论文部分内容阅读
随着移动终端的普及与5G时代的到来,移动流媒体技术飞速发展,目前已被广泛应用于视频直播、远程教育以及安防监控等领域。为满足移动用户对高质量视频内容的需求,内容提供商发布的视频码率越来越高,但这需要高质量的网络条件和高性能的编码器作为支撑。与此同时,用户在享受优质流媒体服务的过程中,海量的移动流量与密集的计算任务也给移动设备电池带来了沉重的负担。对此,本文面向移动异构平台,根据移动设备当前网络状态、视频内容复杂度、缓存数据量、剩余电量选择最合理的CPU配置与视频码率,提高用户体验质量的同时降低能耗。研究工作如下:1.面向移动异构平台,针对移动流媒体应用提出了一种基于Q-learning的能量优化模型。该模型综合考虑了网络状态,视频缓冲区状态以及设备当前电量,通过强化学习模型动态调度移动流媒体应用的数据加载进程。实验结果表明,与移动端操作系统默认CPU调度策略HMP相比,该方法平均降低能耗14%。2.针对传统流媒体业务QoE评价标准无法满足自适应流媒体业务的问题,提出了一种基于BP神经网络的自适应流媒体用户体验质量评价模型。首先,对自适应流媒体视频中存在的用户主观影响因素进行测试,选择出影响自适应流媒体的关键影响因子。其次,通过BPNN对主观测试样本学习,确定关键影响因子对自适应流媒体业务用户体验的影响权值,建立自适应流媒体QoE预测模型。最后,通过对比实验得出该模型平均拟合度为0.92,可有效预测自适应流媒体业务的主观感知MOS值。3.针对移动端自适应流媒体技术中断次数多,码率波动频繁以及复杂网络适应性差的问题,提出了一种基于用户体验的视频码率自适应调节算法。主观感知测试实验发现,视频内容复杂度在不同码率等级下对用户主观感受造成的影响存在很大的差异。对此,本算法通过重新划分缓冲区域级别,引入视频画面复杂度作为码率调节的判断条件来降低视频中断次数与码率切换频率。实验在两种带宽波动环境下进行验证,实现了在不影响平均视频码率的情况下,DASH流媒体业务主观MOS值提升约12%。