用户体验保障的移动视频业务分发理论与关键技术

With the skyrocketing development of mobile communication and mobile smart device technologies, the number of mobile Internet users and video service traffic exhibit a trend of exponential increase. Compared to the traditional wired video services, user behaviors in the mobile environment render new and complicated characteristics, such as spatial mobility, temporal fragmentation and social relevance, which are significantly challenging today's video content delivery approaches to provide satisfactory Quality of Experience (QoE) for users. To address these challenges, this project aims to enhance both the performance of mobile video services and QoE for users to the next level, in the context of these new and complex characteristics. Using a data-driven approach, this project proposes to solve three critical problems:1) Joint subjective and objective QoE modeling for mobile video services, 2) Temporal- and spatial-based mobile video propagation and evolution mechanisms, and 3) Complex-environment-aware multi-scale resource allocation for mobile video delivery strategies. This project will conduct systematic and in-depth research to solve these problems, including modeling QoE for mobile video services, revealing video content propagation mechanisms based on mining user behaviors, designing temporal-spatial and multi-scale content deployment strategies driven by user behaviors, and proposing propagation-aware video content pre-fetching and caching mechanisms for adaptive video delivery mechanisms. This project is devoted to achieve a series of theoretical and practical accomplishments for mobile video services.

移动通信技术和移动智能终端的迅猛发展，使得移动互联网用户数量和视频业务流量呈现指数级增长趋势。与传统互联网在线视频业务相比，移动环境下的用户行为呈现出空间移动性、时间碎片性以及社交关联性等新的复杂特性。如何在新的复杂特性下，充分保障用户的视频体验质量，对移动视频业务分发理论与技术提出了空前挑战。本项目以提升移动视频业务分发性能与用户体验质量为目标，从大数据驱动的角度出发，围绕主客观协同的移动视频业务QoE建模、时空域融合的移动视频传播与演化规律以及复杂环境感知的多尺度资源分配与移动视频分发三个关键科学问题，在移动视频业务QoE量化与建模、移动环境下用户行为驱动的视频内容扩散机理、用户行为驱动的时空跨尺度内容部署策略、传播特性感知的视频内容主动预取与缓存机制以及移动环境下的自适应视频传输控制机制等开展系统深入的研究。力争在移动视频内容分发理论与关键技术方面取得一系列创新性的研究成果。

传统CDN网络在应对用户移动性、社交化所带来的新挑战时，仅仅依靠增加复杂的机制已经无法弥补现有体系架构的不足，导致移动用户的体验质量（QoE）不佳，系统性能下降。本项目以提升移动视频业务分发性能与用户QoE为目标，开展了移动视频业务QoE评价、移动用户行为驱动的视频内容扩散机理和视频内容部署策略、内容主动预取与缓存机制、移动环境下自适应视频传输控制机制等方面的研究工作，具体包括：1）对QoE的各种影响因素进行了深入的分析，结合视频内容特性和移动视频传输机制，采用机器学习方法，建立了多种移动视频业务QoE评价模型，可以对用户QoE进行准确预测；2）探索了注意力机制、深度时空特征等对视频感知质量评价模型的影响，建立了多种视频感知质量评价模型，显著提高了视频感知质量预测的准确性；3）针对社交网络的关联复杂性、规模巨量性以及高度动态性等特点，在有限计算资源条件下对复杂关联社交网络进行了高效的分析和可扩展学习，探索出了大规模社交网络分析与学习的新范式；4）通过对大规模真实在线数据的统计分析，探索出用户行为数据挖掘的新模式，提出了不同情况下多种用户行为驱动的跨时空尺度视频内容部署策略，为提升用户体验质量提供指导；5）针对移动网络的时变特性，提出了多种移动视频分发模型、码率控制机制、用户缓存感知机制和无线链路带宽分配模型等，显著提升了无线网络资源利用率和移动视频质量。在国内外学术期刊和国际会议上共发表学术论文105篇，其中SCI收录44篇，EI收录59篇，2篇获得最佳会议论文奖；申请国家发明专利17项，其中2项授权；获得国家自然科学奖二等奖1项和省部级科技奖一等奖2项，9人次获得国家级和北京市级人才称号，培养博士生6人，硕士生20人。本项目的研究成果已经推广应用到腾讯、爱奇艺等移动视频业务和移动社交网络领域，对我国今后开展相关领域的理论研究和技术研发，促进移动互联网产业的健康发展具有重要意义。