HTTP自適應(yīng)流媒體直播系統(tǒng)中的用戶體驗質(zhì)量優(yōu)化

宋靳錁 張遠 王博

摘要：分析HTTP自適應(yīng)流媒體直播系統(tǒng)中對終端用戶體驗質(zhì)量（QoE）產(chǎn)生影響的各類因素及其相互之間的作用關(guān)系，對基于服務(wù)器端、網(wǎng)絡(luò)傳輸以及客戶端的QoE優(yōu)化策略進行總結(jié)。認為HTTP自適應(yīng)流媒體直播系統(tǒng)的QoE優(yōu)化重點在于降低延時，提出結(jié)合網(wǎng)絡(luò)層和應(yīng)用層影響因素來降低時延并提升用戶QoE的建議。

關(guān)鍵詞：流媒體直播；自適應(yīng)流媒體；用戶體驗質(zhì)量；優(yōu)化策略

Abstract： The influence factors on the users quality of experience （QoE） in a hypertext transport protocol （HTTP） adaptive streaming system and the interaction between these factors are studied. Then the QoE optimization strategies from the aspects of the server， network transmission and client side are summarized. The QoE optimization of HTTP adaptive live streaming system focuses on reducing delay， and combination with network layer and application layer factors can reduce delay and improve user QoE.

Keywords： live streaming； adaptive streaming； QoE； optimization strategy

近年來，隨著互聯(lián)網(wǎng)與流媒體技術(shù)的飛速發(fā)展，游戲直播、在線教育等直播服務(wù)發(fā)展迅速?；诔谋緜魉蛥f(xié)議（HTTP）的自適應(yīng)流媒體技術(shù)（HAS）由于其高兼容性、高可擴展性在直播場景中得到了廣泛應(yīng)用。根據(jù)WOWZA發(fā)布的《2019 Streaming Video Latency Report》[1]，超過50%的直播服務(wù)提供商采用了基于HAS的流媒體直播系統(tǒng)架構(gòu)。流媒體直播服務(wù)的低延時、高質(zhì)量需求給用戶體驗質(zhì)量的優(yōu)化帶來了新的挑戰(zhàn)。

1 基于HAS的流媒體直播系統(tǒng)框架

在HAS技術(shù)中，媒體數(shù)據(jù)源被編碼成不同碼率的媒體切片文件以適應(yīng)不同的網(wǎng)絡(luò)狀況和客戶端設(shè)備類型，客戶端根據(jù)帶寬或緩沖區(qū)狀態(tài)請求合適碼率的媒體分片，以減少卡頓事件的發(fā)生，提升帶寬利用率。

如圖1所示，基于HAS的流媒體直播傳輸系統(tǒng)框架包括3部分：主播端、服務(wù)器端和客戶端。主播端主要用來實現(xiàn)媒體采集、前處理、編碼和封裝的功能，并將封裝好的媒體流推送至服務(wù)器。服務(wù)器需要對同一媒體內(nèi)容準備多種碼率的媒體文件，因此需要對主播端推送的媒體流進行實時轉(zhuǎn)碼，并將每種碼率的媒體內(nèi)容進行切片處理。服務(wù)器端存儲的媒體分片的碼率和時長等信息都被記錄在一個隨直播進行且實時更新的索引文件中?？蛻舳嗽趶姆?wù)器拉取媒體流時會首先拉取索引文件，再根據(jù)索引文件的信息以及當(dāng)前的估計帶寬或緩沖區(qū)狀態(tài)對下一個向服務(wù)器請求的分片碼率進行自適應(yīng)決策，并對已下載的媒體分片進行解碼播放。

經(jīng)典的HAS協(xié)議包括Microsoft公司提出的微軟平滑流協(xié)議（MSS）[2]、Apple公司提出的HTTP實時流協(xié)議（HLS）[3]，以及Adobe提出的HTTP動態(tài)流協(xié)議（HDS）[4]。雖然這些協(xié)議遵循的技術(shù)框架相同，但是彼此之間互不兼容；因此，動態(tài)圖像專家組（MPEG）與第三代合作伙伴計劃（3GPP）聯(lián)合提出了開源的MPEG-動態(tài)自適應(yīng)流媒體（DASH）[5]標準。目前業(yè)界廣泛采用的標準是HLS和MPEGDASH，然而直播場景下兩種標準的延時均在6 s以上。近兩年來，針對用戶日益增長的低延時需求，研究者提出了能夠?qū)⒀訒r控制在3 s以內(nèi)的低延時HLS[6]以及基于用媒體應(yīng)用格式（CMAF）的低延時DASH[7]解決方案。

