本發(fā)明屬于流識(shí)別與分類技術(shù)領(lǐng)域，具體涉及一種使用視頻業(yè)務(wù)的平均意見(jiàn)分均值特征的流分類方法。

背景技術(shù)：

近年來(lái)，隨著wifi、lte、4g和wimax等無(wú)線通信技術(shù)的飛速發(fā)展，流媒體視頻業(yè)務(wù)流量急劇增加，同時(shí)智能手機(jī)、筆記本電腦和平板電腦在人們?nèi)粘Ｉ钪械钠占耙布铀倭艘曨l業(yè)務(wù)的增長(zhǎng)。根據(jù)中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告，截至2016年6月，我國(guó)網(wǎng)絡(luò)視頻用戶規(guī)模達(dá)到了5.14億，較2015年底增加了1000萬(wàn)。互聯(lián)網(wǎng)視頻觀看的人數(shù)占所有網(wǎng)民總數(shù)的比例為72.4％，而且這一數(shù)值一直在增長(zhǎng)。與此同時(shí)，web視頻等多媒體視頻業(yè)務(wù)對(duì)傳輸帶寬、延遲以及抖動(dòng)的要求很高，這勢(shì)必對(duì)視頻業(yè)務(wù)在未來(lái)移動(dòng)通信網(wǎng)中的傳輸和網(wǎng)絡(luò)流量的管理方面帶來(lái)嚴(yán)峻的挑戰(zhàn)。因此，為保障用戶體驗(yàn)質(zhì)量(qoe)，如何根據(jù)所提供的服務(wù)來(lái)預(yù)測(cè)終端客戶的體驗(yàn)質(zhì)量是多媒體服務(wù)提供商目前迫切需要解決的問(wèn)題。另一方面，為了更好地控制和管理網(wǎng)絡(luò)流量以及保障網(wǎng)絡(luò)視頻的服務(wù)質(zhì)量(qos)，迫切需要對(duì)網(wǎng)絡(luò)視頻業(yè)務(wù)進(jìn)行有效地識(shí)別和分類。

用戶體驗(yàn)質(zhì)量是描述用戶在與服務(wù)或者應(yīng)用交互的過(guò)程中，由用戶產(chǎn)生的對(duì)服務(wù)的一種主觀感受，用戶在一定的客觀環(huán)境中對(duì)所使用的服務(wù)或者業(yè)務(wù)的整體認(rèn)可程度，在業(yè)界被用來(lái)評(píng)價(jià)視頻業(yè)務(wù)的服務(wù)質(zhì)量。平均意見(jiàn)分(mos，meanopinionscore)是一種常用于表示用戶對(duì)實(shí)時(shí)多媒體服務(wù)尤其是視頻應(yīng)用的感知質(zhì)量的參數(shù)，它能夠較好地反映出用戶對(duì)視頻應(yīng)用質(zhì)量的感覺(jué)。mos值取值范圍是1～5，值越大表明用戶對(duì)視頻質(zhì)量越滿意，反之越小則表明用戶對(duì)視頻質(zhì)量越不滿意。概率密度函數(shù)(pdf，probabilitydensityfunction)是一個(gè)描述某個(gè)隨機(jī)變量的輸出值，在某個(gè)確定的取值點(diǎn)附近的可能性的函數(shù)。

