[论文解读] Survey on QoE\QoS Correlation Models For Multimedia Services

Mohammed Alreshoodi, John Woods|arXiv (Cornell University)|Jun 2, 2013

Image and Video Quality Assessment参考文献 28被引用 70

一句话总结

本文综述了多媒体服务中现有QoE/QoS相关性模型，提出了一种框架，通过加权聚合模型将客观的QoS指标（例如抖动、丢包率、带宽）映射到主观的QoE。该研究评估了多种优化权重系数的技术，并识别出仅基于QoS参数实现准确、可泛化的QoE预测所面临的关键挑战。

ABSTRACT

This paper presents a brief review of some existing correlation models which attempt to map Quality of Service (QoS) to Quality of Experience (QoE) for multimedia services. The term QoS refers to deterministic network behaviour, so that data can be transported with a minimum of packet loss, delay and maximum bandwidth. QoE is a subjective measure that involves human dimensions; it ties together user perception, expectations, and experience of the application and network performance. The Holy Grail of subjective measurement is to predict it from the objective measurements; in other words predict QoE from a given set of QoS parameters or vice versa. Whilst there are many quality models for multimedia, most of them are only partial solutions to predicting QoE from a given QoS. This contribution analyses a number of previous attempts and optimisation techniquesthat can reliably compute the weighting coefficients for the QoS/QoE mapping.

研究动机与目标

• 分析现有将服务质量（QoS）指标与多媒体应用中的体验质量（QoE）相关联的模型。
• 识别当前仅依赖QoS参数的QoE预测模型中的局限性。
• 研究用于确定QoS到QoE映射函数中可靠权重系数的优化技术。
• 评估基于QoS输入的不同QoE预测模型的有效性与泛化能力。
• 全面回顾基于可测量QoS指标进行QoE估计的最先进方法。

提出的方法

• 系统性回顾20余篇来自同行评审文献和技术报告中的QoE/QoS相关性模型。
• 根据模型的基本假设、输入的QoS参数以及QoE估计技术对模型进行分类。
• 应用统计与机器学习方法，评估QoS到QoE映射中权重系数的敏感性与准确性。
• 使用标准化数据集和先前研究中的主观用户测试结果对模型进行评估。
• 识别模型之间的常见模式与结构相似性，以支持统一建模框架的构建。
• 采用基于回归和神经网络的方法，对QoS参数（如时延、抖动、丢包率）的权重进行优化，以提升QoE预测性能。

实验结果

研究问题

• RQ1 现有QoE/QoS相关性模型如何将客观的网络性能指标映射到主观的用户体验？
• RQ2 在多媒体服务中，哪些关键QoS参数对感知QoE的影响最为显著？
• RQ3 QoS到QoE模型中的权重系数在多大程度上可通过优化实现预测准确性的提升？
• RQ4 当前模型在跨不同多媒体应用和用户群体的泛化能力方面存在哪些局限性？
• RQ5 不同建模方法（如线性、非线性、机器学习）在基于QoS输入预测QoE方面如何比较？

主要发现

• 大多数现有QoE模型仅为部分解决方案，未能充分捕捉人类感知在多样化多媒体场景下的复杂性。
• QoS参数（如丢包率、时延、抖动）的加权显著影响QoE预测的准确性，其中在视频流媒体中丢包率的影响最大。
• 非线性模型，尤其是基于回归或神经网络的模型，在不同网络条件下对QoE的预测表现优于线性模型。
• 通过主观测试数据对权重系数进行校准，可提升模型的可靠性并降低预测误差。
• 目前缺乏标准化的、跨应用的QoE预测模型，凸显了构建统一框架的迫切需求。
• 用户期望和上下文（如设备类型、网络环境）显著影响QoE，但在当前模型中常被忽视。