2 HTTP自適應(yīng)流媒體直播系統(tǒng)中的用戶體驗質(zhì)量評估

2.1 QoE影響因素

用戶體驗質(zhì)量（QoE）通常用來評價流媒體直播系統(tǒng)中終端用戶對服務(wù)的滿意程度，其定義為：用戶在一定客觀環(huán)境中對使用的服務(wù)或者業(yè)務(wù)的整體認可程度。根據(jù)QoE的定義，HTTP自適應(yīng)流媒體直播系統(tǒng)中的QoE影響因素可分為服務(wù)、環(huán)境、用戶3個方面，如表1所示。

本文中我們僅考慮服務(wù)、環(huán)境和用戶層面中與技術(shù)相關(guān)的因素。如圖2所示，關(guān)鍵業(yè)務(wù)指標、用戶層、環(huán)境層可對用戶QoE產(chǎn)生直接影響。關(guān)鍵業(yè)務(wù)指標可從畫面質(zhì)量、穩(wěn)定性、流暢性以及實時性4個方面來衡量。碼率和分辨率直接影響直播畫面的清晰度，直播全程的平均碼率和分辨率共同決定了流媒體服務(wù)的畫面質(zhì)量水平；碼率切換的頻次和幅度反映了圖像質(zhì)量的波動狀況，進而決定了視覺觀感的平穩(wěn)度；卡頓導(dǎo)致視頻內(nèi)容不連續(xù)、聲音斷續(xù)等問題，通常以卡頓次數(shù)、頻率以及持續(xù)時間來反映流媒體服務(wù)的流暢性；延時是媒體流從主播端發(fā)出到客戶端接收并觀看所需要的時間，是反映流媒體服務(wù)實時性的業(yè)務(wù)指標，高延時極大地降低了用戶對服務(wù)的滿意度；音畫不同步是由于網(wǎng)絡(luò)狀況較差（延時、抖動等）及設(shè)備處理能力不足造成的視音頻不同步，降低了用戶的服務(wù)體驗質(zhì)量。

由圖2可知，網(wǎng)絡(luò)層與主播端、服務(wù)器端、客戶端應(yīng)用層中的影響因素相互作用，共同影響HTTP自適應(yīng)流媒體直播服務(wù)的關(guān)鍵業(yè)務(wù)指標，這也成為QoE的間接影響因素。例如，客戶端的緩沖區(qū)狀態(tài)和自適應(yīng)策略直接影響了服務(wù)的關(guān)鍵業(yè)務(wù)指標，緩沖區(qū)狀態(tài)示意如圖3所示。由圖3可知，客戶端的網(wǎng)絡(luò)狀態(tài)與分片大?。捶制臄?shù)據(jù)量）共同決定了緩沖區(qū)數(shù)據(jù)的填充速率。通常，客戶端按正常速率播放，但當(dāng)緩沖區(qū)占用量即將耗盡時，可通過客戶端的自適應(yīng)策略調(diào)慢播放速率，以等待緩沖區(qū)數(shù)據(jù)充盈，降低卡頓事件發(fā)生的概率。而當(dāng)緩沖區(qū)占用量較大時，會帶來較大的播放延時，那么則需要加快播放速率以降低播放延時?？蛻舳诉€可以根據(jù)緩沖區(qū)狀態(tài)或當(dāng)前網(wǎng)絡(luò)狀態(tài)來進行碼率自適應(yīng)調(diào)節(jié)，決定下一請求分片的碼率級別，以盡量避免卡頓事件的發(fā)生。

在HTTP自適應(yīng)流媒體直播服務(wù)中，服務(wù)器主要實現(xiàn)對視頻進行轉(zhuǎn)碼和切片。如圖2所示，服務(wù)器根據(jù)主播端編碼碼率上限和客戶端自適應(yīng)模塊決策的分片碼率調(diào)整轉(zhuǎn)碼策略。分片碼率與分片時長共同決定了傳送到客戶端的數(shù)據(jù)量（即分片大小），而分片大小又與客戶端網(wǎng)絡(luò)狀態(tài)共同影響了緩沖區(qū)的填充速率。除限制服務(wù)器最高轉(zhuǎn)碼碼率外，主播端的編碼碼率還決定了上行網(wǎng)絡(luò)的傳輸數(shù)據(jù)量，與上行網(wǎng)絡(luò)狀態(tài)共同影響源視頻推流到服務(wù)器的時間，即上行延時。上行延時與下行延時（即視頻分片傳輸?shù)娇蛻舳说臅r間）共同構(gòu)成了直播系統(tǒng)的傳輸延時。需要注意的是，由于前處理、轉(zhuǎn)碼、切片、解碼等階段的處理延時難以控制，因此圖2中并沒有體現(xiàn)處理延時對整個系統(tǒng)延時的影響。