對(duì)視頻等網(wǎng)絡(luò)業(yè)務(wù)流如何進(jìn)行有效的分類一直是學(xué)術(shù)界研究的重點(diǎn)。目前，視頻等網(wǎng)絡(luò)業(yè)務(wù)流分類主要使用的是基于統(tǒng)計(jì)特征結(jié)合機(jī)器學(xué)習(xí)?；诹髁拷y(tǒng)計(jì)特征的分類方法是通過(guò)提取網(wǎng)絡(luò)流的統(tǒng)計(jì)特征，將網(wǎng)絡(luò)流抽象為由一組統(tǒng)計(jì)特征值構(gòu)成的屬性向量，實(shí)現(xiàn)流量分類。比如rand等人通過(guò)提取360p、480p、720p三種視頻業(yè)務(wù)m個(gè)下行速率峰值，并構(gòu)成m維屬性向量，使用經(jīng)典的k-means方法進(jìn)行視頻流分類。使用該方法的優(yōu)勢(shì)是模型簡(jiǎn)單，計(jì)算過(guò)程相對(duì)高效，但是該方法的缺點(diǎn)是考慮的特征只有下行速率峰值，選擇的特征比較單一，且對(duì)未進(jìn)行訓(xùn)練的樣本識(shí)別率較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于針對(duì)上述網(wǎng)絡(luò)視頻流進(jìn)行有效分類的問(wèn)題，提出一種有效的視頻流分類方法，稱為一種使用視頻業(yè)務(wù)的平均意見(jiàn)分均值特征的流分類方法。該方法綜合考慮了視頻業(yè)務(wù)mos值pdf的均值和基于con-gr(consistencyfeatureselection-gainratio)特征選擇方法選出的下行字節(jié)速率，采用支持向量機(jī)分類器(svm，supportvectormachine)實(shí)現(xiàn)了標(biāo)清、高清和超清三類視頻業(yè)務(wù)的識(shí)別與分類。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的視頻流分類方法比較，本發(fā)明提出的方法獲得了較高的分類準(zhǔn)確率。為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是一種使用視頻業(yè)務(wù)的平均意見(jiàn)分均值特征的流分類方法，包括如下步驟：

步驟1：數(shù)據(jù)集預(yù)處理和特征提?。?/p>

1.1)通過(guò)網(wǎng)絡(luò)封包分析軟件抓取所需網(wǎng)絡(luò)中的視頻數(shù)據(jù)流，將抓取的原始數(shù)據(jù)流保存成標(biāo)準(zhǔn)文本格式；

1.2)對(duì)原始的視頻數(shù)據(jù)流進(jìn)行大量的流量統(tǒng)計(jì)特征計(jì)算，使用con-gr特征選擇方法選出信息增益率最大的特征，即下行字節(jié)速率；

步驟2：計(jì)算三種視頻業(yè)務(wù)mos的pdf均值特征：

2.1)將預(yù)處理之后的原始數(shù)據(jù)集截?cái)啵?/p>

2.2)模擬視頻播放原理，將截?cái)嘀蟮臄?shù)據(jù)集作為模擬播放的輸入，統(tǒng)計(jì)每一條流的特定參數(shù)；

2.3)根據(jù)步驟2.2中統(tǒng)計(jì)出來(lái)的參數(shù)計(jì)算截?cái)鄶?shù)據(jù)集中每條視頻流基于itu-tp.1201標(biāo)準(zhǔn)下的mos值；

2.4)將mos值進(jìn)行等份，統(tǒng)計(jì)落在每個(gè)等份中mos值的個(gè)數(shù)，得到原始視頻數(shù)據(jù)集每條視頻流的mos值pdf，計(jì)算均值特征；

步驟3：svm分類：

3.1)將每條視頻流的均值特征結(jié)合下行字節(jié)速率，定義為最優(yōu)特征子集；

3.2)將特征子集有監(jiān)督離散化，使用基于svm十折交叉驗(yàn)證法進(jìn)行流識(shí)別與分類。

進(jìn)一步，上述con-gr特征選擇方法的基本步驟是先用con特征選擇方法剔除無(wú)關(guān)特征，然后計(jì)算剩余特征和類別之間的信息增益率gr，并降序排列。

作為優(yōu)選，上述標(biāo)準(zhǔn)文本格式包括包到達(dá)時(shí)間、源ip地址、目的ip地址、協(xié)議類型、數(shù)據(jù)包大小五列原始信息。

步驟2.2中的所述特定參數(shù)可以包括播放中斷次數(shù)，平均播放中斷時(shí)間，初始緩沖時(shí)間，視頻碼率。

作為優(yōu)選，上述步驟2.4中所述等份是將mos值進(jìn)行20等份。

上述網(wǎng)絡(luò)封包分析軟件優(yōu)選為wireshark。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

1、本發(fā)明能夠根據(jù)現(xiàn)有的itu-tp.1201用戶感知的媒體流qoe預(yù)測(cè)模型，計(jì)算每條視頻流的mos值，不但可以保證客戶端觀看視頻的體驗(yàn)質(zhì)量，分析三種視頻業(yè)務(wù)mos值分布情況，也可以配合有效的特征組合，對(duì)三種視頻進(jìn)行識(shí)別與分類，并能取得較好的分類效果。

