可变比特率视频流量预测与动态带宽分配研究

论文摘要

随着Internet等宽带网络的普及,各种多媒体应用高速发展,网络带宽分配和管理变得前所未有的复杂和具有挑战性。而多媒体应用中产生的最主要、最复杂的就是可变比特率视频流量。网络控制需要在支持不同类型流量的QoS要求的同时有效地利用网络带宽资源。本文研究可变比特率视频流量预测和动态带宽分配。 本文首先介绍了可变比特率视频流量的特点,国内外流量预测的研究现状,对三种主要模型即短记忆模型、长记忆模型和神经网络模型进行了性能比较。在此基础上,讨论了利用模糊神经网络和循环神经网络分别对可变比特率流量进行预测的方法。为了提高预测精度,本文给出了算术平均数,递推最小二乘法和MLP神经网络三种方法,综合模糊神经网络和循环神经网络的独立预测结果,进行了性能比较,实验结果表明可以达到预期的效果。 另一方面,本文讨论了利用FARIMA模型拟合可变比特率视频流量的预测模型,给出了最小均方差预测和最小平均峰度预测两种方法。在不同时间尺度上对可变比特率视频流量进行预测实验中,可以发现FARIMA模型优于传统模型。特别是在适当的时间尺度,可以取得很好的预测效果。而最小平均峰度预测与最小均方差预测相比,虽然量增加了时间复杂度,但实验结果表明可以取得更高的预测精度,具有更好的整体性能。 此外本文利用流量预测的结果研究了动态带宽分配算法,根据流量预测值、队列当前占用情况以确定实际分配带宽。通过实验说明了动态带宽分配的优点,并研究了动态带宽分配对帧丢失率、队列长度的影响。实验结果表明,动态带宽分配与静态带宽分配相比,可以降低帧丢失率,对缓冲区需求也大大减少,这对可变比特率流量的带宽分配有重要意义。

论文目录

• 摘要
• ABSTRACT
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 课题来源
• 1.2 研究背景
• 1.3 本文主要工作
• 1.4 论文结构
• 1.5 小结
• 第2章 视频流量的常用预测方法研究
• 2.1 引言
• 2.2 可变比特率视频流量
• 2.3 几种预测方法的研究
• 2.3.1 短记忆模型
• 2.3.2 长记忆模型
• 2.3.3 神经网络模型
• 2.4 性能比较与评价
• 2.5 小结
• 第3章 神经网络综合预测
• 3.1 引言
• 3.2 人工神经网络
• 3.3 流量预测
• 3.3.1 模糊神经网络
• 3.3.2 循环神经网络
• 3.3.3 综合预测结果
• 3.4 实验和分析
• 3.5 小结
• 第4章 基于FARIMA模型的预测
• 4.1 引言
• 4.2 FARIMA过程
• 4.3 FARIMA模型的建立
• 4.4 流量预测
• 4.4.1 最小均方误差预测
• 4.4.2 LMK预测
• 4.4.3 模型简化
• 4.5 实验和分析
• 4.5.1 帧级的流量预测
• 4.5.2 GoP级别的流量预测
• 4.5.3 1秒/10秒级流量预测
• 4.5.4 LMK预测
• 4.5.5 多步预测
• 4.6 小结
• 第5章 动态带宽分配研究
• 5.1 引言
• 5.2 动态带宽分配
• 5.3 实验和分析
• 5.4 小结
• 结论
• 1 本文已完成的工作总结
• 2 进一步工作展望
• 参考文献
• 致谢
• 附录A 攻读硕士期间发表论文目录
• 附录B 攻读学位期间参与完成的项目