基于特性筛选的网络视频纳什优化机制研究*

李如平，王　勇，徐珍玉



基于特性筛选的网络视频纳什优化机制研究*

李如平1,2+，王勇3，徐珍玉4

1.合肥工业大学计算机与信息学院，合肥230009
2.安徽工商职业学院电子信息系，合肥231131
3.合肥工业大学机械与汽车工程学院，合肥230009
4.农业部农业物联网技术集成与应用重点实验室，合肥230088

ISSN 1673-9418 CODEN JKYTA8

Journal of Frontiers of Computer Science and Technology 1673-9418/2016/10(05)-0657-10

http://www.ceaj.org Tel: +86-10-89056056

* The National Natural Science Foundation of China under Grant Nos. 40876052, 60543002 (国家自然科学基金); the National Science and Technology Innovation Fund Project of China under Grant No. 11C26213402042 (国家科技部创新基金项目); the Key Project of Natural Science Research in Anhui Universities under Grant Nos. KJ2015A389, KJ2015A450, KJ2016A081 (安徽省高校自然科学研究重点项目); the Foreign Scientific and Technological Cooperation Project of Anhui Province under Grant No. 1403062028 (安徽省对外科技合作计划项目); the Key Project of Discipline (Professional) Talents Academ ic Funding in Anhui Universities under Grant No. gxbjZD2016094 (安徽省高校学科(专业)拔尖人才学术资助重点项目).

Received 2015-05,Accepted 2015-09.

CNKI网络优先出版: 2015-12-09, http://www.cnki.net/kcms/detail/11.5602.TP.20151209.1414.006.htm l

LI Ruping, WANG Yong, XU Zhenyu. Research on op tim ization m echanism of network video based on feature selection for Nash. Journal of Frontiersof Com puter Science and Technology, 2016, 10(5)：657-666.

摘要：为解决异构网络环境下网络视频传输中难以实现均衡传输，以及视频质量难以满足用户主观需求等难题，提出了基于特性筛选及异构网络带宽选择的网络视频数据纳什均衡优化机制。首先通过对当前用户视频数据进行基于参数的特性筛选，并通过定义裁决评价矩阵来计算参数权值矢量，从而对网络状况进行动态评估，以便选择适合网络进行传输；然后采用纳什均衡优化机制，构建效益函数并采取迭代算法获取纳什均衡解，从而得到最佳带宽。仿真实验表明，与BRA-PMEM（bandw idth resource allocation mechanism in pure market economy model）机制相比，新机制在用户视频特性及网络处于异构状态时，更能有效降低用户视频体验误差程度，改善用户PSNR（peak signal to noise ratio），提高网络的利用效率。

关键词：异构网络；视频特性；纳什均衡；裁决评价矩阵；效益函数；最佳分配带宽

1 引言

随着云网络技术的不断演进，未来网络业务存在的环境也日趋复杂，各种网络流将依托各种通信技术组成的多维无线异构网络来为用户提供各种基于大数据的通信信息服务，从而通过各个组成网络的协同来满足不同的用户需求[1]。在这些通信信息服务中，各种高清实时视频业务成为最热门、最核心及利润增长最快的业务类型之一[2]。由于无线网络环境的不稳定性以及异构环境下网络业务切换的非平滑特性，需要根据实时的需要以及对当前环境进行合理判断来为用户业务切换最合适的用户链路及用户网络，并提供最佳的保障资源，特别是带宽资源[3]。同时，在实时高清视频业务等的刺激下，各个运营商也相继投入大量资源保障网络切换质量及带宽，以便在实时高清视频业务领域占据一席之地。