2、本發(fā)明方法使用視頻業(yè)務(wù)的mos值pdf均值特征結(jié)合支持向量機(jī)分類器的視頻業(yè)務(wù)識(shí)別分類技術(shù)，與現(xiàn)有的視頻流分類技術(shù)相比，采用了新的具有較好區(qū)分度的特征組合標(biāo)識(shí)原始視頻數(shù)據(jù)，能夠取得更高的分類準(zhǔn)確性。

附圖說(shuō)明

圖1是本發(fā)明視頻業(yè)務(wù)特征分析與分類方法的流程框圖。

圖2是本發(fā)明下行字節(jié)速率分析圖。

圖3是本發(fā)明視頻業(yè)務(wù)的pdf分析圖。

圖4是本發(fā)明用到的itu-tp.1201標(biāo)準(zhǔn)qoe整體架構(gòu)。

具體實(shí)施方式

下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

現(xiàn)提供一個(gè)實(shí)施例，包括如下步驟：

步驟1，數(shù)據(jù)集與數(shù)據(jù)預(yù)處理：1)通過(guò)網(wǎng)絡(luò)封包分析軟件，比如wireshark，在特定的網(wǎng)絡(luò)，比如校園網(wǎng)環(huán)境中，抓取所需的視頻數(shù)據(jù)流，然后將抓取的原始數(shù)據(jù)流保存成包含五列數(shù)據(jù)的標(biāo)準(zhǔn)文本格式，其中包括包到達(dá)時(shí)間(s)、源ip地址、目的ip地址、協(xié)議類型、數(shù)據(jù)包大小五列，定義為原始數(shù)據(jù)集。2)將原始數(shù)據(jù)集濾除每條視頻流的前5min的數(shù)據(jù)包，濾除上行數(shù)據(jù)包，定義為數(shù)據(jù)集dataset1。3)將dataset1每一條視頻流按5000個(gè)數(shù)據(jù)包截?cái)啵渲袠?biāo)清得到1446個(gè)樣本流，高清得到2665個(gè)樣本流，超清得到8324個(gè)樣本流，定義為數(shù)據(jù)集dataset2。

步驟2，計(jì)算三種視頻業(yè)務(wù)mos的pdf的均值特征：1)模擬視頻播放原理，將dataset2作為模擬播放的輸入，統(tǒng)計(jì)每一條流的播放中斷次數(shù)，平均播放中斷時(shí)間，初始緩沖時(shí)間，視頻碼率等qos參數(shù)。2)將dataset2中視頻流統(tǒng)計(jì)出的qos參數(shù)按照itu-tp.1201標(biāo)準(zhǔn)計(jì)算標(biāo)清1446個(gè)樣本流、高清2665個(gè)樣本流、超清得到8324個(gè)樣本流的mos值。3)將mos值以間隔為0.2平均分成20個(gè)等分，統(tǒng)計(jì)步驟2)中標(biāo)清、高清和超清mos值落在20個(gè)等分中的概率，得到三種視頻業(yè)務(wù)的pdf，并計(jì)算其均值定義為feature1{視頻業(yè)務(wù)pdf均值特征}。

步驟3，特征提?。簩?duì)于原始數(shù)據(jù)集，我們計(jì)算出三種視頻業(yè)務(wù)的大量的qos相關(guān)統(tǒng)計(jì)特征，用于特征選擇和最終的分類。對(duì)于特征選擇，本文采用的是con-gr方法。我們選取信息增益率最高的特征形成最優(yōu)特征，定義為feature2{下行字節(jié)速率}，將視頻業(yè)務(wù)流特征feature1和特征feature2定義為最優(yōu)特征子集featureset。

步驟4，svm分類：1)將原始數(shù)據(jù)集中每個(gè)樣本的featureset有監(jiān)督離散化。2)使用基于svm十折交叉驗(yàn)證法進(jìn)行流識(shí)別與分類。

如圖1所示，本發(fā)明提出的一種使用平均意見(jiàn)分均值特征的網(wǎng)絡(luò)視頻流分類方法，該方法包括：視頻流的獲取及統(tǒng)計(jì)特征的計(jì)算、統(tǒng)計(jì)特征分析和選擇、模擬視頻播放和計(jì)算pdf均值特征、基于svm分類器進(jìn)行分類并輸出統(tǒng)計(jì)結(jié)果等。主要具體步驟為：

