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：

[BWi=P?BRi-1+1-P?BWi-1] （4）

式中：[BRi-1]为上一时刻带宽的实测值，该值可以在客户端下载数据时计算得到；[BWi-1]为上一时刻带宽的预测值，[BWi]为当前时刻带宽的预测值；P为模型因子，本文称作“罚因子”。式（4）所表示的预测模型可以理解为：当前预测值是对上一时刻预测值和实测值的折中[9?11]。如果“罚因子”较大，说明预测模型存在较大的误差，那么当前的预测值更多的相信上一时刻的实测值；如果“罚因子”较小，说明模型比较可靠，应该更多的相信模型的预测值。考虑到视频流的码率也存在一定的波动，在实际应用里，采用缓存深度波动代替预测误差，即实际带宽与选择的视频流码率不匹配时，缓存深度变化较大，“罚因子”应取较大值，反之取较小值。本文构造的“罚因子”如下的一个连续函数：

[P=α， δ≤δ01-2α1-2δ0δ-δ0+α， δ0<δ≤1-δ01-α， else] （5）

式中：α为一较小的正数，如0.1，用于增加模型的扰动；[δ]为缓存深度的变化率，定义为： [δ=tn-1-tntn]。[δ0]为模型的临界值，也为一较小的正数，如0.05。当[δ≤δ0]时，认为带宽预测模型比较可靠，当[δ≥δ0]时认为带宽的预测模型较粗糙，需要增加“罚因子”。

上述基于“罚因子”的带宽预测模型可以用于预测带宽的预测值，实际带宽往往在其预测值左右摆动，这就存在一个带宽预测值的置信度概率密度分布，将该概率密度函数记为，其中BW为带宽。一般的，应为一条连续的曲线，为了简化模型的复杂度，可以用折线法近似地替代该曲线，如图2所示。

图2 带宽预测模型置信度概率分布

图2中，BWmax为网络的最大接入带宽值，BWi为根据“罚因子”带宽预测模型得到的带宽预测值；P0～P2为各自带宽值所对应的概率密度，可以将其看作概率分布函数的参数，可用于评价带宽预测模型的可靠性，如果预测模型可靠，则P0较大，P1与P2较小，实际带宽在BWi附近的可能性较大；反之亦然。根据概率密度的性质为：

[0+∞PBWdBW=1] （6）

式（6）表明，图2中折线和BW轴所围的面积恒等于1，说明已知P0～P2和BWi就可以获得带宽预测模型可靠性的概率模型，其中BWi可由带宽预测模型得到，而P0～P2可以根据下述方法得到：在下载分片数据的过程中，客户端一定可以测得当前网络的实际带宽。借此，可以对上述带宽预测模型的可靠性进行检验。如果预测值与实际值相差不大，那么就可以认为预测模型是准确的，可以将图2中的P0加大，反之减小P0。在实际操作中可以结合P0～P2同时调整，即当实际带宽大于预测带宽时等比例的加大P0与P1，同时减小P2，反之加大P0和P2，同时减小P1。在这种方法中，注意保证满足式（6）所规定的条件。只要预测值与实际值相差不大，该方法会加大P0，对预测模型的可靠性做出评价。

通过式（1）可以计算出发生QoE停滞损耗的临界带宽BWc式所述的，其QoE下降的风险概率为：

[DQoE=0BWcPBWdBW] （7）

当式（7）中的[DQoE]较大时，说明发生式（1）所描述的QoE下降概率较大，而应该出于谨慎的态度选择码率较低的视频流分片，直至式（7）中的[DQoE]能够被接受。当式（7）中的[DQoE]较小时，说明式（4）所预测的[BWi]具有较高的置信度，DASH的调度应该按照式所述的方式进行。

3 实验及结果

本文所述的DASH调度算法以VLC为实验平台，视频分片流采用12个不同码率（200 Kb/s，300 Kb/s，400 Kb/s，500 Kb/s，600 Kb/s，700 Kb/s，800 Kb/s，1 000 Kb/s，1 200 Kb/s，1 400 Kb/s，1 600 Kb/s，1 800 Kb/s）编码压缩的Big Buck Bunny[12]，编码器为X264。其实验结构如图3所示。

图3 DASH实验设备拓扑结构示意图

其中Bandwidth Shaping可以模拟网络带宽的变化，本文实验首先采用随机带宽模型和文献[6]所描述的算法进行对比，网络带宽设置为0～100 s为600 Kb/s，100～200 s网络带宽上升为1 600 Kb/s，200～300 s网络带宽又下降为600 Kb/s。文献[6]算法的实验结果如图4所示，从中可以发现该算法在响应网络带宽的变化有一定的滞后，并且缓冲区深度在200 s处有明显的下降，该下降存在QoE的停滞下降可能。

图4 基于缓冲区深度的DASH调度算法结果

图5是采用本文算法的实验结果，从该实验结果可以看到本算法对网络带宽的适应性较强，并在网络带宽发生突变时缓冲区深度变化不大，造成QoE停滞下降的风险比文献[6]的小。在随机变化的信道中也有相似之处。