当前，研究者在该领域中主要研究在异构网络环境下如何完成带宽资源的分配[3]，对于视频业务在异构网络环境下的带宽资源优化分配研究较少，主要是从博弈论角度来改善用户竞争，采取市场经济模型来控制带宽资源的分配。如Niyato等人[4]提出可以从非合作方面来进行博弈建模，在组成异构网络的无线网络情况较为简单时，可以有效地解决高带宽业务的带宽资源分配问题，但是用于实时高清视频领域时，由于对实时性及纠错程度考虑不够，当视频业务带宽持续增长时，会造成严重的视频失真现象。Joy[5]提出在高带宽业务中需要根据业务与网络环境进行实时博弈，利用视频业务失真模型来对不同质量视频实现不同层次的保障，使其在单一无线网络环境中可以实现近似100%程度的业务质量保障。但是该技术在多个无线网络构成的异构网络中，当网络环境趋向复杂时，导致业务难以进行平滑切换，往往造成视频业务中断和卡顿现象的发生。Saaty[6]基于市场经济模型提出一种按照用户效用最大原则进行资源分配的机制，采取分布式的迭代思想，根据用户业务最优市场价格及当前最佳带宽资源匹配机制，实现单一时刻视频业务流的资源最优匹配。但是该机制仅考虑了单一用户业务的需求，难以根据不同的用户视频特性进行最佳网络切换及业务的平衡切换。

针对当前研究中遇到的这些问题，本文提出了基于特性筛选及异构网络带宽选择的网络视频数据纳什均衡优化机制（network video data Nash equilibrium optimization mechanism based on feature selection and heterogeneous network bandw idth selection，BFSS-NS）。首先依据用户视频特性进行特性筛选，采用参数权值矢量对网络状况进行动态评估后，选择最佳的网络进行传输；然后采用纳什均衡优化机制构建效益函数，采用迭代算法获取纳什均衡解，从而得到最佳带宽。最后，测试了本文机制的网络性能。

2 网络模型及视频模型分析

异构网络中视频业务承载的网络结构如图1所示，在一定的业务承载区域内，由若干个处于异构状态的无线网络构成。这些无线网络共同承载视频业务的正常进行[7]。此外，在该业务承载区域内，存在若干个使用多种接入终端工具的用户，这些用户可以自由选择任意的接收方式来进行视频业务的体验[8]。

Fig.1 Video service bearer network图1 视频业务承载网络

对于任意一个用户而言，在某一时刻只能选择某个网络接入方式来体验视频业务。设Bi为某个用户i在进行视频访问时所享用的带宽。令B=(B1, B2,…,Bi,…)为业务承载区域内全部用户同时进行视频体验时所需要的带宽矢量。对用户i而言，其带宽区间记为(Bi min,Bi max)，显然Bi满足如下的表达式：

Bi∈(Bimin,Bimax)（1）

假设整个业务承载区域内的某个组成网络j在任意时刻的接入用户数量为k，j所能提供的最大可接入视频业务带宽为cj，显然保证用户能够流畅体验视频的必要条件为：

为获取更流畅的用户视频业务体验，并减少业务传输过程中因干扰而造成的体验下降现象，需要建立客观的评价方法来对此进行评估。当前主要是采用峰值信噪比（peak signal to noise ratio，PSNR）来评价干扰信号对视频信号的影响程度。PSNR计算模型为：

其中，D为实际视频流信号与未受干扰的视频流信号的相差程度。

任意视频信号在发送之前需要进行压缩编码传输，因此D的数学表达式与传输选择采用的编码方式密切相关。本文选用H.264压缩编码标准，该标准是目前视频业务中使用最为广泛的视频压缩编码标准[9]。故D计算模型为：

D=αR-β（4）

其中，R为视频业务信号在进行H.264压缩编码时的输出码率；α和β为失真参数，由视频业务信号被压缩编码后形成的数字信号序列的特征所决定。

在不同时刻，视频业务信号的数字信号序列特征及失真参数的具体数值都是不同的[10]。结合模型（3）、（4）可以得到用户i在享用带宽Bi时的视频体验质量PSNRi满足：

其中，m=10/ln10；αi为用户的单位时间像素损失水平；βi为用户i在享用带宽为Bi时的失真参数，一般取5以下的数。

3 网络视频数据纳什均衡优化机制

3.1最佳接入网络的确定

BFSS-NS机制中使用多维决策来对用户接入网络进行切换，在接入网络给用户分配带宽资源时，需要根据当前接入用户的PSNRi、享用带宽Bi和网络状况等参数最终决定用户到底选择哪个接入网络来进行视频业务体验。由于不同的影响因素对用户最终做出的选择影响不同，本文机制对这些影响因素所决定的特性参数采用层次与权值方式来确定各自所占权重。

