多维吸引子构成模型的视频业务QoE优化

朱庆华，陈 禹,2，常 莹，陆镜宇

(1.北京电子科技职业学院 电信工程学院，北京 100176；2.北京邮电大学 信息与通信工程学院，北京 100876)

0 引 言

现如今5G移动通信编码标准的确定，无线通信网络的发展会有更广阔的前景[1,2]。随着无线多媒体通信技术和视频压缩技术的迅速发展和广泛应用，各种数字视频应用已经深入人们的生活，因此对于数字视频质量评估技术及优化的研究显得尤为重要[3]。在传统无线视频传输网络系统中，通常把带宽(band width)、时延(time delay)、抖动(jittering)、丢包率(packet loss rate)等服务质量(quality of service，QoS)参数作为衡量业务质量的指标[4]。然而，移动互联网业务中的视频业务，业务质量的评价跟无线网络物理层的传输参数、用户的体验环境和视频业务的特点有关，通常使用体验质量(quality of experience，QoE)来评价用户质量[5]。QoE从用户的角度来评估业务质量，属于业务层面和应用的保障机制，在相关的QoS参数的基础上，还结合了业务的特点，能够较好地反映用户的主观感受，同时对于不同类型的业务，QoS/QoE的需求也是不同的[6,7]。因此对视频业务质量的评价正在经历从QoS到QoE的转变[8]。

为了提升未来无线多层网络覆盖场景中视频业务QoE感知的优化方法，本文利用生物信息学的细胞吸引子选择算法出发提出了一种基于多维吸引子构成模型的视频业务流量分配策略，通过持续的反馈-调整闭环机制以自治并自适应地改变调整该场景中各个无线视频传输线路流量的比例，最终达到未来无线多层覆盖网络状况恶化时保障用户视频业务QoE的目的。

1 算法提出

生物信息学是当今研究的热点，其跨学科领域的使用对通信多媒体等专业具有极大的帮助。目前，大阪一所高校的研究队伍在利用观察一种肠道细菌的适应行为后提出了一种基于“吸引子”选择的适应性响应模型(adaptive response byattractor selection，ARAS)[9]，研究发现该种细菌细胞能合成A、B对其存活生长极为重要的两种营养物质。但是合成该两种A、B营养物质确是成相互抑制与影响的，同时这两种营养物质都会单独影响细菌本身不同的mRNA的表达。

ARAS属于“二维吸引子”模型，表达生物在动态生长环境中自发自适应地调整自身的新陈代谢状况，是一种生物对外部环境的适应行为。生物的适应行为适用于建模成非线性动态系统所对应的相空间进行研究。由于相空间具有很大的维度，相空间的任一点表示了系统中所有细节的整个物理态，包括位置和动量坐标。在一个巨大维数的空间里的每个点用来表示系统全部可能的状态，同时也就有一相对应的相空间的点。在相空间中，对一个可行解x，其属于非线性动态系统，如果起始于其附近的路径并最终收敛到x，说明x是稳定解。如果附近所有非定常流从有界集出发，并都收敛于x，则x是吸引子。适应性响应模型表达的就是：生物保持活力是通过动态选择对环境适应的吸引子来实现的，模型如式(1)所示

(1)

该模型动态地反映了生物中两种mRNA的浓度。其中m1，m2分别表示与A、B两种营养物质相关联的两种mRNA的浓度，一对(m1，m2)就决定了生物的生长状态。A(0≤A≤1)表示生物的活跃程度，反映了当前的生物生长状态，营养物质的代谢水平。式(1)右侧表示生物mRNA浓度的变化率，影响mRNA浓度变化率有2个方面因素：①营养物质的代谢水平，主要包括其合成速度S(A)和分解速度D(A)。②环境噪声ηi，主要指生物代谢中各种内在与外在受影响的固有因素。由上述定义的动态系统存在两个稳定状态：m1≫m2和m1≪m2，即如图1所示的两处“凹陷”，也叫做两个吸引子，同时也叫做二维吸引子。如果假设：有一个生物正处于某一个吸引子状态，m1≫m2表示生物合成营养物质A较多，并且此时A,B营养物质都能满足生物较好地生长并保持较高活跃度，这说明该生物状态仍能适应生长环境，这个吸引子的作用力就很大，噪声对其生长的影响忽略不计。当生长环境突然发生巨大变化时，比如缺少营养物质B，而此时的吸引子依旧引导生物合成较多营养物质A，这样就会使生物不能获得足够营养物质B来保障其自身基本生长，就会导致其生物活跃度大幅的减少，S(A)和D(A)也同时下降，噪声影响在模型中的比重逐渐加大。

