基于韋伯費希納定理的BE業務QoE評價方法
【專利摘要】本發明公開了一種基于韋伯費希納定理的BE業務QoE評價方法，屬于通信網絡多媒體業務質量評價技術領域。所述方法包括建立基于WFL利用視覺信息進行BE業務QoE評價模型、提取網頁視覺信息量和訓練參數的步驟，最后預測出的MOS值。本發明通過考慮網頁內容產生的視覺信息量對終端用戶QoE的影響，對網頁中的主要組成元素圖片和文本分別進行視覺內容信息量的提取，使網頁的視覺內容信息得到量化并且便于計算，達到了對BE業務的QoE進行準確評價和預測的技術效果，具有評價過程簡單迅速、評價結果準確的優勢，而且具有優化QoE客觀評價方法、準確反應用戶QoE并進行BE業務QoE預測的意義。
【專利說明】
基于韋伯費希納定理的BE業務QoE評價方法
技術領域
[0001] 本發明屬于通信網絡多媒體業務質量評價技術領域，涉及多媒體業務中的盡力而 為型服務(BE，Best-Effort服務）的用戶體驗質量(QoE，Quality of Experience)評價方 法，具體涉及一種心理物理學定理韋伯費希納定理。
【背景技術】
[0002] BE業務是IEEE 802.16定義的一種基礎業務類（參考文獻[1]:(：.(^(^〇116?1， L·Lenzini，E·Mingozzi，and C.Eklund.aQuality of service support in IEEE 802 · 16networks ·" IEEE Netw.，vol · 20，no · 2，pp · 50-55，Mar · /Apr · 2006)，這種基礎業務類 主要包括Web瀏覽、電子郵件瀏覽、文件下載以及短消息傳輸這幾種類型的業務。因為用戶 更傾向于選擇能滿足高QoE需求的網絡運營商，這導致了運營商之間的競爭越來越激烈，各 家運營商基于自己現有的網絡容量，爭相提供具有更高QoE的BE業務。為了吸引和綁定用戶 使用一種特定的BE業務，對BE業務的實時準確QoE評估對于運營商而言變得越來越重要(參 考文南犬[2]:Jeevan Pokhrel,Felipe Lalanne,Ana Cavalli，Wissam Mallouli·"QoE estimation for web service selection using a Fuzzy-Rough hybrid expertsystem."Advanced Information Networking and Applications(AINA),May 2014)。現階段的大量研究主要集中在對視頻業務的QoE評估方法的探索上，BE業務的實時 QoE評估并沒有成熟的標準。
[0003] 目前，評估QoE的方法主要分為兩類：主觀評估方法和客觀評估方法。主觀評估方 法意味著終端用戶直接對業務的QoE進行評估。雖然這種方法比較直觀準確，但是這種方法 代價較高，需要進行大量嚴格的主觀測試，并且測試需要真實的用戶以及苛刻的測試環境， 花費大量的時間和精力。相較于主觀評估方法，客觀評估方法雖然不夠精確，卻勝在方法簡 單，易于操作。此外，可以利用主觀實驗的結果對客觀評估模型進行修正及調整，使得客觀 評估方法的精確度有所提高。因此，有很多學科的方法被應用到客觀評估方法中，用于提高 客觀評估方法的準確性。參考文獻[3] (F.Lalanne，A.Cavalli，and S.Maag. "Quality of experience as a selection criterion for web services·''Signal Image Technology and Internet Based Systems(SITIS),2012Eighth International Conference on, pp.519-526,2012)通過建立一個Web QoS參數(業務完成時間，可靠性，有效性)和QoE之間 的相關函數來評估Web業務的QoE，并利用一個回歸分析工具計算相關函數的指標。雖然這 種方法較為簡單便捷，但是評估的結果卻顯示相關函數并非最優且誤差幅度較高。參考文 獻[2]中，作者采用了一種基于模糊粗糙混合模型的新型方法來評估Web業務的QoE。這種方 法利用模糊理論結合粗糙集理論消除主觀試驗中不精確和有歧義的情況，可以避免信息的 流失，但是基于此方法得出的實驗結果卻顯示主觀QoE分值與該模型預測的QoE分值之間的 差值不夠小，預測結果不理想。