4 结 论

本文采用一种基于“罚因子”的带宽预测模型对网络带宽进行预测，同时利用实际带宽值对该模型的置信度进行评价，在QoE下降风险可接受的前提下对DASH进行调度决策。实验结果表明，该方法能够及时响应带宽的变化，另一方面，式（5）中“罚因子”的计算是采用缓存中剩余时间得到的，这能抵消部分由于视频码率的波动所造成的影响，从图5中缓存剩余时间也可以得到相应结果。综上所述，本文所述的算法是一种较好的DASH调度算法。

图5 本文算法结果

参考文献

[1] BEGEN A， AKGUL T， BAUGHER M. Watching video over the web： Part 1：Streaming protocols [J]. IEEE Internet Computing， 2011， 15（2）： 54?63.

[2] SODAGAR I. The mpeg?dash standard for multimedia streaming over the internet [J]. IEEE Multi Media， 2011， 18（4）： 62?67.

[3] EVENSEN K， KASPAR D， GRIWODZ C， et al. Using bandwidth aggregation to improve the performance of quality?adaptive streaming [J]. Signal Process?Image， 2012， 27（4）： 312?328.

[4] LIU C， BOUAZIZI I， GABBOUJ M. Rate adaptation for adaptive HTTP streaming [C]// Proceedings of the second annual ACM conference on Multimedia systems. USA： ACM， 2011： 169?174.

[5] MULLER C， LEDERER S， TIMMERER C. An evaluation of dynamic adaptive streaming over http in vehicular environments [C]// Proceedings of the 4th Workshop on Mobile Video. USA： ACM， 2012： 37?42.

[6] ZHOU C， ZHANG X， HUO L. A control?theoretic approach to rate adaptation for dynamic HTTP streaming [C]// 2012 IEEE Visual Communications and Image Processing （VCIP）. [S.l.]： IEEE， 2012： 1?6.

[7] MULLER C， TIMMERER C. A test?bed for the dynamic adaptive streaming over HTTP featuring session mobility [C]// Proceedings of the second annual ACM conference on Multimedia systems. USA： ACM， 2011： 271?276.

[8] TIMMERER C. Special issue on modern media transport?dynamic adaptive streaming over HTTP （DASH） [J]. Image Signal Processing， 2012， 27（4）： 269?70.

[9] 尤小泉，彭映杰.结合分块Hough变换与Kalman预测的车道线检测方法[J].科学技术与工程，2013（24）：7087?7092.

[10] 尤小泉，彭映杰.结合Hough变换与运动估计的车道线提取方法[J].电视技术，2013（11）：191?193.

[11] 尤小泉，彭映杰.一种基于指令预测的目标跟踪方法[J].电视技术，2010（2）：81?84.

图3 DASH实验设备拓扑结构示意图

其中Bandwidth Shaping可以模拟网络带宽的变化，本文实验首先采用随机带宽模型和文献[6]所描述的算法进行对比，网络带宽设置为0～100 s为600 Kb/s，100～200 s网络带宽上升为1 600 Kb/s，200～300 s网络带宽又下降为600 Kb/s。文献[6]算法的实验结果如图4所示，从中可以发现该算法在响应网络带宽的变化有一定的滞后，并且缓冲区深度在200 s处有明显的下降，该下降存在QoE的停滞下降可能。

图4 基于缓冲区深度的DASH调度算法结果

图5是采用本文算法的实验结果，从该实验结果可以看到本算法对网络带宽的适应性较强，并在网络带宽发生突变时缓冲区深度变化不大，造成QoE停滞下降的风险比文献[6]的小。在随机变化的信道中也有相似之处。

4 结 论

本文采用一种基于“罚因子”的带宽预测模型对网络带宽进行预测，同时利用实际带宽值对该模型的置信度进行评价，在QoE下降风险可接受的前提下对DASH进行调度决策。实验结果表明，该方法能够及时响应带宽的变化，另一方面，式（5）中“罚因子”的计算是采用缓存中剩余时间得到的，这能抵消部分由于视频码率的波动所造成的影响，从图5中缓存剩余时间也可以得到相应结果。综上所述，本文所述的算法是一种较好的DASH调度算法。

图5 本文算法结果

参考文献

[1] BEGEN A， AKGUL T， BAUGHER M. Watching video over the web： Part 1：Streaming protocols [J]. IEEE Internet Computing， 2011， 15（2）： 54?63.

[2] SODAGAR I. The mpeg?dash standard for multimedia streaming over the internet [J]. IEEE Multi Media， 2011， 18（4）： 62?67.

[3] EVENSEN K， KASPAR D， GRIWODZ C， et al. Using bandwidth aggregation to improve the performance of quality?adaptive streaming [J]. Signal Process?Image， 2012， 27（4）： 312?328.

[4] LIU C， BOUAZIZI I， GABBOUJ M. Rate adaptation for adaptive HTTP streaming [C]// Proceedings of the second annual ACM conference on Multimedia systems. USA： ACM， 2011： 169?174.