3.1.1特性参数的选取

网络数据视频体验是一种用户主观体验，因此难以具体使用量化指标进行参数评估。鉴于当前用户观看视频过程中主要由用户观看误差程度（卡顿、马赛克等），用户观看时所处的网络状况，以及用户为观看网络视频所能忍受的最大视频失真等因素决定用户体验，并考虑到视频业务的特性及接入网络所能提供的视频服务情况，本文使用如下的参数作为网络切换时的特性参数：用户视频体验误差程度d，当前接入网络剩余可利用的带宽大小e，用户视频体验代价f，以及当前接入网络的网络负载大小h。一般而言，用户视频体验误差越小，网络可利用带宽越高，用户视频体验代价越小，以及接入网络负载越小，则本文机制改善视频业务的能力越强。若用户满意程度的最低阈值为PSNRmin，显然当用户视频体验质量PSNRi小于PSNRmin时，视频业务将不能满足用户体验需求。依据模型（3）可知，用户i在网络j提供享用带宽为Bi时的视频误差由αi和βi所决定：

定义h(i,j)为Bmax与Buse之比，即h(i,j)=Bmax/Buse。显然，对于任意用户i在接入网络为j时，h(i,j)的比值越大，则网络的负载情况也就越佳。当h(i,j)=1时，网络处于不可用状态，用户必须切换到其他处于可用状态的网络中。

用户进行视频体验时主要承受的代价为时延成本，即对于任何视频而言，一旦缓冲时间过大，将极大地影响用户观看视频。用户i视频体验代价f(i,j)为：

f(i,j)=aTi（9）

其中，a为比例系数，满足a∈(0,1)；Ti为用户i所能接受的最大时延。

对于任意用户i而言，在接入网络为j时，整体特性参数矢量R为：

R=[d(i,j),e(i,j),f(i,j),h(i,j)]（10）

特性k的大小就是整体特性参数矢量在对应特性维度上的投影R，记为Rk,j，其中k∈(d,e,f,h)。

3.1.2特性参数权重的计算

视频质量评价最终要体现在用户的感官体验上，因此对于一个视频，在即将播放前用户会主观进行质量的层次划分，特别是视频存在多个评价参数时，用户选取的评价指标随着视频业务的体验可能会随之改变；而且用户会通过自己主观体验来对参数进行对比。据此，本文建立裁决评价矩阵来计算各个参数对用户的权重矢量。

记裁决评价矩阵I=[Imn]，m和n为评价参数，Imn表示m比n重要的程度且满足Imn与Inm互为倒数。当m和n为同一评价参数时，Imn=2，当m和n为不同的评价参数时，Imn可用修正萨蒂标度（RSI）来赋值。表1为业务质量评价层次赋值表。

Table 1 Business quality evaluation hierarchy表1 业务质量评价层次赋值表

由于对视频业务的评价需要综合考虑业务本身的指标以及用户的主观判断指标，对于用户视频体验误差程度d、接入网络剩余可利用的带宽大小e、用户视频体验代价f以及接入网络的网络负载大小h而言，用户的敏感程度是不一样的。其中用户对d指标最为敏感，例如一旦视频中出现卡顿和马赛克，会严重影响视频体验；其次，如果网络剩余带宽很小，那么直接影响到下一时刻用户对d指标的体验，而当前接入网络的负载大小一般不直接影响用户的视频体验，因此对用户而言，重要程度按d、e、f、h顺序依次递减。因此裁决评价矩阵I可写为表2的形式。