步驟1，視頻流的獲取及統(tǒng)計(jì)特征的計(jì)算：通過(guò)網(wǎng)絡(luò)分析工具wireshark在校園網(wǎng)環(huán)境中獲取待分析的網(wǎng)絡(luò)視頻數(shù)據(jù)，其中包括youku標(biāo)清、youku高清、youku超清、iqiyi標(biāo)清、iqiyi高清和iqiyi超清六類視頻應(yīng)用，定義為dataset1。將獲取的網(wǎng)絡(luò)視頻流數(shù)據(jù)保存成txt文檔格式(即為一條流)，其中包含5列，從左至右依次是包到達(dá)時(shí)間、源ip地址、目的ip地址、協(xié)議類型、數(shù)據(jù)包大小。流是指同種業(yè)務(wù)在30分鐘時(shí)間內(nèi)所抓取的數(shù)據(jù)包序列，在次稱其為一條流，每種業(yè)務(wù)都抓取60條流來(lái)分析問(wèn)題，總共360條。然后，將原始的視頻流輸入到我們的網(wǎng)絡(luò)數(shù)據(jù)流處理平臺(tái)，進(jìn)行統(tǒng)計(jì)特征計(jì)算，最后得到一些列的網(wǎng)絡(luò)視頻流的qos相關(guān)的統(tǒng)計(jì)特征。

步驟2，統(tǒng)計(jì)特征分析和選擇：對(duì)dataset1本發(fā)明選擇con-gr特征選擇方法，基本思路是先用con特征選擇方法剔除無(wú)關(guān)特征，然后計(jì)算剩余特征和類別之間的信息增益率gr并降序排列，如表1。選擇信息增一律最大的特征定義為feature1{下行字節(jié)速率}。

表1

實(shí)驗(yàn)中，本發(fā)明對(duì)三種視頻業(yè)務(wù)的下行字節(jié)速率進(jìn)行了分析，如圖(2)所示，從圖中可以觀察到超清和高清視頻下行字節(jié)速率明顯高于標(biāo)清視頻，即超清和高清視頻平均下行字節(jié)速率是大于標(biāo)清。另外，可以觀察到超清視頻下行字節(jié)速率的峰值個(gè)數(shù)比高清視頻下行字節(jié)速率峰值明顯要多。

步驟3，將原始數(shù)據(jù)集濾除每條視頻流的前5min的數(shù)據(jù)包，濾除上行數(shù)據(jù)包，定義為dataset1。將dataset1每一條視頻流按5000個(gè)數(shù)據(jù)包截?cái)?，其中?biāo)清得到1446個(gè)樣本流，高清得到2665個(gè)樣本流，超清得到8324個(gè)樣本流，定義為數(shù)據(jù)集dataset2。

步驟4，將dataset2作為模擬視頻播放策略的輸入，統(tǒng)計(jì)播放中斷次數(shù)，平均播放中斷時(shí)間、初始緩沖時(shí)間和視頻碼率四個(gè)qos參數(shù)。將dataset2中每條視頻流的四個(gè)qos參數(shù)計(jì)算其基于itu-t標(biāo)準(zhǔn)下的mos值。之后將mos值以間隔為0.2平均分成20個(gè)等分，統(tǒng)計(jì)標(biāo)清、高清和超清mos值落在20個(gè)等份每個(gè)等份中的個(gè)數(shù)，得到三種視頻業(yè)務(wù)的pdf，計(jì)算每條視頻業(yè)務(wù)pdf的均值，定義為特征feature2{視頻業(yè)務(wù)pdf均值}。

試驗(yàn)中，本發(fā)明對(duì)視頻業(yè)務(wù)的pdf進(jìn)行了分析。如圖3所示，三種分辨率視頻業(yè)務(wù)mos值在1～2區(qū)間的概率都非常小，標(biāo)清的mos值主要分布在2.6～3.4之間，高清主要分布在3.2～4.2之間，超清主要分布在3.8～4.8之間。那么，標(biāo)清、高清、超清三類網(wǎng)絡(luò)視頻業(yè)務(wù)的mos值pdf基本可以代表這類視頻mos值分布情況。這種比較mos值有區(qū)分度分布的特點(diǎn)，為流識(shí)別提供了依據(jù)。

itu-tp.1201流媒體質(zhì)量預(yù)測(cè)模型具體描述如下：

在itu-tp.1201提出的標(biāo)準(zhǔn)中，如圖4所示，我們需要計(jì)算單獨(dú)音頻評(píng)分o.21、單獨(dú)視頻評(píng)分o.23、音視頻評(píng)分o.32、播放中斷和初始緩沖評(píng)分o.24和整體視頻評(píng)分o.41這些基本模型的值。