[5] MULLER C， LEDERER S， TIMMERER C. An evaluation of dynamic adaptive streaming over http in vehicular environments [C]// Proceedings of the 4th Workshop on Mobile Video. USA： ACM， 2012： 37?42.

[6] ZHOU C， ZHANG X， HUO L. A control?theoretic approach to rate adaptation for dynamic HTTP streaming [C]// 2012 IEEE Visual Communications and Image Processing （VCIP）. [S.l.]： IEEE， 2012： 1?6.

[7] MULLER C， TIMMERER C. A test?bed for the dynamic adaptive streaming over HTTP featuring session mobility [C]// Proceedings of the second annual ACM conference on Multimedia systems. USA： ACM， 2011： 271?276.

[8] TIMMERER C. Special issue on modern media transport?dynamic adaptive streaming over HTTP （DASH） [J]. Image Signal Processing， 2012， 27（4）： 269?70.

[9] 尤小泉，彭映杰.结合分块Hough变换与Kalman预测的车道线检测方法[J].科学技术与工程，2013（24）：7087?7092.

[10] 尤小泉，彭映杰.结合Hough变换与运动估计的车道线提取方法[J].电视技术，2013（11）：191?193.

[11] 尤小泉，彭映杰.一种基于指令预测的目标跟踪方法[J].电视技术，2010（2）：81?84.

图3 DASH实验设备拓扑结构示意图

其中Bandwidth Shaping可以模拟网络带宽的变化，本文实验首先采用随机带宽模型和文献[6]所描述的算法进行对比，网络带宽设置为0～100 s为600 Kb/s，100～200 s网络带宽上升为1 600 Kb/s，200～300 s网络带宽又下降为600 Kb/s。文献[6]算法的实验结果如图4所示，从中可以发现该算法在响应网络带宽的变化有一定的滞后，并且缓冲区深度在200 s处有明显的下降，该下降存在QoE的停滞下降可能。

图4 基于缓冲区深度的DASH调度算法结果

图5是采用本文算法的实验结果，从该实验结果可以看到本算法对网络带宽的适应性较强，并在网络带宽发生突变时缓冲区深度变化不大，造成QoE停滞下降的风险比文献[6]的小。在随机变化的信道中也有相似之处。

4 结 论

本文采用一种基于“罚因子”的带宽预测模型对网络带宽进行预测，同时利用实际带宽值对该模型的置信度进行评价，在QoE下降风险可接受的前提下对DASH进行调度决策。实验结果表明，该方法能够及时响应带宽的变化，另一方面，式（5）中“罚因子”的计算是采用缓存中剩余时间得到的，这能抵消部分由于视频码率的波动所造成的影响，从图5中缓存剩余时间也可以得到相应结果。综上所述，本文所述的算法是一种较好的DASH调度算法。

图5 本文算法结果

参考文献

[1] BEGEN A， AKGUL T， BAUGHER M. Watching video over the web： Part 1：Streaming protocols [J]. IEEE Internet Computing， 2011， 15（2）： 54?63.

[2] SODAGAR I. The mpeg?dash standard for multimedia streaming over the internet [J]. IEEE Multi Media， 2011， 18（4）： 62?67.

[3] EVENSEN K， KASPAR D， GRIWODZ C， et al. Using bandwidth aggregation to improve the performance of quality?adaptive streaming [J]. Signal Process?Image， 2012， 27（4）： 312?328.

[4] LIU C， BOUAZIZI I， GABBOUJ M. Rate adaptation for adaptive HTTP streaming [C]// Proceedings of the second annual ACM conference on Multimedia systems. USA： ACM， 2011： 169?174.

[5] MULLER C， LEDERER S， TIMMERER C. An evaluation of dynamic adaptive streaming over http in vehicular environments [C]// Proceedings of the 4th Workshop on Mobile Video. USA： ACM， 2012： 37?42.

[6] ZHOU C， ZHANG X， HUO L. A control?theoretic approach to rate adaptation for dynamic HTTP streaming [C]// 2012 IEEE Visual Communications and Image Processing （VCIP）. [S.l.]： IEEE， 2012： 1?6.

[7] MULLER C， TIMMERER C. A test?bed for the dynamic adaptive streaming over HTTP featuring session mobility [C]// Proceedings of the second annual ACM conference on Multimedia systems. USA： ACM， 2011： 271?276.

[8] TIMMERER C. Special issue on modern media transport?dynamic adaptive streaming over HTTP （DASH） [J]. Image Signal Processing， 2012， 27（4）： 269?70.

[9] 尤小泉，彭映杰.结合分块Hough变换与Kalman预测的车道线检测方法[J].科学技术与工程，2013（24）：7087?7092.

[10] 尤小泉，彭映杰.结合Hough变换与运动估计的车道线提取方法[J].电视技术，2013（11）：191?193.

[11] 尤小泉，彭映杰.一种基于指令预测的目标跟踪方法[J].电视技术，2010（2）：81?84.