Table 2 Ruling evaluation matrix表2 裁决评价矩阵I

当上述裁决评价矩阵I为理想状态下的裁决评价矩阵时，其特征值就是该矩阵的阶数。而实际得到的裁决评价矩阵中的元素一般不是整数，例如理想状态下Ide为4，表示对用户而言，指标d比e稍微重要，但用户主观评价上可能会认为比稍微重要的层次还要低一些，因此可能实际中Ide的数值就为3.5。在得到裁决评价矩阵后，还需要根据特征值和特征向量来判定实际得到的裁决评价矩阵I与理论上的最大偏移程度CI。CI计算模型如下：

其中，n为裁决评价矩阵的阶数；ν为裁决评价矩阵最大的特征值。

显然当实际得到的裁决评价矩阵为理想情况时，CI的数值为0。对于四阶矩阵而言，当CI数值满足CI<0.05时，即可认为裁决评价矩阵I可以精确地刻画用户对视频业务体验的契合程度，否则，需要继续进行用户体验调查，直到CI数值满足CI<0.05。

当CI<0.05时，每个特征参数的权重wx可由下式计算得到：

其中，x∈(d,e,f,h)。

对wx进行平均处理可以得到：

据此，可以得到裁决矩阵的权重矢量w计算模型为：

为在统一尺度上进行参数处理，在进行网络接入时，整体特性参数矢量R在对应特性维度上的投影Rk,j需要进行归一化处理为----Rk,j：

其熵值Rk为：

故整个特征参数的权值矢量w′满足w′=[wd, we,wf,wh]。依据上述模型，最终得到的特征参数总权重矩阵wall由下列表达式计算获得：

其中，μ为一常数，取值在0到1之间。

根据模型（17）可知，对于网络j而言，用户选择程度Mj满足：

其中，k∈(d,e,f,h)。

如果整个业务承载区域内有n个子网络，那么用户选取当前时刻Mj最大的网络j，即最能满足用户视频体验的网络。

在确定接入网络之后，即可通过合适的效益函数来实现对最佳分配带宽的计算，从而保证用户在最佳网络中能够以最佳带宽进行用户视频体验。

3.2效益函数的纳什均衡解计算与最佳分配带宽的获取

当某一用户选取当前时刻Mj最大的网络j后，网络j并不展现排他性，即网络j在剩余带宽允许的范围内，依然会为新加进来的用户提供视频带宽服务。各个用户之间会对网络j的视频带宽资源进行博弈，以期望能达到最佳的视频体验效果。

对于任意一个用户i在实现PSNRi时，需要占用一定的带宽资源Bi。设网络j在最终时候有J个用户，因此对任意一个用户i，其效益函数fi(Bi)满足：其中，f1i(Bi)为用户i在进行视频体验时的效益水平PSNRi；f2i(Bi)为用户i在进行视频体验时能承受的最大时延水平；f3i(Bi)为用户i在进行视频体验时所占用的带宽资源水平。

根据市场经济学理论[11-12]，f1i(Bi)会随着时间的推移呈现边际效益递减的现象，即当用户获取的带宽资源水平Bi不断增加时，f1i(Bi)呈现对数式的下降趋势，依据模型（4），可得：

因此，在网络能提供的带宽受限的情况下，整个问题归结为如下的命题：

其中，各项参数定义与模型（1）～（2）相同。

对于网络中任意一个用户i，其对应的带宽分配策略满足Bi∈[Bimin,Bimax]。因此，对整个集合{Bi}在欧式空间上满足是非空闭合且存在上下确界的集合；此外fi(Bi)为一连续的拟凹函数，对fi(Bi)求Bi的两次偏导数可得：

显然，fi(Bi)满足：

根据数学理论可知，fi(Bi)存在纳什均衡解，由于fi(Bi)″<0，从而fi(Bi)在成立集合{Bi}上为严格的凹函数，则fi(Bi)存在唯一的极大值Bi，使得任意一个用户总能获取最佳的分配带宽，以便完成用户视频体验，即本文提出的BFSS-NS机制存在唯一的纳什均衡解。

