面向QoE的协同计算通信关键技术研究

With the rapid development of mobile Internet technologies, data-intensive services such as multimedia are becoming the mainstream. Consequently, the requirement for wireless network bandwidths is growing more rapidly than Moore's law, resulting in increasingly intense conflicts between supply and demand. Traditional solutions have focused on transmission techniques to increase the spectral efficiency. However, there is limited room for improvements within that approach due to the law of the diminishing marginal returns. According to recent research, Quality of Experience (QoE) is the cardinal assessment of network service capabilities. If information transmission is prioritized with respect to its impact to QoE so that only the most relevant information is transmitted, the high traffic demands on network bandwidth can be fundamentally relieved. Focusing on ensuring wideband-like QoE, we investigate and analyze the QoE-oriented characteristics of multimedia information to facilitate the search for more effective methods of information representation and computer reconstruction. Making full use of available multimedia resources and content-aware computing resources on the network, we study distributed synergetic coding schemes and networked multimedia modeling methods based on distributed computing and online learning in order to obtain a better trade-off between the computational complexity and the bandwidth requirements. As a result, conventional communications where the network acts as a relay will be transformed into a new kind of communication where the network acts as an intelligent computational hub where synergetic and computational communications are carried out. Moreover, we explore the capacity model of wireless networks under the new paradigm, in order to realize breakthroughs aimed at achieving 'wideband experience through band-limited communications'.

随着移动互联网等技术领域的飞速发展，多媒体等大数据量的业务将成为主体业务，其对无线网络带宽需求的增长速度超过了摩尔定律，供求矛盾日趋尖锐。传统的解决途径是从传输技术的角度提高频谱利用率，逐渐遭遇"边际效应"的制约，提升空间有限。近年来研究表明，衡量网络服务能力的根本是用户体验（QoE），如果仅传输与QoE相关的关键信息，可以从根本上降低业务对网络带宽需求的压力。本项目围绕高品质宽带用户体验，深入挖掘和分析与QoE相关的多媒体信息特征，寻求更为有效的信息表征和计算重构方法；充分利用网络的数据资源与面向内容分析的计算资源，研究基于分布式计算与在线学习的分布式协同编码传输和网络媒体库构建方法，用计算能力换取通信能力；将"终端-网络转发-终端"的通信转换为"终端-网络计算-终端"的协同通信与计算过程，探索新型计算通信体系架构下移动互联网的服务能力，实现以"限带通信、宽带体验"为标志的突破性创新。

该项目针对移动互联网领域大数据量的多媒体业务需求，提出了移动互联网环境下的协同计算通信体系架构，突破了面向QoE的信息表征、分布式协同编码、面向QoE的网络容量优化等难题，提出了基于智能计算的多媒体传输和网络优化新技术，达到了预期的研究目标。取得的主要创新成果有：.（1）针对特定变换基下图像表征向量的结构化特性难以描述的问题，本项目引入贝叶斯网络对表征系数间复杂的高维联合概率分布进行建模，构造面向结构化稀疏的图像信息表征模型，实现对图像变换域结构化先验约束的有效描述；同时，设计基于贝叶斯网络的统计推断算法，利用有限观测数据实现图像信息的准确重构。与仅考虑图像表征向量稀疏性的重构方法相比，基于图像结构化先验表征方法的重构性能提升2–4dB。.（2）构建网络媒体库。构建包含五种情绪的人脸视频库，实验采用视频诱导的方法让被试产生不同情绪，并记录被试对不同视频的喜好程度。提出分布式编码方法。利用先验信息对视频进行分层编码，以参数化形式实现特定目标与内容的简化表达。在低比特率下，所提的方法由优异的率-失真性能。相比与HEVC和OBC方法，所提方法能保留更多人脸部分的细节。.（3）提出了基于QoE的移动网络服务质量优化技术。以最大化网络用户的QoE为优化目标，建立了业务服务过程与资源利用的协同优化模型；在此基础上，提出基于“预测+反馈”的智能协同学习方法，实现了一种用户需求与网络资源间的帕累托最优，有效提升了受限网络资源条件下的服务质量。.发表SCI论文19篇、EI论文33篇，申请及授权发明专利19项、授权软著26项；培养博士后2人、博士研究生4人；获得国家基金委优秀青年科学基金资助；获国家技术发明二等奖（3/6）、2018高等学校科学研究优秀成果奖：科技进步一等奖（1/19），中国人工智能学会吴文俊人工智能技术发明一等奖（1/6）、中国通信学会技术发明一等奖（3/15），以及中国青年女科学家奖、中国电子学会十佳优秀科技工作者等奖项。