2.2 QoE建模

QoE建模的目標是分析影響QoE的各項因素，并建立模型描述這些影響因素與主觀測試結(jié)果的關(guān)系，從而為流媒體直播系統(tǒng)的優(yōu)化提供參考?，F(xiàn)有的大多數(shù)針對直播服務(wù)的QoE建模流程如圖4所示，首先根據(jù)直播業(yè)務(wù)需求確定主觀測試的客觀環(huán)境以及媒體流樣本，再通過對樣本進行主觀測試和數(shù)據(jù)篩選來建立主觀QoE數(shù)據(jù)庫，數(shù)據(jù)庫應(yīng)包含媒體流樣本素材、樣本對應(yīng)的主觀分數(shù)以及相應(yīng)的卡頓、畫面質(zhì)量等客觀測試數(shù)據(jù)。然后，分析直播業(yè)務(wù)需求并確定QoE的影響因素，再對各影響因素與預(yù)測QoE之間的映射關(guān)系建模，并不斷調(diào)整模型結(jié)構(gòu)、影響因素的選擇、影響因素分配權(quán)重等，來最小化預(yù)測QoE分數(shù)與主觀QoE得分之間的差距。在實際建模過程中，通常以均方根誤差（RMSE）、斯皮爾曼相關(guān)系數(shù)（SROCC）以及皮爾遜相關(guān)系數(shù)（PLCC）來衡量主觀QoE與預(yù)測QoE之間的相關(guān)程度。

大多數(shù)QoE建模采用了經(jīng)典機器學(xué)習(xí)方法和深度學(xué)習(xí)方法。如C. G. BAMPIS等采用各種回歸模型如嶺回歸（RR）、支持向量回歸（SVR）以及隨機森林（RF）等來對畫面質(zhì)量、碼率下降等QoE影響因素與用戶主觀評分的映射關(guān)系建模[8]；N. ESWARA等利用級聯(lián)的長短期記憶網(wǎng)絡(luò)（LSTM）來捕獲用戶QoE在時間軸上復(fù)雜的依賴關(guān)系以及對流媒體服務(wù)的非線性反應(yīng)[9]；D. GHADIVARAM等將QoE影響因素分為3類：與卡頓相關(guān)的因素、與視頻內(nèi)容相關(guān)的因素以及對客戶端緩沖區(qū)狀態(tài)的建模，并將這些影響因素分別輸入到如圖5所示的Hammerstein-Wiener[10]非線性模型中，以進一步提取影響QoE的深層特征，然后將提取的深層特征組合輸入到SVR中以預(yù)測QoE，顯著提升了主觀QoE和預(yù)測QoE之間的相關(guān)性[11]。

3 HTTP自適應(yīng)流媒體直播系統(tǒng)中的QoE優(yōu)化策略

與點播相比，直播業(yè)務(wù)對QoE中的延時性能要求更高?？蓮牧髅襟w直播系統(tǒng)中的服務(wù)器端、傳輸網(wǎng)絡(luò)和客戶端進行旨在提高QoE性能的優(yōu)化。

3.1 服務(wù)器端優(yōu)化

對于HTTP自適應(yīng)流媒體直播來說，服務(wù)器的功能是提供適配客戶端需求的媒體流，其重點在于如何根據(jù)客戶端設(shè)備能力和網(wǎng)絡(luò)條件來快速準備適合的碼率分片，以降低延時，提高帶寬利用率并減小卡頓事件發(fā)生的概率。因此，服務(wù)器端的優(yōu)化主要從調(diào)整分片長度和視頻編碼的碼率控制兩個方面進行。

