适用于加密流量数据的视频服务QoE等级识别
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 现有技术及其发展趋势 | 第12-15页 |
| 1.2.1 视频QoE参数化评估模型 | 第12-13页 |
| 1.2.2 基于机器学习进行QoE建模 | 第13-14页 |
| 1.2.3 基于加密流量分析进行QoE建模 | 第14-15页 |
| 1.3 本文研究的主要内容和组织结构 | 第15-17页 |
| 2 YOUTUBE视频播放数据集构建 | 第17-31页 |
| 2.1 YOUTUBE视频数据自动采集系统 | 第17-20页 |
| 2.1.1 系统组件 | 第17-19页 |
| 2.1.2 单次视频播放实验流程 | 第19-20页 |
| 2.2 YOUTUBE视频自适应缓冲策略 | 第20-25页 |
| 2.2.1 带宽对视频清晰度的影响 | 第20-21页 |
| 2.2.2 YouTube视频缓存分析 | 第21-25页 |
| 2.3 实验设置及结果分析 | 第25-30页 |
| 2.3.1 实验设置 | 第25-27页 |
| 2.3.2 数据集分析 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 移动视频QOE评估模型 | 第31-43页 |
| 3.1 移动视频QOE主要影响因素分析 | 第31-32页 |
| 3.1.1 清晰度 | 第31页 |
| 3.1.2 启动延迟 | 第31-32页 |
| 3.1.3 卡顿次数及时间 | 第32页 |
| 3.2 现有的移动视频QOE评估方法 | 第32-35页 |
| 3.2.1 主观评估方法 | 第32-34页 |
| 3.2.2 客观评估方法法 | 第34-35页 |
| 3.3 建立QOE评估模型 | 第35-39页 |
| 3.3.1 三分级评估方法 | 第36-38页 |
| 3.3.2 二分级评估方法 | 第38-39页 |
| 3.4 实验与分析 | 第39-41页 |
| 3.4.1 QoE评估模型性能比较 | 第39-40页 |
| 3.4.2 现有数据集QoE分析 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 基于特征工程的加密流量QOE预测 | 第43-53页 |
| 4.1 常用的监督学习方法 | 第43-48页 |
| 4.1.1 朴素贝叶斯 | 第43页 |
| 4.1.2 支持向量机 | 第43-44页 |
| 4.1.3 决策树 | 第44-45页 |
| 4.1.4 随机森林 | 第45-46页 |
| 4.1.5 梯度提升树 | 第46-48页 |
| 4.2 特征选择与分析 | 第48-50页 |
| 4.3 实验结果及分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 基于表征工程的加密流量QOE预测 | 第53-62页 |
| 5.1 深层神经网络 | 第53-54页 |
| 5.2 基于CNN和LSTM的QOE预测模型 | 第54-58页 |
| 5.2.1 模型概述 | 第54-56页 |
| 5.2.2 使用CNN学习空间特征 | 第56-57页 |
| 5.2.3 使用LSTM学习时序特征 | 第57-58页 |
| 5.3 实验与结果分析 | 第58-61页 |
| 5.3.1 数据集及配置 | 第58-60页 |
| 5.3.2 网络流数据包个数的影响 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 7 附录 | 第64-66页 |
| 8 参考文献 | 第66-71页 |
| 在学期间所取得的科研成果 | 第71-72页 |
| 作者简历 | 第72页 |