设当前时刻为t，则下一时刻t+1时，用户享用的带宽Bi(t+1)满足如下的迭代表达式：

由于fi(Bi)为严格的凹函数，在{Bi}集合中总能通过收敛达到最佳的纳什均衡解。

综上所述，本文BFSS-NS机制具体步骤为：

步骤1首先确认接入的用户i为有效用户。

步骤2对于任意一个有效用户i，根据PSNRi以及αi和βi，联合模型（5）～（7），计算出当前网络剩余带宽；由模型（10）计算出网络的整体特性参数矢量R。

步骤3获取裁决评价矩阵I，通过模型（11）～ （14）计算得到裁决评价矩阵的权重矢量w，联合模型（10）、（15）、（16）、（17）计算得到整个特征参数的权值矢量w′，求得特征参数总权重矩阵wall后，根据模型（19）求得用户选择程度Mj，选取Mj最大所对应的网络j作为接入网络。

步骤4选择完接入网络j后，将分配带宽Bi初始值设定为网络最小可提供的带宽Bimin，根据模型（26）计算出迭代时的带宽步长，当满足|Bi(t+1)-Bi(t)|≤ε时，本文机制终止，用户i已经获取到了最佳分配带宽（其中ε为系统最小带宽的精确度）。

通过以上步骤可以看到，本文在确认用户为有效用户后，基于视频特性参数计算获取整体特性参数矢量，之后结合裁决评价矩阵及用户选择程度来获取最佳的接入网络。为保障用户在最佳接入网络中可以获取最佳的分配带宽，采用了基于迭代的思想逐步迭代到纳什均衡解，即最佳分配带宽，从而确保用户在获取最佳接入网络的情况下，能够获取到最佳分配带宽。

4 仿真实验与分析

本文仿真场景设定为6个相互融合的无线网络所组成的用户承载网络，用户可以自由选择任意一个无线网络进行视频业务体验，并借助Matlab进行测试。为验证本文BFSS-NS机制的有效性，将当前视频业务中广泛适用的单纯市场经济模型带宽资源分配机制（bandw idth resource allocation mechanism in pure market economy model，BRA-PMEM）[13-15]视为对照组。BRA-PMEM机制在当前改善网络视频服务中被各个主流视频网站所采用，能够在用户竞争较少时，有效改善视频业务质量，具有良好的代表性。该模型可以基于单纯的市场效益对带宽资源进行均衡化分配，且采用了线性规划思想，能在网络状况处于稳定状态时对带宽压力及时做出反馈，因此将BRA-PMEM机制视为对照组。本文将用户视频按照表3所示8种等级进行输入。

Table 3 Simulation parameters of video service level表3 视频业务等级的仿真参数

上述视频水平分别代表不同质量的用户视频需求，αi表示单位时刻用户视频最大损失像素点水平，βi为失真参数，均采用H.264压缩编码。为进行对比，用户体验的最高和最低带宽均被设置成等差数列。

本文设置了7种不同的网络环境，考虑到用户视频体验主要是时延和带宽，因此7种网络环境均是根据时延和带宽来进行设置，见表4。其中，迭代补偿ψi取2.5 Kb。

Table 4 Simulation parameters of network environment表4 网络环境仿真参数

Fig.2 Nash equilibrium state of this paper mechanism图2 本文机制的纳什均衡状态

图2给出了不同视频等级下的用户经过一定时间后都能够达到纳什均衡状态。从图中可知，等级5和等级6达到纳什均衡状态时所占用的带宽水平比较高，这是因为这两种等级的视频由于像素缺失现象严重，导致网络需要分配更多的带宽以便修复缺失的像素。但是无论像素缺失现象是否严重，8种等级下的视频均能达到纳什均衡状态。这是因为本文机制引入了纳什均衡机制，使得无论像素是否缺失，在足够的时间内都能达到这种状态。