图1 二维吸引子选择原理

影响生物状况是随机动态变化的，如果主导对状态(m1，m2)进行相应调整，让生物能够重新选择吸引子。例如：当营养物质A在某一时刻在噪声干扰之下系统处于m1

2 多维算法建模

由于“适应性响应模型”是属于二维的，造成了适应性也受到了极大局限。受到启发，本文在多维吸引子选择驱动的适应性响应模型(modified multi-dimension adaptive response by attractor selection，MM-ARAS)[10]的基础上进行研究并将其应用到多层无线覆盖网络的场景中。使用多维吸引子选择优化算法，通过利用生物的自适应机制来进行建模，MM-ARAS可以用式(2)概括

(2)

综上所述，活性值是吸引子理论自带的一个描述，对应到QoE所表达的是体验更好活性更高。

在本文所研究的多层覆盖无线网络视频业务QoE优化场景下，系统并不需要让每个实体个体的性能都达到最优状态，目的是要实现系统的QoE整体优化。因此，本文把式(2)中每个实体独有的Ai改变为表示整体性能的参数A，扩展MM-ARAS模型变为多维吸引子构成模型，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的状态值；改进后的模型有M个吸引子，分别为mi≫mj(1≤j≤M,j≠i)， 活跃程度也同样用参数A表示。式(4)中，S(A)定义为以A为自变量的函数，α、β和γ是控制参量，α、γ取值为正实数，γ≥2且为正整数，D(A)则被直接定义为等于A。与MM-ARAS模型不同地方是，多维吸引子构成模型会使得系统整体活跃度达到最高，这是由于使用了一个全局的参量A来表达系统的整体性能，同时每一个实体也都自治、自适应地组成系统的一部分。在该模型中，当控制参数α变大时，吸引子的作用力也就越大，就会导致吸引状态也会变得更加稳定。同样由前述得知，吸引子的状态值的增长率随着参数β变大时就会减小，这时，环境因素的作用力对系统的影响就会变大。系统在这种情况下时就不容易陷入某个吸引子状态，进而导致模型的收敛速度变慢。

综上所述：当同一个场景中有M个吸引子时，通过本文提出的多维吸引子构成模型，系统会自治且自适应地调整自身系统状态，增加吸引子i所对应的相空间深度，使吸引子i的状态值mi趋向系统整体活跃度A的方向变化，使其能够适应环境的改变。

3 基于吸引子构成的视频QoE优化

在多层覆盖无线网络中，每个网络都存在不同的性能差异[11]，例如：连接可靠性、通信稳定性、网络带宽、网络时延、接入区域大小等等。类似于前述生物在共生生存环境中的现象，系统业务整体的体验质量受到其中任一个接入网络的资源占用、释放等行为时的影响[12]。为了在多层覆盖网络场景中获得更好的视频业务QoE，在本文中将使用多维吸引子构成算法对视频业务传输进行流量分配，目的是让系统中的所有接入网可以自治并自适应地共同协作完成服务，当QoE降低时能够优化各个接入网流量组成成分，最终可以保障业务质量。

在上述场景中，假设接入网集合为N={n1,n2,…,nK}，K为网络数目，且K≥1。终端承载视频业务，令其活性为A，在当前流量分配策略下，当A值变大时，表示用户QoE体验就越好。mi表示终端对任一网络ni的选择适应度，mi越大，表示该网络ni提供的业务服务越能满足用户要求。因此基于多维吸引子构成的QoE优化模型可用式(5)表示

(5)

假设系统中没有环境噪声ηi和系统动态变化，即

(6)

可以求得稳态均衡解为式(7)

(7)

(8)

同样，S(A)和D(A)在该模型中的定义也与多维吸引子选择模型一致。在该模型的控制调整下，吸引子m的状态值将会增长，并且是朝着改善视频业务QoE的值A的方向。

但是由于无线网络环境的特殊性，必定存在噪声项，同时无线网络环境变化是不可知以及不可预测的。为了使用户的网络选择具有较强的动态适应性，本文提出的基于多维吸引子构成模型对视频业务流量的分配策略采用随机性模式(stochastic mode)和确定性模式(deterministic mode)两种控制模式。在该模型中，噪声影响的状态值作为随机性控制，用户满意度的反馈值和网络状态的改变值作为确定性控制。网络视频业务流量则使用式(9)中的系统状态概率进行分配，如果当前网络状态良好，那么该网络分配的视频业务流量比例就变大，反之亦然。系统状态的变化需要一个适应度反馈用以对上述两种控制模式起到均衡的作用，本模型采用视频业务用户QoE作为反馈值，并且同时也能达到优化QoE的目的，令其整体保持在满意的程度

(9)

在该模型中，当前网络流量分配策略的性能指标由业务活跃度A来反应。其中视频业务活跃度A是以QoE为自变量的函数，是QoE的映射。但是网络流量分配策略如果一直连续的按照QoE的值来调整，这种方案极为消耗网络资源并且是不可行的，因此本文利用时间间隔Δt进行调整。同样也需要定义用户的QoE容忍阈值Th∈(0,100)，当QoE低于容忍阈值就启动该模型的优化策略，视频流量就被重新分配，这里特指不同接入的无线网络应分得的视频流量。