定義綜合的mos值o.41由如下得到:

o.41＝max(min((o.32-5o.24),5),1)(1)

公式(1)中，o.24是由緩沖區(qū)數(shù)據(jù)包太少造成的播放中斷和視頻開(kāi)始播放的初始緩沖帶來(lái)的體驗(yàn)質(zhì)量損傷評(píng)分，計(jì)算公式如(2)：

o.24＝5-max(min((degstall+degt0),4),0)(2)

為了計(jì)算o.24，我們需要得到視頻播放中斷所引起的體驗(yàn)質(zhì)量損傷評(píng)分degstall和初始緩沖帶來(lái)的視頻體驗(yàn)質(zhì)量損傷評(píng)分degt0。

degstall＝max(min(s4+s1×exp((s2×l+s3)×n),4),0)(3)

其中，l是視頻平均播放中斷持續(xù)時(shí)間，它不包括初始緩沖時(shí)間，單位是s，n是視頻播放中斷次數(shù)，它不包括初始緩沖。

我們用t0表示視頻播放初始緩沖時(shí)間，如果t0>1-(-3.29)＝4.29，則：

degt0＝max(min(d1×lg(t0+d2),4),0)(4)

如果t0≤1-(-3.29)＝4.29，則：

degt0＝0(5)

公式(1)中，o.32是由音頻單獨(dú)評(píng)分o.21和視頻單獨(dú)評(píng)分o.23加權(quán)平均而得到的。由于我們沒(méi)有用到音頻，所以這里不需要計(jì)算o.21。則：

o.32＝avmosc＝vmosc(6)

其中：

vdc是由于視頻壓縮而產(chǎn)生的視頻失真度，計(jì)算公式如(8)：

vnbr是視頻的歸一化碼率，計(jì)算公式如(9)：

其中，vbr是視頻碼率，單位是kbit/s，videoframerate是視頻播放幀率。

vccf是視頻內(nèi)容復(fù)雜度影響因子，表明視頻內(nèi)容的時(shí)空復(fù)雜度，它的最大值為1.0，初始值為0.5，計(jì)算公式如(10)：

公式中參數(shù)vabif是平均i幀字節(jié)數(shù)。為計(jì)算方便，這里平均i幀字節(jié)數(shù)我們根據(jù)經(jīng)驗(yàn)選取合適的值。

視頻模擬播放策略具體描述如下：

模擬客戶端視頻播放過(guò)程可以分為播放準(zhǔn)備階段、視頻初始緩沖階段、視頻播放階段和播放中斷階段。在播放準(zhǔn)備階段，我們將視頻開(kāi)始播放的閾值bc設(shè)定為視頻播放1s所需數(shù)據(jù)包大小，視頻播放速率設(shè)定為平均視頻碼率的0.75倍，視頻中斷閾值bi設(shè)定為平均視頻碼率的0.1倍。在視頻初始緩沖階段，開(kāi)始緩沖區(qū)的數(shù)據(jù)包為空，該算法在當(dāng)前時(shí)間間隔內(nèi)讀取其對(duì)應(yīng)的數(shù)據(jù)包源源不斷地加入緩沖區(qū)，當(dāng)緩沖區(qū)數(shù)據(jù)包大小小于視頻播放的閾值bc，不執(zhí)行任何操作，當(dāng)緩沖區(qū)數(shù)據(jù)包大小大于視頻播放閾值bc，開(kāi)始執(zhí)行播放視頻的功能，并記錄下當(dāng)前數(shù)據(jù)包到達(dá)時(shí)間作為初始緩沖時(shí)間。在視頻播放階段，一旦視頻開(kāi)始播放，緩沖區(qū)數(shù)據(jù)包以平均視頻碼率的0.75倍的速率離開(kāi)緩沖區(qū)，同時(shí)算法讀取文件中的數(shù)據(jù)加入緩沖區(qū)。當(dāng)緩沖區(qū)數(shù)據(jù)包大小小于視頻中斷閾值bi時(shí)，此時(shí)視頻播放中斷，記錄下播放中斷次數(shù)+1，并記錄當(dāng)前數(shù)據(jù)包到達(dá)時(shí)間間隔作為播放中斷時(shí)間，與總的播放中斷時(shí)間相加。在視頻播放中斷階段，此時(shí)視頻播放停止，而算法繼續(xù)從文件中讀取數(shù)據(jù)包加入緩沖區(qū)，緩沖區(qū)數(shù)據(jù)包必須大于bc才能重新開(kāi)始播放。當(dāng)當(dāng)前視頻流數(shù)據(jù)包全部讀取完畢統(tǒng)計(jì)該視頻流初始緩沖時(shí)間、播放中斷次數(shù)和播放中斷時(shí)間。等待下一個(gè)視頻流執(zhí)行同樣的操作，對(duì)于每一條要模擬播放的視頻流都執(zhí)行該算法