图3给出了在7种网络环境下采用本文机制与BRA-PMEM机制所对应的用户视频体验误差程度测试结果。依图可知，本文机制的用户视频体验误差程度一直小于BRA-PMEM机制，且下降幅度也小于BRA-PMEM机制。这是因为用户体验程度是一种主观评价指标，当视频处于卡顿、马赛克和延时等现象时，均会对用户体验造成严重的影响。因本文机制引入了纳什均衡原理，初始时刻用户分配的带宽通过一定的时间就能达到最佳的纳什均衡所确定的带宽值，在网络情况复杂时，提高了接入网络对视频接入带宽的适应性，减小了接入网络在接入视频时的带宽压力，减轻了卡顿、马赛克与延时等现象的发生，从而缩小了用户视频体验误差程度。而BRAPMEM机制是基于线性规划思想的用户带宽分配机制，当网络中用户竞争数量提高导致用户所需带宽发生改变时，BRA-PMEM机制难以针对用户竞争数量的实时改变而做出反馈，导致网络不能动态确定分配带宽，因而致使网络带宽资源供应紧张，对减少卡顿、马赛克、延时等现象的能力有限，使得用户视频体验较差，造成其用户视频体验误差程度要大幅度高于本文机制。

Fig.3 Test result of userƳs video experience error图3 用户视频体验误差程度测试结果

图4给出了在7种网络环境下采用本文机制与BRA-PMEM机制时用户视频的PSNR测试结果。依图可知，本文机制与BRA-PMEM机制都会随着网络环境的改变而呈现上升趋势。这是因为随着网络PSNRmin水平的上升，用户的视频PSNR所能获取的最好PSNR水平也随之上升，但是本文机制对应的PSNR水平一直在BRA-PMEM机制之上。这是因为本文机制引入了网络切换机制，当某个网络由于PSNR降低而不能满足用户需求时，用户可以选择更好PSNR水平网络进行视频体验。而BRA-PMEM机制对PSNR没有进行处理，因此难以改善用户视频的PSNR。

Fig.4 PSNR testing w ithout bandw idth allocation mechanism图4 不用带宽分配机制的PSNR测试

图5给出了在7种网络环境下采用本文机制与BRA-PMEM机制的用户视频的网络利用率。从图中可以看到，本文机制对网络的利用程度远远优于BRA-PMEM机制。这是因为BRA-PMEM机制采用基于线性分配的机制，当前网络被高带宽用户占用时，将难以通过最佳分配方式进行带宽资源分配，从而造成严重的用户等待效应。而本文机制引入了纳什均衡机制，通过步长迭代实现了短时间内最佳带宽资源的分配，因此减少了处于等待的用户水平，提高了对网络的资源利用效率。

Fig.5 Network utilization of bandw idth allocation mechanism图5 各带宽分配机制的网络利用率

对于用户体验而言，在观看某个视频时，期望视频资源在不同网络中的切换时延越小越好，且在观看视频时，主要影响因素就是视频时延状况。故本文引用平衡切换时延来衡量该机制的平衡切换能力。图6给出了7种网络环境下本文机制与BRAPMEM机制的网络平衡切换时延测试结果。依图可知，随着网络环境的复杂程度的增加，本文机制与BRA-PMEM机制的网络平衡切换时延均呈现增加趋势。这是因为随着网络时延等指标不断恶化，接入网络在带宽资源受限时对网络视频处理反馈上的时延也不断增加，导致网络平衡切换时延也出现相应的变化。但是本文机制的网络平衡切换时延处于缓慢增加的状态，而BRA-PMEM机制的网络平衡切换时延增加幅度要超过本文机制。这是由于本文机制引入了纳什均衡机制，在接入网络的时延及带宽等受限情况下，能够对接入视频进行优化调度，减少接入过程中的时延波动。而BRA-PMEM机制采用基于线性规划的分配机制，在网络带宽受限情况下，网络视频处理反馈时延程度也呈现线性增加趋势，因此在其网络平衡切换时延的能力上要低于本文机制。

Fig.6 Network equilibrium sw itching delay test results of two mechanisms图6 两种机制的网络平衡切换时延测试结果