在網(wǎng)絡(luò)狀況不穩(wěn)定時，固定不變的分片時長會引起客戶端加載速率的劇烈變化，從而導(dǎo)致碼率切換頻繁，引起直播延遲與卡頓。針對上述問題，費澤松等根據(jù)客戶端請求碼率的變化，使切片長度在預(yù)設(shè)范圍內(nèi)隨加載速率改變，并以流暢性作為QoE優(yōu)化目標，實現(xiàn)了基于HLS的自適應(yīng)碼率視頻直播的QoE監(jiān)視與優(yōu)化方法[12]。針對下載完整分片才能播放視頻的問題，低延時直播視頻傳輸平臺（L3VTP）將視頻傳輸粒度從分片級別降至幀級別，先將轉(zhuǎn)碼視頻直接推流到內(nèi)容分發(fā)網(wǎng)絡(luò)（CDN），再直接推流到客戶端，省去了服務(wù)器切片處理和客戶端周期性請求分片的過程，從而降低直播系統(tǒng)的播放延時與處理延時[13]。

在流媒體系統(tǒng)中，視頻編碼器的碼率控制算法通常是針對連續(xù)碼流設(shè)計的，未將視頻切片情況考慮在內(nèi)，缺乏對視頻分片層面的控制，從而導(dǎo)致生成的分片碼率相對設(shè)定值波動較大，引起帶寬浪費和卡頓。在低延時、小緩存的直播場景中，QoE表現(xiàn)得更差。詹亙等針對上述問題提出了基于切片級別進行比特分配的碼率控制算法[14]。在切片時長固定時，按照設(shè)定碼率為每個切片分配目標比特數(shù)。在給切片內(nèi)所有幀分配比特時，對切片的幀類型構(gòu)成進行預(yù)測，并為不同類型幀分配不同權(quán)值，再根據(jù)權(quán)值進行幀級別的比特分配。通過建立基于殘差變換絕對值和（SATD）和量化系數(shù)的線性預(yù)測模型，利用模型迭代進行宏塊級別的量化系數(shù)調(diào)整，從而實現(xiàn)單幀碼率的準確控制。實驗結(jié)果表明，與x264編碼器相比，該編碼方案將視頻切片碼率波動降低了76%。

3.2 網(wǎng)絡(luò)傳輸優(yōu)化

針對傳輸網(wǎng)絡(luò)優(yōu)化的研究可分為兩類：通過合理部署網(wǎng)絡(luò)架構(gòu)或選擇數(shù)據(jù)中心的方式來優(yōu)化傳輸；通過優(yōu)化或改變流媒體傳輸協(xié)議來有效降低傳輸延時。

在保持原有網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上，可使用軟件定義網(wǎng)絡(luò)（SDN）來實現(xiàn)網(wǎng)絡(luò)構(gòu)架的靈活部署。例如，P. H. THING等將所有路由協(xié)議集成在一個SDN環(huán)境中，通過拓撲管理器收集鏈路拓撲信息，通過流量管理器檢測各路由的網(wǎng)絡(luò)狀況，并基于上述拓撲信息和網(wǎng)絡(luò)狀況設(shè)計了一個動態(tài)最優(yōu)路徑選擇算法，實現(xiàn)了基于SDN的流媒體傳輸最優(yōu)路徑的選擇，提升了鏈路利用率[15]。直播平臺通常選用租借的云服務(wù)器來提供視頻轉(zhuǎn)碼、傳輸以及響應(yīng)用戶請求的直播服務(wù)，然而由于直播端與客戶端分布廣泛，使用基于云的數(shù)據(jù)中心來滿足用戶需求仍然具備挑戰(zhàn)性，C. DONG等提出了一種為主播端和客戶端動態(tài)選擇數(shù)據(jù)中心的算法，在保證用戶QoE的前提下，為直播服務(wù)提供商節(jié)省了運行成本[16]。