[0004] 近幾年來，隨著心理物理學研究的開展，越來越多的研究人員開始在QoE評估中引 入心理物理學方面的原理韋伯費希納定理(WFL，Weber_Fechner Law)。該定理描述了一個 物理刺激的量級與其被感知到的感覺強度之間的關系。參考文獻[4](P.Reichl，S.Egger， R.Schatz，and A.D'Alconzo·"The Logarithmic Nature of QoE and the Role of the ffeber-Fechner Law in QoE Assessment ·''IEEE International Conference Communications(ICC)，Cape Town,South Afric，pp. 1-5,2010)中，這種關系第一次被運用 在QoE評估中。但是，這種方法僅考慮了單一的刺激因素，這種缺陷導致了一些M0S值的異 常，參考文南犬[5] (Le Thu Nguyen,Richard Harris, Amal Punchihewa · "Assessment of Quality of Experience for Web Browsing-As Function of Quality of Service and Content Factors."Ubiquitous and Future Networks(ICUFN).July2013)對這種異常的 解釋是在QoE評價中沒有考慮業務內容信息的多少對終端用戶的影響。為了對業務進行較 為全面、準確的QoE評價，需要在QoE評價方法中考慮業務內容信息對終端用戶的影響。盡管 參考文獻[5]在QoE評價方法中考慮了服務內容信息，但是卻沒有對內容信息的準確定義， 也沒有進行內容信息的精確提取，僅僅粗略地對信息內容的豐富度進行了劃分，因此信息 內容對QoE評價的影響并沒有被直觀、準確地表達出來。
【發明內容】
[0005] 本發明旨在針對目前通信系統中BE業務QoE評價方法不能準確真實地反映用戶感 知體驗的情況，通過考慮網頁內容產生的視覺信息量對終端用戶QoE的影響，對網頁中的主 要組成元素圖片和文本分別進行視覺內容信息量的提取，使網頁的視覺內容信息得到量化 并且便于計算，達到了對BE業務的QoE進行準確評價和預測的技術效果，具有評價過程簡單 迅速、評價結果準確的優勢，而且具有優化QoE客觀評價方法、準確反應用戶QoE并進行BE業 務QoE預測的意義。
[0006] 本發明提供的基于韋伯費希納定理的BE業務QoE評價方法，包括以下步驟：
[0007]步驟1:在傳統基于WFL的QoE評價模型基礎上提出一種新型的基于WFL利用視覺信 息進行BE業務QoE評價模型。
[0008] 步驟2:以步驟1中的QoE評價模型為基礎，建立網頁視覺信息量提取模型，完成QoE 評價模型中網頁視覺信息量的提取。
[0009] 步驟3:以步驟1中的QoE評價模型為基礎，進行主觀實驗，提取出QoE評價模型中的 訓練參數。
[0010] 步驟4:根據步驟2和步驟3中提取出的視覺信息量和訓練參數，利用步驟1中的QoE 評價模型得出BE業務的QoE評價結果，即預測出的M0S值。
[0011]所述步驟1中，傳統基于WFL的QoE評價模型中僅將業務總等待時間看做單一物理 刺激進行QoE預測，而本發明所提出的基于WFL利用視覺信息的BE業務QoE評價模型是在WFL 中將單位等待時間的網頁視覺信息量看作物理刺激，QoE評價模型可用以下公式表示：
[0013] 其中的I表示網頁視覺信息量，T表示網頁單位等待時間，α、β、1?、ω是從主觀實驗 中提取的訓練參數。
[0014] 所述步驟2中，對網頁視覺信息量的提取主要分為兩個部分，分別計算網頁中圖片 視覺信息量和文本視覺信息量。所述的圖片視覺信息量計算方法為:將圖片進行分塊處理， 進行8*8DCT變換（也稱余弦離散變換），利用DCT變換后的每個信息塊的出現概率計算圖片 視覺信息量;所述的文本視覺信息量計算方法為:計算每段文本中不同字母出現的次數，利 用自然語言中的字母頻率完成文本視覺信息量的計算。
[0015] 所述步驟3中，設計合理的主觀實驗，統計用戶的M0S值和等待時間，計算網頁視覺 信息量。基于步驟1中的Q〇E評價模型，在已知I、T和QoE值的情況下，進行非線性回歸擬合， 得出各個訓練參數的具體數值。