由于网络视频的实时性能体现在特定网络视频内容所对应的视频时延程度上，当网络视频实时性较好时，该视频内容时延情况也较好[12]。故本文利用视频内容时延来衡量所提机制的实时性。为体现本文机制的优异性并节省计算成本，选取视频业务等级最差的第6等级（见表3），该等级视频在实际应用中受到严重的马赛克干扰。图7给出了7种网络环境下本文机制与BRA-PMEM机制在表3所示的第6个视频业务等级情况下的视频内容时延测试结果。依图可知，本文机制的视频内容时延处于较低水平，显示该机制拥有较高的实时性，而BRA-PMEM机制的视频内容时延始终高于本文机制。这是因为所提技术引入了纳什均衡机制，在不同网络条件下，视频本身占有的带宽水平随着网络状况不断进行动态优化，能够有效平滑接入带宽的波动状况，从而减缓视频内容时延。而BRA-PMEM机制随着网络条件不断变化，相应的视频内容时延也会呈现线性变化，当网络状况恶化时，视频内容时延也会呈现正向线性变化，因此其视频内容时延要大于本文机制。

Fig.7 Video content delay testing of each algorithm图7 各算法的视频内容时延测试

5 结束语

本文提出了一种基于特性筛选及异构网络带宽选择的网络视频数据纳什均衡优化机制（BFSSNS）。首先通过用户视频的特征参数及当前网络的带宽状况，通过构建裁决评价矩阵得到选取最佳接入网络的决定性参数，从而筛选出最佳的接入网络。之后采用纳什均衡机制得到如何通过合适的带宽迭代步长来达到纳什均衡解，即最佳的用户分配带宽。最后通过仿真实验证实了在不同的网络状况及视频等级质量的前提下，本文机制能够达到纳什均衡状态，有效降低了用户视频体验误差程度，改善了用户PSNR，提高了网络的利用效率。

References:

[1] Howard A, Matari M J, Sukhatme G S. An incremental selfdeployment algorithm for WSN[J]. Autonomous Robots, 2014, 21(1): 113-126

[2] Nguyen D, Tran T, Nguyen T. Wireless broadcast using network coding[J]. IEEE Transactions on Vehicular Technology,2009, 58(2): 914-925.

[3] Park H, van der Schaar M. Fairness strategies for w ireless resource allocation among autonomous multimedia users[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2012, 20(2): 297-309.

[4] Niyato D, Hossain E. A game theoretic analysis of service competition and pricing in heterogeneous w ireless access networks[J]. IEEE Transactions on Wireless Communications, 2014, 7(12): 5150-5155.

[5] Joy R. A non-cooperative game-theoretic framework for radio resource management in 4G heterogeneous w ireless access networks[J]. IEEE Transactions on Mobile Computing, 2014, 7(3): 332-345.

[6] Saaty W. The analytic hierarchy process—what it is and how it isused[J]. Mathematical Modelling, 2015, 9(3): 161-176.

[7] Jiang Yong, Chen Shanzhi, Hu Bo. Stackelberg games-based distributed algorithm of pricing and resource allocation in heterogeneous w ireless networks[J]. Journal on Communications, 2013, 34(1): 61-68.

[8] Weigle M C, Cheng Li, Kaur J, et al. Generalized stochastic performance models for loss-based congestion control[J]. Computer Communications, 2014, 33(4): 513-525.

[9] Kamaci N, A ltunbasak Y, Mersereau R M. Frame bit allocation for the H.264/AVC video coder via Cauchy-densitybased rate and distortion models[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2014, 15(8): 994-1006.

[10] Zhang Qing, Liu Guizhong. Rate allocation games in multiuser multimedia communication[J]. IET Communications, 2011, 5 (3): 396-407.

[11] Li M ingxin, Chen Shanzhi, Xie Dongliang, et al. Resource allocation and adm ission control based on non-cooperation game in heterogeneous w ireless networks[J]. Journal of Software, 2010, 21(8): 2037-2049.

[12] Horm is L. Adaptive mode and diversity control for video transmission on w ireless channels[J]. IEEE Transactions on Signal Processing, 2013, 57(8): 3624-3637.

[13] Cai Lin, Shen Xuem in, Pan Jianping, et al. Performance analysis of TCP-friendly AIMD algorithm for multimedia applications[J]. IEEE Transactions on Multimedia, 2015, 7 (2): 339-355.