大多數(shù)直播傳輸方案在傳輸層均依賴于傳輸控制協(xié)議（TCP）。然而，TCP在數(shù)據(jù)傳輸前須完成3次握手以建立連接，如果使用加密Web服務(wù)，還須增加一次安全套接字協(xié)議/安全傳輸層協(xié)議（SSL/TLS）握手。與用戶數(shù)據(jù)報協(xié)議（UDP）相比，這種按序傳輸?shù)目煽窟B接會引入建立連接、丟包重傳等延時。針對上述問題，TCP快速連接協(xié)議（TFO） [17]利用cookie信息在確認字符回到接收端前發(fā)送數(shù)據(jù)，從而在建立握手的同時還進行了有效的數(shù)據(jù)傳輸，有效降低了延時，但是由于兼容性較差未被廣泛采用；谷歌提出快速UDP網(wǎng)絡(luò)連接協(xié)議（QUIC），通過類似TFO的技術(shù)使傳輸握手和加密同時完成，實現(xiàn)了在一個往返延時（RTT）內(nèi)建立可靠連接的功能[18]。如圖6（a）所示，客戶端在建立會話時可將cookie和加密數(shù)據(jù)直接發(fā)送至服務(wù)器，服務(wù)器再利用這些信息對客戶端進行驗證，驗證通過即開始接收數(shù)據(jù)。之后客戶端可在本地緩存加密認證信息，從而在與服務(wù)器恢復(fù)會話時實現(xiàn)零RTT的連接延遲，如圖6（b）所示。此外，SHI H.等針對延時敏感業(yè)務(wù)，提出了延時敏感性傳輸協(xié)議（DTP），將若干數(shù)據(jù)包組成的數(shù)據(jù)單元抽象為數(shù)據(jù)塊，根據(jù)數(shù)據(jù)包的接收截止時間和優(yōu)先級、數(shù)據(jù)塊的剩余大小以及鏈路網(wǎng)絡(luò)狀態(tài)來決定數(shù)據(jù)包發(fā)送的先后順序[19]。

3.3 客戶端優(yōu)化

相對于自適應(yīng)流媒體點播系統(tǒng)，直播的流媒體數(shù)據(jù)不是事先制作并保存在服務(wù)器中的，而是從主播端實時采集并推流到服務(wù)器端的。所以直播客戶端的碼率自適應(yīng)在考慮點播QoE影響因素的基礎(chǔ)上，還增加了延時因素，通常綜合卡頓、碼率質(zhì)量、碼率切換以及延時等影響因素來進行客戶端的碼率自適應(yīng)決策。

客戶端的碼率自適應(yīng)決策算法可分為啟發(fā)式算法和模型法。啟發(fā)式算法是一種基于直觀或經(jīng)驗構(gòu)造的算法。如XIE L.等認為在直播場景的客戶端小緩沖區(qū)前提下，帶寬以及帶寬波動的識別至關(guān)重要，因此提出了一種基于緩沖區(qū)閾值、帶寬瞬時值以及帶寬波動狀態(tài)的碼率自適應(yīng)算法，以降低卡頓率為目標，實現(xiàn)了低延遲條件下的無縫播放，減少了碼率切換的頻次，提高了用戶體驗質(zhì)量[20]。針對碼率自適應(yīng)問題的模型法可以分為：控制理論、效用最優(yōu)化問題以及強化學(xué)習(xí)方法等。近年來，客戶端的碼率自適應(yīng)優(yōu)化大多基于強化學(xué)習(xí)的方法，并采用動態(tài)獎勵函數(shù)來實現(xiàn)直播流媒體碼率的自適應(yīng)優(yōu)化。例如BitLat[21]和HD3[22]基于延時、緩沖時間、分片碼率等影響因素建立QoE線性預(yù)測模型，并將預(yù)測QoE作為動態(tài)獎勵函數(shù)來實現(xiàn)直播場景下的碼率控制和延遲控制。

除了對下載分片碼率進行自適應(yīng)調(diào)整外，還可以通過調(diào)整播放速率來實現(xiàn)基于客戶端的混合自適應(yīng)控制策略。播放速率自適應(yīng)（AMP）算法根據(jù)網(wǎng)絡(luò)狀況和客戶端緩沖區(qū)占用量實時調(diào)整客戶端視頻的播放速度，以降低客戶端的播放延時。如ZHANG G.等依據(jù)直播的低延時要求，提出了一種聯(lián)合調(diào)整分片碼率和播放速率的自適應(yīng)算法，最終使得直播視頻在保證一定畫面質(zhì)量的同時降低了播放時延[23]。此外，客戶端通常還以丟幀的形式來引入延時控制機制，以滿足直播對實時性的要求。如MILLER K.等利用基于客戶端的帶寬預(yù)測和對預(yù)測誤差分布的估計，通過跳過部分視頻片段來降低延時，并利用碼率過渡函數(shù)來避免碼率切換幅度過大帶來的突兀感[24]；HONG R.等通過跳幀的機制來最小化基于直播端到端延時的緩沖區(qū)閾值，提升了平均QoE[25]；Vabis[26]是一種跨服務(wù)器端和客戶端的QoE優(yōu)化策略，實現(xiàn)了基于幀級別的細粒度碼率控制，并在客戶端引入了3種延時機制，將直播平均延時降低了32%～77%，并提高了28%～67%的平均QoE。然而，目前針對端到端的自適應(yīng)流媒體直播系統(tǒng)的優(yōu)化還比較少，因此在這方面有待于進一步研究與探討。