[0016] 所述步驟4中，將步驟3中得出的訓練參數代入步驟1的QoE評價模型公式，對已知 等待時間、計算出網頁視覺信息量的業務進行Q〇E的評估預測。
[0017] 從上述步驟中可以看出，本發明的技術方案通過建立新型基于WFL利用視覺信息 進行BE業務的QoE評價模型，將視覺信息對終端用戶QoE的影響考慮在QoE評價中，利用主觀 實驗得出的訓練參數對QoE評價模型進行修正，實現快速、準確且有效的BE業務QoE評價。
[0018] 本發明一種基于韋伯費希納定理的BE業務QoE評價方法的優點在于：
[0019] (1)將視覺信息對用戶QoE的影響考慮在內，能夠更準確地進行BE業務QoE評價和 預測。
[0020] (2)對網頁的視覺信息提取方法分為對網頁中圖片信息量計算和文本信息量計 算，能夠方便、快速且準確的提取出網頁的視覺信息。
【附圖說明】
[0021] 圖1為本發明一種基于韋伯費希納定理的BE業務QoE評價方法的系統框架圖；
[0022] 圖2為本發明中獲取訓練參數的主觀實驗設置示意圖；
[0023] 圖3為本發明中網頁視覺信息量提取模型的構建流程圖；
[0024]圖4為實施例中傳統WFL模型的預測M0S值與主觀實驗提供的主觀M0S值的偏離程 度效果圖；
[0025]圖5為實施例中本發明所提供模型的預測M0S值與主觀實驗提供的主觀M0S值的偏 離程度效果圖。
【具體實施方式】
[0026]下面結合附圖和實施例對本發明進行詳細說明。
[0027]本發明提供一種基于韋伯費希納定理的BE業務QoE評價方法。本發明的主要思想 是在傳統基于WFL的QoE預測模型基礎上，考慮業務所提供的視覺內容信息對QoE的影響，通 過將單位等待時間的視覺信息量看作影響用戶體驗質量QoE的刺激量;將網頁視覺信息量 提取分為對網頁中圖片視覺信息量的提取和文本視覺信息量的提取，達到量化視覺信息對 QoE的影響，準確進行QoE評價預測的目的。
[0028]為使本發明的技術方案優勢描述的更加清楚，下面結合附圖和實施例對本發明的
【具體實施方式】作進一步的詳細闡述。在下面的描述中，對與本發明無關的技術只做簡要的 技術說明或者直接略過。
[0029]圖1是本發明一種基于韋伯費希納定理的BE業務QoE評價方法的系統框架圖，如圖 1所示，所述的QoE評價方法包括三個部分:記錄QoS參數、網頁視覺信息提取、主觀實驗提取 訓練參數。
[0030] 所述的QoS參數包括業務等待時間，所述的記錄QoS參數是指在用戶使用網頁瀏覽 業務時，記錄用戶從發出網頁請求到打開整個網頁的總時間。
[0031] 網頁視覺信息量提取包括圖片視覺信息量的提取和文本視覺信息量的提取，主要 是計算出用戶訪問的網頁所能提供給用戶的視覺信息量。
[0032] 主觀實驗提取訓練參數是指在用戶體驗業務的當前網絡環境下進行適量的主觀 實驗，結合實驗人員給出的主觀評分，利用非線性擬合的方法得出當前網絡環境下的訓練 參數。
[0033]以上三個部分為評估業務的QoE提供了輸入量，已知訓練參數可確定當前網絡環 境下使用的BE業務QoE評價模型公式，對于用戶進行體驗的特定網頁，在記錄過等待時間、 計算完網頁的視覺信息后，分別輸入QoE評價模型公式，即可評估預測出該業務的M0S值。
[0034] 圖2是本發明中提取訓練參數的主觀實驗設置示意圖。如圖2所示，進行主觀實驗 需要一臺可上網的計算機、一臺網頁服務器和一臺網絡仿真服務器。
[0035] 網頁服務器用于放置網頁供用戶訪問，放置的網頁類型主要包括新聞類網頁、購 物類網頁和搜索類網頁。同時，在該網頁服務器上構建一個M0S數據庫，用來記錄實驗人員 體驗網頁瀏覽時給出的M0S分值。
[0036] 網絡仿真服務器用于控制接入帶寬和網頁訪問的等待時間，并記錄所述的等待時 間并將等待時間傳送給網頁服務器記錄入數據庫。
[0037] 計算機供用戶瀏覽網頁，并進行打分，打分完成后將M0S值傳給網頁服務器，記錄 在M0S數據庫中。
