多媒体通信业务流识别与分类方法综述

准确、高效的业务流识别与分类是保障多媒体通信端到端QoS(Quality of Service)、执行相关网络操作的前提.但多媒体通信业务构成复杂、具有较严格的QoS约束,且在包/流水平统计特征多样性,业务统计特征有效选取直接关系到识别和分类方法的有效性.在介绍相关研究成果的基础上,文中从业务特征角度对现有技术进行分类,进而对比各类方法的性能,同时在探讨当前业务流识别方法存在对新业务识别准确度不高、实时性不足等问题的基础上,结合跨域QoS类映射弹性需求的特点,给出跨域QoS类映射中多媒体业务识别架构.整个架构的目标是准确、高效地识别多媒体流,为聚集流的形成做好前期准备,为保障高效的端到端QoS提供技术支撑.最后,总结了发展趋势和面临的挑战.     

基于数据隐藏的H.264视频传输抗误码方法研究

针对如何改善H.264无线视频传输抗误码性能,提出了一种基于数据隐藏的H.264视频传输I帧误码恢复方法。该方法在编码端自适应地提取I帧宏块的重要数据,并将提取的重要数据隐藏到下一帧RTP报文的扩展头部,然后在解码端提取重要数据并采用空时自适应算法对I帧进行误码恢复。实验结果表明,该方法相比于同类方法显著提高了I帧的误码恢复效果。     

基于链式结构的网络视频流分类算法

针对各类别网络流分布不平衡的问题,设计了一种能够实现低存储、低时延、高准确率的网络视频流细分类算法.首先,采用改进的卡方离散算法对数据进行离散化处理;然后,提出了一种改进线性前向特征选择算法,选出有效的QoS相关特征;最后,设计一种链式和分级结构相结合的分类结构,完成网络视频流细分类.针对真实网络采集的7种网络视频流的分类试验结果表明,所提算法的分类准确率达到96.7%,而且在数据不平衡的情况下仍具有较高的识别率.     

分布式小基站资源分配优化方法

在小基站和宏基站联合部署的异构网络中,相邻小基站之间的干扰现象较为严重,导致系统性能下降。文中针对OFDMA系统中分布式基站架构,提出频率复用和图论知识相结合的改进型干扰消除方案,结合业务需求和频带资源,遵循相邻小基站之间使用正交子信道的原则,合理地将子信道分配给小基站,使小基站之间复用的子信道数目更多。文中还研究了异构场景下宏基站辅助带宽的方法,由于宏基站和小基站采用相同的频带资源,可将宏基站的小部分带宽分配给业务需求得不到满足的小基站内的用户。仿真结果证明,在干扰减少的同时,系统吞吐量和小基站的满意度都得到了提高。     

未知室内环境的三维景物描述

景物描述是计算机视觉的一个重要内容。提出了一个利用三维信息对未知景物的描述方法。该方法对三维场景进行物体级和结构级两级描述;根据三维物体分割的结果,首先计算单个物体的最大尺度、形状类型和边集等整体特征,继而推测它们之间的相互位置关系。从数学上推导了“简化边框矩”和“平面惯量张量”的计算公式,并给出了实验结果。     

面向服务等级的网络流多任务分类方法

在网络流分类实践中,网络运营商通常只需要知道网络流所需的服务类别(class of service, CoS),就可对网络流优先级和资源分配做出决定。为了满足用户对体验质量的需求,提出了面向服务等级的网络流多任务分类方法。该方法是直接进行面向CoS的流分类,而不需要推断应用类型。同时提出多任务框架,利用领域知识定义宏特征组及应用合作博弈中的Shapley Value模型来合理分析特征,并用决策树分箱来解决CoS阈值划分问题。采用真实网络数据集进行实验,通过在少量标记数据的情况下,优化网络参数和调整各网络模型时间损耗和分类准确性的稳定相关系数。结果表明,该方法分类准确度(提高了12.66%)和时间消耗(减少了39.23%)性能优于现有文献方法,同时分析了多分类实验结果并给出有关建议。     

一种基于机器学习的网络流早期分类方法

流早期分类对于优化网络管理和确保服务质量(Quality of Service, QoS)至关重要。针对传统流特征在流早期分类中性能较低的问题,在现有研究基础上,提出了两种新的特征：一是通过等距分箱划分包大小等级,计算相邻到达的两个数据包的包大小等级条件频度;二是通过将包大小序列和包到达时间间隔对应相除,得到速率序列,并计算该序列的统计特征作为分类特征。同时,考虑到早期分类的实时性要求,分析了流特征计算的时间复杂性,在特征选择中优化了时间和准确性之间的平衡。另外,针对网络视频流量占比较大的情况,提出了一种层级分类结构;先使用较少的数据包进行non-video/video的二分类,再使用后续的数据包,进行non-videos和videos的细粒度分类。采用随机森林在两个实际网络数据集上进行分类性能测试,并与文献方法进行比较,验证了该方法在快速流量分类中的优越性。     

一种基于深度特征融合的网络流量分类方法

随着网络应用的持续发展,识别特定的流或者应用程序有着重要的作用。由于机器学习方法对特征选择较为苛刻,因而,具有自动特征提取的深度学习算法的优势就突显出来了。但现有深度学习方法大多是对网络流量的原始字节进行处理和分类,而原始字节包含较多的冗余和混淆信息。针对此,提出了一种基于深度特征融合的流量分类方法。该方法对原始的统计特征进行融合,并将融合后的特征转化为灰度图像,应用卷积神经网络对转换后的灰度图像进行分类,达到对加密流量进行分类的目的。在两个真实数据集上进行实验验证,分类准确率达到了92%～99.89%。与文献方法相比,在网络流量粗粒度和细粒度分类上都取得了更好的结果。     

一种基于干扰感知概率预测的无线异构Mesh网络带宽统计联合优化算法

文中提出了一种基于IEEE 802.11的无线多媒体异构网络可用带宽评估算法,该算法通过研究分组碰撞概率和退避时间的相互影响计算发送端与接收端空闲时间的重叠概率,同时通过区分节点的繁忙状态和载波侦听状态来提高重叠概率估计的准确性.网络节点根据感知的信道剩余可用带宽,综合考虑流内和流间干扰,计算路径可行的发送速率和路径代价函数,以此选择最佳分组转发路径.NS2仿真结果表明,文中提出的带宽优化算法,与现有算法相比能够更加准确的感知链路的可用带宽,提高网络吞吐量,避免网络拥塞,为多媒体业务流的接入提供更好的QoS保障.     

泛在异构网络水平QoS映射方案和技术综述

不同网络的QoS机制存在差异,各种应用的QoS需求也不同,给泛在异构网络QoS保证带来挑战。为了满足异构网络QoS需求,最大化利用网络资源,最小化操作代价,应建立一种能够保证异构网络QoS的机制。QoS映射是有效的解决方案,它可以完成不同网络QoS之间的自动翻译,有利于降低问题的复杂度,能保证异构网络的QoS需求。因此,本文对现有的异构网络水平QoS映射方案和技术进行综述和比较,重点介绍了AQCM-ASM映射策略和FAbS模型,并给出了今后的研究方向。