4 結(jié)束語

本文首先介紹了HTTP自適應(yīng)流媒體直播系統(tǒng)框架，并對其QoE影響因素進行分析，最后針對HTTP自適應(yīng)流媒體直播系統(tǒng)中的QoE優(yōu)化策略進行了總結(jié)。HTTP自適應(yīng)流媒體直播系統(tǒng)的優(yōu)化目前還存在以下問題：

（1）由于自適應(yīng)機制不可避免地引入包括轉(zhuǎn)碼、切片、自適應(yīng)決策在內(nèi)的處理延時，因此不適用于“電商帶貨”等對超低延時有需求的直播場景。

（2）現(xiàn)有的QoE優(yōu)化大多針對客戶端應(yīng)用層的影響因素，或者將傳輸優(yōu)化和客戶端優(yōu)化單獨考慮，沒有考慮網(wǎng)絡(luò)層和應(yīng)用層相互作用的關(guān)系對QoE的影響，而網(wǎng)絡(luò)傳輸延時是整個直播系統(tǒng)延時的重要組成部分；因此，想要從本質(zhì)上降低整個系統(tǒng)的延時，有必要深入研究網(wǎng)絡(luò)層與應(yīng)用層之間的復(fù)雜關(guān)系，綜合考慮網(wǎng)絡(luò)層與應(yīng)用層影響因素，實現(xiàn)對自適應(yīng)流媒體直播系統(tǒng)的跨層QoE優(yōu)化。

參考文獻

[1] WOWZA. 2019 Video streamimg latency report[EB/OL]. [2020-12-10]. https：//www.wowza. com/wp-content/uploads/Streaming-Video-Latency-Report-Interactive-2020.pdf

[2] Smooth streaming protocol [EB/OL]. （2020-10-30）[2020-12-10]. https：//docs.microsoft.com/en-us/openspecs/windows_ protocols/ms-sstr/8383f27f-7efe-4c60-832a-387274457251

[3] HTTP live streaming [EB/OL]. [2020-12-10]. https：//developer.apple.com/documentation/ http_live_streaming

[4] Configure HTTP dynamic streaming and HTTP live streaming using AMS [EB/OL]. [2020-12-10]. https：//helpx.adobe.com/adobe-media-server/dev/configure-dynamic-streaming-live-streaming.html#overview_of_http_ dynamic_streaming_and_http_live_streaming

[5] SODAGAR I. The MPEG-DASH standard for multimedia streaming over the Internet[J]. IEEE multimedia， 2011， 18（4）： 62-67. DOI：10.1109/mmul.2011.71

[6] Enabling low-latency HLS [EB/OL]. [2020-12-10]. https：//developer.apple.com/documentation/http_live_streaming/enabling_low-latency_hls

[7] DASH-IF. Low-latency modes for DASH [EB/ OL]. [2020-12-10]. https：//dashif.org/docs/ CR-Low-Latency-Live-r8.pdf

[8] BAMPIS C G， BOVIK A C. Learning to predict streaming video QoE： distortions， rebuffering and memory [EB/OL]. [2020-12-10]. https： // arxiv.org/abs/1703.00633

[9] ESWARA N， ASHIQUE S， PANCHBHAI A， et al. Streaming video QoE modeling and prediction： a long short-term memory approach[J]. IEEE transactions on circuits and systems for video technology， 2020， 30（3）： 661-673. DOI：10.1109/tcsvt.2019.2895223

[10] GHADIYARAM D， PAN J， BOVIK A C. A time-varying subjective quality model for mobile streaming videos with stalling events[C]//SPIE Optical Engineering + Applications. International Society for Optics and Photonics. USA： SPIE， 2015

[11] GHADIYARAM D， PAN J， BOVIK A C. Learning a continuous-time streaming video QoE model [J]. IEEE transactions on image processing， 2018， 27（5）： 2257-2271. DOI：10.1109/tip.2018.2790347