[0038] 本發明實施例在網頁服務器上部署了 10個網頁，這10個網頁具有不同的圖片信息 占比和文本信息占比。同時利用網絡仿真服務器控制接入帶寬和網頁訪問的等待時間的能 力，設置5個不同的等待時間條件。共選擇50名非專業人員作為實驗人員參與主觀實驗，這 50名實驗人員被分為10組，每組5人。這10組實驗人員以組為單位分別在5個不同條件(不同 等待時間）下，對10個網頁進行打分，將同一條件下5個人對同一網頁給出的M0S值取平均作 為此條件下對此網頁的主觀體驗質量值。每組將給出50個M0S值，10組共得出500個M0S值。 這500個M0S值將與其對應的網頁信息量和等待時間一起記錄在M0S數據庫中，共有500組實 驗數據。本發明實例中的這500組實驗數據，80%的實驗數據用來構建主觀實驗庫，提取訓 練參數，20 %的實驗數據用來對本方法進行性能驗證。
[0039] 圖3是本發明中網頁視覺信息提取的方法流程圖。對網頁視覺信息提取分為兩個 部分，對網頁中圖片視覺信息量的提取和文本視覺信息量的提取，這兩部分基于MATLAB實 現。
[0040] 對圖片視覺信息量的提取主要有以下幾個步驟：
[0041] 步驟301:將網頁保存在本地，從網頁中提取圖片，并利用MATLAB中的語句將網頁 中的圖片批量讀入。
[0042]步驟302:將讀入的圖片分成8*8的信息塊B(x，y)，x，y表示信息塊的位置坐標，對 每個信息塊對應的圖片數值矩陣f (i，j)進行8*8DCT變換（離散余弦變換），變換到DCT域上 的數值矩陣F(u，v)。
[0045] 步驟303 :利用MATLAB計算DCT變換后得到的數值矩陣F(u，v)的出現概率P(F(u， 4)，數值矩陣？(1!^)的出現概率即為信息塊以^7)的出現概率?(8(^7))，即。
[0046] P(B(x,y))=P(F(u,v))
[0047] 步驟304:圖片視覺信息量是每個信息塊信息量歸一化之后求和。
[0048]單個信息塊B(x，y)的信息量計算：
[0049] I(B(x,y))=-log2P(B(x,y))
[0050] 歸一化：
[0052]第i個圖片的視覺信息量：
[0054] 式中表示網頁圖片區域中第i個圖片所占的區域面積。
[0055] 對文本視覺信息量的提取主要有以下幾個步驟：
[0056]步驟305:將網頁保存在本地，從網頁中提取文本信息，以段落為單位存成.TXT文 件，并利用MATLAB中的語句將包含文本信息的文件批量讀入。
[0057]步驟306:利用MATLAB中的循環程序統計每個文件中每個英文字母出現的次數Ni。 [0058] 步驟307:文本視覺信息量是每個字母信息量歸一化之后求和。
[0059]依據英語語言中的字母頻率?1計算字母信息量11:
[0060] Ii = -pi log2(pi) ie{a，b，c···} (26個字母的字母頻率見表 1)
[0061] 第j段文本的總信息量& :
[0063] 步驟308:綜合。
[0064]網頁的頁面區域六*^^主要包含三種部分：圖片區域Aimage、文本區域Atext、空白區 ±|^Ablank。圖片區域由很多個圖片組成，第i個圖片所占的區域面積為疋文本區域由很多 段文本組成，第j段文本所占的區域面積為空白區域也分不同位置的空白區域，第k個 空白部分的區域面積為其中，空白區域不提供視覺信息量，圖片區域和文本區域的視 覺信息貢獻程度與該區域的覆蓋面積有關。將整個網頁的面積作為1，計算各個區域的占版 面積。
[0066] 步驟309:計算網頁視覺信息量。
[0067] 將視覺要素（圖片和文字)所占面積與整體頁面面積的之間比率即圖版率作為該 視覺區域的視覺權重，利用下面的公式計算整個網頁的視覺信息量。
[0069] 表1英語中各個字母對應的出現頻率
[0071] 結果表示：
[0072]基于本發明實施例中構建的主觀實驗庫，對主觀實驗產生的共500組數據中的 80%即400組數據進行多元非線性擬合，得出的各個訓練參數的值依次為：
[0073] α = 1.〇558、β=1.5648、k = l.3989, ω =2.8019
[0074] 將這些訓練參數的值帶入本方法的QoE評價模型中可得適用于當前網絡環境下的 用戶QoE評價公式：
[0076]本發明實施例中對本方法的性能驗證是通過對比本方法和傳統基于WFL的QoE評 估方法的QoE預測性能和準確度。分別計算兩種預測方法的RMSE (Ro〇t Mean Square Error，均方根誤差，越趨近于0,預測性能越好）和SR0CC(Spearman Rank Order Correlation Coefficient，史比爾曼等級相關系數，越趨近于1，預測性能越好），并分別對 比兩種方法得出的預測QoE值和主觀QoE值之間的差異。表2顯示了這兩種模型的性能對比 結果，從表2中可以看出，相較于傳統的僅考慮等待時間的基于WFL的QoE預測模型，本發明 提供的模型的RMSE更趨近于0，SR0CC更趨近于1，即本方法提出的利用視覺信息基于WFL的 QoE模型具有更好的預測性能。