4 仿真结果与分析

本文利用myEvalvid网络多媒体仿真系统平台和NS2(network simulator，version 2)网络仿真平台进行视频业务QoE优化仿真实验。

4.1 仿真流程与参数

视频业务QoE优化实验是一个反馈调整的过程，流程如图2所示。接收端失真视频业务的QoE达到设定的阈值后就会被感知，系统对网络资源重新进行分配管理，从而达到优化目的。

图2 QoE优化实验流程

本文利用Matlab数学工具实现多维吸引子构成模型，依据视频业务QoE来调整网络流量分配比例的功能。如图3 所示，假设用户同时接入了Wi-Fi、cellular和WiMAX这3个不同的网络，其中Wi-Fi和WIMAX网络都同时获得35%的流量，Cellular网络只获得了30%的流量，业务活跃度的值A=0.8，具有较高QoE，因而网络流量分配比例不发生改变。由于网络状况在第10个单位时间时候发生了变化，业务A的活跃度下降到0.2，即A=0.2，系统开始进行网络流量分配比例调节。从图3可以看出，WiMAX、Cellular网络此时分别获得40%和36%的流量，而Wi-Fi网络只分得了24%，但是此时的流量分配比例仍然够满足用户QoE要求，直到下一个突变到来前系统将继续保持当前流量分配比例。

图3 流量分配比例调整

本文采用LIVE数据集的tr视频进行实验。该视频为YUV4∶2∶0格式，包含768*432大小的250帧。

视频业务传输的仿真流程如图4所示。首先将YUV视频用ffmpeg转化为m4v，其参数见表1。

图5显示了两个不同无线网络流量分配的比例为1∶3，tr1_25fps视频逐帧分配给网络1、网络2的实时流量占比图。而图6显示的则是在视频传输完成后，sd文件以包为单位流量分配的占比图。通过对比可以发现，分帧方式和分包方式在结果上差异并不是很大，因而在本仿真实验中采用分帧方法代替分包方法是切实可行的流量分配方式。

图4 视频业务传输仿真流程

参数名参数值参数含义-g9GoP大小-vcodecmpeg4视频压缩方式-qscale10压缩量化参数-s768*432视频帧大小-bf2I与P、P与P间B帧数目-r25帧率-itr1_25fps.yuv输入视频

图5 网络流量(分帧)动态比

图6 网络流量(分包)动态比

在将流量分配到网络1、2后，生成两组sd和rd文件，分别是记录了流量分配比为1∶4信息的sd1、rd1和记录流量分配比为3∶4信息的sd2、rd2，通过id映射再合成完整的sd、rd文件，最后由etmp4程序来产生视频失真。

4.2 仿真结果分析

图7显示出接入的无线网络数据传输错误率的变化。起始阶段网络1和网络2流量分配比例为1∶3，传输错误率分别为0.01和0.005。经过6个单位时间后，网络2由于受到突发流量干扰造成网络状况恶化，传输错误率变为0.05，进而导致视频业务QoE低于阈值，于是系统启动吸引子构成优化模型并且重新进行流量分配，经过9个单位时间后QoE高于阈值。在第19个单位时间，网络2状况得到恢复，但与此同时网络1状况又开始变差，直到24个单位时间时QoE又降至阈值以下，于是系统再重新进行流量分配。图8描述了视频QoE在同一时间段的变化情况，可以看出，经过调整流量分配及通过本模型优化后，视频业务QoE保持了一个相对稳定的状态，并且当不能达到用户要求时能够快速及时的做出反应，优化体验。图9指出了根据QoE用基于吸引子构成的优化模型计算后调整的流量分配情况。从中可以看出，系统流量分配比例随着用户QoE的变化而相应的改变。

图7 不同网络传输错误率实时变化

图8 视频业务QoE优化定量分析

图9 不同网络分配视频流量占比

5 结束语

本文提出的多维ARAS模型吸引子和视频业务活跃度算法比传统多路视频实时数据传输方法更能在多层无线覆盖网络场景中当网络突发状况劣化时保障QoE的目的，同时并不改变视频模式本身。下一步研究可以开发支持更多的接入网的仿真平台，以便协同提供更多的视频业务服务。

参考文献：

[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).[杨艳.基于多特征类型的无线视频质量用户体验(QoE)方法研究[D].北京:北京邮电大学,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).[姚会刚,黄永峰.基于BP神经网络的网络视频QoE评估[J].计算机工程与设计,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).[公维冰,阳小龙,张敏,等.基于细胞适应机制的自组网多路径路由协议[J].通信学报,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).[赵季红,冯洁琼,曲桦,等.LTE-A中基于QoE的无线资源分配算法[J].计算机工程与设计,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.