[12] 費澤松， 王飛， 孫堯， 等. 一種自適應(yīng)碼率視頻直播的QoE監(jiān)控和優(yōu)化方法： CN105357591A[P]. 2016

[13] YI G， YANG D， WANG M W， et al. L3VTP： a low-latency live video transmission platform[C]//Proceedings of the ACM SIGCOMM 2019 Conference Posters and Demos on -SIGCOMM Posters and Demos， 19. New York， NY， USA： ACM Press， 2019： 138-140. DOI：10.1145/3342280.3342336

[14] 詹亙， 肖晶， 陳宇靜， 等.面向自適應(yīng)碼率視頻直播的碼率控制算法 [J]. 計算機工程， 2019， 45（3）： 268-272

[15] THINH P H， DAT N T， NAM P N， et al. An efficient QoE-aware HTTP adaptive streaming over software defined networking [J]. Mobile networks and applications， 2020， 25（5）： 2024-2036. DOI：10.1007/s11036-020-01543-1

[16] DONG C， WEN W， XU T， et al. Joint Optimization of data-center selection and video-streaming distribution for crowdsourced live streaming in a geo-distributed cloud platform [J]. IEEE Transactions on Network and Service Management， 2019：1-1

[17] CHENG Y， CHU J， RADHAKRISHNAN S， et al. TCP fast open [R]. RFC Editor， 2014

[18] CUI Y， LI T X， LIU C， et al. Innovating transport with QUIC： design approaches and research challenges [J]. IEEE Internet computing， 2017， 21（2）： 72-76. DOI：10.1109/mic.2017.44

[19] SHI H， CUI Y， QIAN F， et al. DTP： deadline-aware transport protocol [C]//Proceedings of the 3rd Asia-Pacific Workshop on Networking 2019. New York， NY， USA： ACM， 2019： 1–7. DOI：10.1145/3343180.3343191

[20] XIE L， ZHOU C， ZHANG X G， et al. Dynamic threshold based rate adaptation for HTTP live streaming [C]//2017 IEEE International Symposium on Circuits and Systems （ISCAS）. Baltimore， MD， USA： IEEE， 2017. DOI：10.1109/ iscas.2017.8050574

[21] WANG C， GUAN J F， FENG T T， et al. BitLat： bitrate-adaptivity and latency-awareness algorithm for live video streaming[C]//Proceedings of the 27th ACM International Conference on Multimedia. New York， NY， USA： ACM， 2019： 2642–2646. DOI：10.1145/3343031.3356069

[22] JIANG X L， JI Y S. HD3： distributed dueling DQN with discrete-continuous hybrid action spaces for live video streaming [C]// Proceedings of the 27th ACM International Conference on Multimedia. New York， NY， USA： ACM， 2019： 2632–2636. DOI：10.1145/3343031.3356052

[23] ZHANG G H， LEE J Y B. LAPAS： latency-aware playback-adaptive streaming[C]//2019 IEEE Wireless Communications and Networking Conference （WCNC）. Marrakesh， Morocco： IEEE， 2019： 1-6. DOI： 10.1109/ wcnc.2019.8885622

[24] MILLER K， AL-TAMIMI A K， WOLISZ A. QoE-based low-delay live streaming using throughput predictions [J]. ACM transactions on multimedia computing， communications， and applications， 2017， 13（1）： 1-24. DOI： 10.1145/2990505

[25] HONG R Y， SHEN Q W， ZHANG L， et al. Continuous bitrate & latency control with deep reinforcement learning for live video streaming [C]//Proceedings of the 27th ACM International Conference on Multimedia. New York， NY， USA： ACM， 2019： 2637–2641. DOI：10.1145/3343031.3356063

[26] FENG T T， SUN H F， QI Q， et al. Vabis： video adaptation bitrate system for time-critical live streaming [J]. IEEE transactions on multimedia， 2020， 22（11）： 2963-2976. DOI：10.1109/ tmm.2019.2962313

作者簡介

宋靳錁，中國傳媒大學(xué)信息與通信工程學(xué)院在讀碩士研究生；主要研究方向為流媒體系統(tǒng)的QoE優(yōu)化。

張遠，中國傳媒大學(xué)媒體融合與傳播國家重點實驗室副主任、教授；主要研究方向為多媒體通信、智能媒體分析與處理。

王博，中國傳媒大學(xué)信息與通信工程學(xué)院在讀碩士研究生；主要研究方向為實時音視頻通信。