[0077] 表2模型性能對比
[0079] 基于本發明實施例中的主觀實驗，構建主觀實驗庫剩下的100個數據用于驗證本 模型的預測準確度，圖4和圖5提供兩種模型的預測準確度對比。圖4和圖5中的橫坐標均為 主觀實驗提供的主觀M0S值，圖4縱坐標為傳統WFL模型的預測M0S值，圖5縱坐標為本發明所 提供模型的預測M0S值，直線為預測M0S值和主觀M0S值相同的情況，點的分布越靠近直線表 示預測M0S值越接近主觀M0S值，偏離程度越大表示預測越不準確。從圖中可以看出，圖4中 點分布偏離直線的程度明顯高于圖5中點分布，利用本方法評估預測的QoE更接近用戶的主 觀M0S值，這表示本發明所提模型的預測結果與傳統WFL模型相比更為準確。
【主權項】
1. 基于韋伯費希納定理的BE業務QoE評價方法，其特征在于:包括以下步驟， 步驟1:建立基于WFL利用視覺信息進行BE業務QoE評價模型； 步驟2:建立網頁視覺信息量提取模型，完成QoE評價模型中網頁視覺信息量的提取;所 述的網頁視覺信息量的提取包括網頁中圖片視覺信息量的提取和文本視覺信息量的提取； 步驟3:進行主觀實驗，提取出QoE評價模型中的訓練參數； 步驟4:根據提取出的網頁視覺信息量和訓練參數，利用QoE評價模型得出BE業務的QoE 評價結果，即預測出的MOS值。2. 根據權利要求1所述的基于韋伯費希納定理的BE業務QoE評價方法，其特征在于:所 述的QoE評價模型公式表示：其中的I表示網頁視覺信息量，T表示網頁單位等待時間，α、β、1?、ω是從主觀實驗中提 取的訓練參數。3. 根據權利要求1所述的基于韋伯費希納定理的BE業務QoE評價方法，其特征在于:所 述的圖片視覺信息量提取包括以下步驟： 步驟301:將網頁保存在本地，從網頁中提取圖片，并利用MATLAB中的語句將網頁中的 圖片批量讀入； 步驟302:將讀入的圖片分成8*8的信息塊B(x，y)，x，y表示信息塊的位置坐標，對每個 信息塊對應的圖片數值矩陣f(i，j)進行8*8DCT變換，變換到DCT域上的數值矩陣F(u，v):步驟303:利用MATLAB計算DCT變換后得到的數值矩陣F(u，v)的出現概率P(F(u，v))，數 值矩陣F(u，v)的出現概率即為信息塊B(x，y)的出現概率P(B(x，y))，即， P(B(x,y))=P(F(u,v)) 步驟304:圖片視覺信息量是每個信息塊信息量歸一化之后求和； 單個信息塊B(x，y)的信息量計算： I(B(x,y))=-log2P(B(x,y)) Ilq-仆,.式中<_表示網頁圖片區域中第i個圖片所占的區域面積； 對文本視覺信息量的提取包括以下步驟： 步驟305:將網頁保存在本地，從網頁中提取文本信息，以段落為單位存成.TXT文件，并 利用MATLAB中的語句將包含文本信息的文件批量讀入； 步驟306:利用MTLAB中的循環程序統計每個文件中每個英文字母出現的次數N1; 步驟307:文本視覺信息量是每個字母信息量歸一化之后求和； 依據英語語言中的字母頻率?1計算字母信息量I1: Ii = -Pi log2(pi)i e {a,b,c. . .} 第j段文本的總信息量ZfL:步驟308 :綜合； 網頁的頁面區域六*^￥包含三種部分：圖片區域Aimage、文本區域Atext、空白區域Ablank， 圖片區域由很多個圖片組成，第i個圖片所占的區域面積為文本區域由很多段文本 組成，第j段文本所占的區域面積為，空白區域也分不同位置的空白區域，第k個空白部 分的區域面積為?，將整個網頁的面積作為1，計算各個區域的占版面積：步驟309:計算網頁視覺信息量； 將圖版率作為該視覺區域的視覺權重，利用下面的公式計算整個網頁的視覺信息量：
【文檔編號】H04L12/24GK106027291SQ201610320052
【公開日】2016年10月12日
【申請日】2016年5月13日
【發明人】管婉青, 王魯晗, 路兆銘, 溫向明, 陳昕, 馬璐
【申請人】北京郵電大學