基于OpenFlow的视频用户QoE优化研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.2 主要研究内容及工作 | 第13页 |
| 1.3 论文结构 | 第13-15页 |
| 2 相关技术及研究综述 | 第15-24页 |
| 2.1 DASH技术 | 第15-19页 |
| 2.1.1 DASH技术标准和工作机制 | 第15-18页 |
| 2.1.2 DASH技术优势 | 第18页 |
| 2.1.3 DASH技术相关研究 | 第18-19页 |
| 2.2 视频QoE | 第19-20页 |
| 2.2.1 视频QoE影响因素 | 第19-20页 |
| 2.2.2 视频QoE相关研究 | 第20页 |
| 2.3 OPENFLOW技术 | 第20-23页 |
| 2.3.1 OpenFlow网络结构 | 第20-22页 |
| 2.3.2 OpenFlow协议和工作机制 | 第22页 |
| 2.3.3 OpenFlow技术在视频领域的应用 | 第22-23页 |
| 2.4 本章小节 | 第23-24页 |
| 3 视频用户QOE指标检测模型 | 第24-56页 |
| 3.1 本章概述 | 第24-26页 |
| 3.2 训练数据集准备 | 第26-31页 |
| 3.2.1 数据集采样实验 | 第26-28页 |
| 3.2.2 数据集参数观测分析 | 第28-31页 |
| 3.3 基于互信息最大化的特征选择 | 第31-49页 |
| 3.3.1 基础特征分析 | 第32-36页 |
| 3.3.2 指数平滑法去噪 | 第36-41页 |
| 3.3.3 基于均值和标准差的特征选择 | 第41-45页 |
| 3.3.4 基于占空比的特征选择 | 第45-49页 |
| 3.4 模型训练结果与比较分析 | 第49-54页 |
| 3.4.1 测试实验设置 | 第49-51页 |
| 3.4.2 测试结果比较评估 | 第51-54页 |
| 3.5 分类模型可行性验证 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 4 基于OPENFLOW的视频QOE优化方案 | 第56-63页 |
| 4.1 视频QoE优化框架和工作机制 | 第56-58页 |
| 4.2 视频QoE优化建模讨论 | 第58-62页 |
| 4.2.1 优化目标的设定 | 第59-60页 |
| 4.2.2 约束条件 | 第60-61页 |
| 4.2.3 优化模型 | 第61-62页 |
| 4.3 本章小结 | 第62-63页 |
| 5 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
