加工方法和文獻［23］方法訓練視頻質量分析模型，并在10萬條視頻播放記錄及其對應的XDR話單構成的測試數據集上測試.圖5～7分別利用mae，mse和mde 3個性能指標對2種方法下的視頻質量分析結果進行比較，可以看到，本文提出的方法較文獻［23］方法都有明顯的提升.

圖5 5G視頻質量分析評價絕對誤差對比Fig.5 Comparison of 5G video quality analysis of mae between two methods

圖6 5G視頻質量分析均方差對比Fig.6 Comparison of 5G video quality analysis of mse between two methods

本文方法與文獻［23］方法在測試數據集上的視頻質量分析準確率比較如圖8所示.從圖8可以看出：本文方法的準確率約為87%，而文獻［23］方法的準確率約為84%，說明在5G網絡視頻播放過程中，本文根據5G無線信道的衰落特性和網絡視頻播放的緩沖機制，在視頻質量特征信息指標加工過程中，引入下行丟包率集中度指標，在此基礎上加工生成視頻質量特征信息指標，并使用該指標通過訓練生成視頻質量分析評價模型，有效提升了視頻質量分析評價模型的準確率.

圖7 5G視頻質量分析平均偏差誤差對比Fig.7 Comparison of 5G video quality analysis of mde between two methods

圖8 5G視頻質量分析準確率對比Fig.8 Comparison of 5G video quality analysis accuracy between two methods

5 結論

針對5G網絡環境下的網絡視頻質量分析，本文在運營商統一DPI系統的XDR大數據基礎上，針對每一次網絡視頻播放，聚合相應XDR話單并進行切片，形成切片特征信息指標，在此基礎上，將切片記錄的特征信息指標匯聚成視頻播放全過程的視頻特征信息指標；在視頻質量特征信息指標匯聚過程中，針對5G信道的時變衰落特性和視頻數據傳輸的緩沖機制特點，引入下行丟包率集中度指標，以反映5G信道變化對視頻播放質量的影響，在此基礎上通過訓練生成視頻質量分析評價模型.仿真實驗結果表明：與現有的視頻質量特征信息指標加工方法相比，本文所提方法生成的視頻質量分析評價模型的準確率更高.