[14] Yrachenkov K, Ayesta U, Doncel J, et al. Congestion control of TCP flows in Internet routers by means of index policy[J]. Computer Networks, 2013, 57(17): 3463-3478.

[15] Zhou Chuan, He Junwei, Chen Qingwei. A robust active queue management scheme for network congestion control[J]. Computers and Electrical Engineering, 2013, 39(2): 285-294.

附中文参考文献：

[7]姜永,陈山枝,胡博.异构无线网络中基于Stackelberg博弈的分布式定价和资源分配算法[J].通信学报, 2013, 34 (1): 61-68.

[11]李明欣,陈山枝,谢东亮,等.异构无线网络中基于非合作博弈论的资源分配和接入控制[J].软件学报, 2010, 21 (8): 2037-2049.

LI Ruping was born in 1973. He is an associate professor at Anhui Business Vocational College. His research interests include computer application, Internet of things technology, network information and security, etc.

李如平（1973—），男，安徽肥东人，硕士，安徽工商职业学院副教授，主要研究领域为计算机应用，物联网技术，网络信息与安全等。

WANG Yong was born in 1969. He is a professor and Ph.D. supervisor at Hefei University of Technology, the member of Robotics Professional Comm ittee of Chinese Automation Society, the member of Robot Professional Comm ittee of China Association of Artificial Intelligence, the director of Sensor Branch of China Instrument and Instrument Society. His research interests include sensor technology, computer aided design and robot technology, etc.

王勇（1969—），男，安徽合肥人，合肥工业大学教授、博士生导师，中国自动化学会机器人专业委员会委员，中国人工智能学会机器人专业委员会委员，中国仪器仪表学会传感器分会理事，主要研究领域为传感器技术，计算机辅助设计，机器人技术等。

XU Zhenyu was born in 1968. He is a senior engineer at Key Laboratory of Agriculture IOT Technology Integration and Application of M inistry of Agriculture. His research interests include image processing, Internet of things technology and system analysis, etc.

徐珍玉（1968—），男，安徽合肥人，农业部农业物联网技术集成与应用重点实验室高级工程师，主要研究领域为图像处理，物联网技术，系统分析等。

Research on Optim ization M echanism of Network Video Based on Feature Selection for Nashƽ

LI Ruping1,2+, WANG Yong3, XU Zhenyu4
1. College of Computer and Information, Hefei University of Technology, Hefei 230009, China
2. Department of Electronic Information,Anhui Business Vocational College, Hefei 231131, China
3. College of Mechanical and Automotive Engineering, Hefei University of Technology, Hefei 230009, China
4. Key Laboratory of Agriculture IOT Technology Integration and Application of M inistry of Agriculture, Hefei 230088, China
+ Corresponding author: E-mail: lrp15@163.com

Key words:heterogeneous network; video characteristics; Nash equilibrium; ruling evaluation matrix; benefit function; optimal allocation bandw idth

Abstract:In order to solve the problems such as difficult to achieve balance transm ission, and the video quality is difficult to meet the needs of user in network video transm ission under the conditions of heterogeneous network environ-
ment, this paper proposes the Nash equilibrium optim ization mechanism of network video data based on feature selection and heterogeneous network bandw idth selection. Firstly, the dynamic evaluation of the network state is conducted to select the appropriate network for transm ission by defining the evaluation matrix to calculate the parameters weight vector and selecting the parameters based on the current user video data. Then Nash equilibrium solution is obtained by using the Nash equilibrium optim ization mechanism to construct the benefit function and iterative algorithm. The simulation results show that the proposed mechanism can effectively reduce the error level of userƳs video experience and improve the user PSNR (peak signal to noise ratio), as well as increasing the efficiency of the network when the userƳs video characteristic and network are heterogeneous compared w ith the BRA-PMEM (bandw idth resource allocation mechanism in pure market economy model).

doi:10.3778/j.issn.1673-9418.1509060 E-mail: fcst@vip.163.com

文献标志码：A

中图分类号：TN929.5