一种基于罚因子的DASH调度算法

　　摘 要： 随着移动互联网的普及，基于DASH的流媒体传输协议的应用越来越广泛。如何在带宽波动较大的移动互联网环境中保证用户实现流媒体的流畅点播，提高用户的体验度是DASH调度算法最主要研究的问题。以提高用户体验度为出发点，结合带宽和缓存深度两方面因素，对带宽预测模型的置信度进行评价。在高置信度情况下，大胆地对网络带宽估计模型的模型参量进行调整；在低置信度情况下，以保护缓冲区深度为目的，谨慎地对模型参量进行调整。这种调整势必会对QoE造成相应的影响，该影响作为“罚因子”反馈回模型置信度的评价，以获得模型参数的动态最优解，得到一种较好的DASH调度算法。

　　关键词： 罚因子； 体验度； 自适应带宽估计； DASH

　　中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）16?0045?04

　　DASH scheduling algorithm based on a penalty factor

　　YOU Xiao?quan

　　（Communication Engineering Department， Chengdu Technological University， Chengdu 610031， China）

　　Abstract： As the mobile network has become universal in recent years， DASH?based streaming media transmission protocol is used more and more widely. Thus， how to guarantee the fluent video?on?demand in the mobile network circumstance with large bandwidth fluctuation and improve the quality of experience （QoE） are the major problems for DASH algorithm. In this paper， in order to improve the users’ QoE， an evaluation on the confidence coefficient of the bandwidth prediction model is adopted in combination with the bandwidth and buffer depth. A bold adjustment of network bandwidth estimation model parameters under the condition of high degree of confidence. A careful adjustment of the model parameters should be conducted to protect the buffer depth under the condition of low degree of confidence. This adjustment will certainly cause corresponding influence on the QoE. The influence will be taken as the "penalty factor" evaluation of feedback back to the model confidence level for dynamic optimal solution of model parameters and better DASH scheduling algorithm.

　　Keywords： penalty factor； quality of experience； adaptive bandwidth estimation； DASH

　　DASH传输协议是一种基于HTTP的多媒体传输协议，所以基于DASH的多媒体数据在各种网络设备间具有强大的穿透能力[1]。越来越多的多媒体服务商采用DASH协议进行媒体的分发，目前MPEG组织和3GPP 组织联合提出了MPEG?DASH（MPEG Dynamic Adaptive Streaming over HTTP）协议，其结构框图如图1所示[2]。

　　在服务器端，同一段视频内容被压缩成多个码率的分片，客户端可以通过HTTP的GET请求不同的码率分段，以期达到视频流的连续回放的目的[3]。在网络质量较好的时候可以请求码率较高的分段，而当网络质量较差的时候请求码率较低的分段，其结果必须满足下面四个条件[4]：尽量避免视频流回放的停滞；在网络带宽允许的前提下，尽量获取高质量高码率的视频分片；尽量不要使不同质量分片间的切换过于频繁，因为从用户体验的角度看，视频质量的频繁切换的观看体验度反而不及较低码率的观看体验度好；视频的初始时间最小化。在各种DASH调度算法中，动态码率自适应算法得到了广泛关注，其中形成两个主要类别：基于带宽预测的DASH调度算法[4?5]和基于缓冲区深度的DASH调度算法[6?7]。前者通过对带宽进行估计，据此请求相应码率的视频分片，带宽估计模型的正确性直接影响了用户的体验度（QoE），带宽估计过小，用户观看到的视频质量差，带宽估计过大，用户观看到的视频就会出现停顿，QoE会严重下降。后者主要依据缓存中的媒体分片的多少来决定未来请求的码率质量。该方法存在的主要问题是不能及时响应带宽的变化情况，对码率切换的决策都带来一定的滞后。

　　在移动互联网应用中，短时平均带宽的起伏较大，上述两种方法所存在的问题都有可能使得QoE产生严重的下降。所以，DASH调度算法的决策应当充分考虑带宽和缓存区深度两方面的问题，即在充分的考虑带宽估计模型的置信度的同时，也应当考虑缓存区深度的变化情况以及它们之间的相互关系。因此本文首先分析了QoE的影响因素，以提高用户体验度为出发点，结合带宽和缓存深度两方面因素，对带宽预测模型的置信度进行评价。在高置信度情况下，大胆地对网络带宽估计模型的模型参量进行调整；在低置信度情况下，以保护缓冲区深度为目的，谨慎地对模型参量进行调整。这些调整势必会对QoE造成相应的影响，该影响作为“罚因子”反馈回模型置信度的评价，以获得模型参数的动态最优解，得到一种较好的DASH调度算法。

　　图1 MPEG?DASH协议的系统结构

　　1 QoE的影响因素分析

　　在前文所述的四个条件中，前面三个条件均能对QoE产生显著的影响，其中视频流停滞对QoE的影响最大，可以描述为式（1）：

　　[BW≥f（si）?titi+tn] （1）

　　式中：BW为当前网络的平均带宽；ti为下一个分片的时长；tn为缓存区已存储分片的时长；f（si）为所第i个时间片的视频流码率：其次为视频流码率对QoE的影响，视频流平均码率可以描述为式（2）：

　　[μbitrate=i=0Nfsi?tiT] （2）

　　式中：T为视频流的总时长。为了得到较高的用户体验，要求视频流的平均码率尽可能高。

　　最次为视频流切换对QoE的影响，其切换的代价函数可以描述为式（3）：

　　[σ2=i=0Ngsi] （3）

　　式中的[gsi]可以描述为：

　　[gsi=0，fsi-1=fsi1，other]

　　上式反映了视频流的波动会造成QoE的下降。

　　通过分析，BW预测的误差会带来如下几种情况：

　　（1） 当BW预测值超出实际值过大，导致式不成立，造成严重的QoE下降，这也是最严重的一种后果；

　　（2） 当BW预测值远低于实际值，导致式中的平均码率过低，造成QoE的下降；

　　（3） 当BW预测值在实际值周围较大波动时，就会造成缓存深度的波动，导致式中切换的频繁发生，造成QoE的下降。由此可见，带宽预测模型的正确性直接决定了QoE的下降与否。

　　2 基于“罚因子”的DASH调度模型

　　一种较为准确的带宽预测模型是依据历史的实际带宽和预测数据来估计当前的带宽预测值，一阶预测模型可以表示为：