步驟4，將視頻業(yè)務(wù)流特征feature1和特征feature2定義為最優(yōu)特征子集featureset。將featureset有監(jiān)督離散化，將featureset1作為svm分類器的輸入數(shù)據(jù)，采取十折交叉驗(yàn)證法進(jìn)行流識(shí)別與分類。

本發(fā)明的實(shí)驗(yàn)結(jié)果：

為了進(jìn)一步驗(yàn)證本發(fā)明選取的統(tǒng)計(jì)特征的有效性，我們使用上述三種清晰度網(wǎng)絡(luò)視頻流數(shù)據(jù)，利用本發(fā)明中提出的使用視頻業(yè)務(wù)的mos值pdf特征進(jìn)行識(shí)別與分類。主要從衡量網(wǎng)絡(luò)流分類性能的查準(zhǔn)率、查全率和f測(cè)度(f-measure)進(jìn)行對(duì)比驗(yàn)證。

其中original是采用三種視頻分辨率下行速率峰值，使用k-means方法進(jìn)行網(wǎng)絡(luò)流量分類的分類結(jié)果，improved是采用本發(fā)明提出的使用視頻業(yè)務(wù)mos值pdf均值特征和基于con-gr特征選擇方法選出的下行字節(jié)速率特征組合的分類結(jié)果。表2展示了兩種算法對(duì)于三種網(wǎng)絡(luò)視頻業(yè)務(wù)的分類效果比較。從表2可以看出本文提出的流分類方法在準(zhǔn)確率、召回率、f-測(cè)度和整體識(shí)別效果較original提出的流分類方法都有提高。從查準(zhǔn)率看，三種視頻業(yè)務(wù)的查準(zhǔn)率在95％以上，標(biāo)清的準(zhǔn)確率達(dá)到了97.6％，超清準(zhǔn)確率達(dá)到了96.6％，高清的準(zhǔn)確率最低，只有95.8％，這有可能是高清與標(biāo)清，高清與超清的pdf有部分重疊造成下行字節(jié)速率和均值特征無(wú)法將高清正確分類。從查全率和f-測(cè)度來(lái)看，標(biāo)清的分類結(jié)果比高清和超清要好，原因可能是網(wǎng)絡(luò)狀況不夠理想，造成視頻業(yè)務(wù)的下行字節(jié)速率變小，標(biāo)清依然能夠正確識(shí)別，而高清和超清的識(shí)別效果受到了影響。

表2

original使用三種視頻業(yè)務(wù)的m個(gè)下行速率峰值，并構(gòu)成m維屬性向量，使用經(jīng)典的k-means方法進(jìn)行視頻流分類。使用k-means方法的優(yōu)勢(shì)是模型簡(jiǎn)單，計(jì)算過(guò)程相對(duì)高效,但是original考慮的特征只有下行速率峰值，選擇的特征比較單一，且對(duì)未進(jìn)行訓(xùn)練的樣本識(shí)別率較低。本發(fā)明提出的improved流識(shí)別技術(shù)通過(guò)對(duì)三種分辨率視頻業(yè)務(wù)進(jìn)行con-gr特征選擇，選出信息增益率最大特征進(jìn)行視頻業(yè)務(wù)分類，針對(duì)只使用con-gr選出的下行字節(jié)速率無(wú)法正確識(shí)別的視頻業(yè)務(wù)，加入mos值pdf均值特征可以更好的區(qū)分三種視頻業(yè)務(wù)。因此，相比于original，本發(fā)明提出的分類方法較好。

需要說(shuō)明的是，以上所述數(shù)據(jù)僅為本發(fā)明的一個(gè)具體實(shí)施例所得，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。