| 应用 | 论文(体验感知) | 参数(细表) | 模型 | 算法及优点(优势)说明 | 算法归类 | 应用场景 | 备注说明 |
| 视频 | 《网络传输中IPTV的QoE评估模型的研究》张大陆 2013； 通过分析各网络参数的损伤对IPTV用户体验的影响，建立网络参数到用户体验质量的评估模型 |
丢包、抖动、时延、带宽；音视频编码类型 | QoE评估模型 | 该评估模型与实际用户体验有较高的拟合度 | 初等模型 | IPTV网络 | http://www.doc88.com/p-7718886916541.html |
| 视频 | 《基于决策树的流媒体视频用户体验质量评测》 通过从物理层包级别和应用层视频帧级别提取描绘视频特性及网络丢包和时延损伤的特征参数，采用决策树统计学习方法对流媒体服务的用户体验质量进行评测 |
视频相关：比特率，帧率，空间复杂度，时间复杂度；网络丢包损伤：丢包率，丢包长度最小值、最大值、方差，丢包距离最小值、最大值、平均值、方差，解码失败帧百分比，受损伤帧百分比，1帧失败百分比，成功解码面积百分比、最值、平均值 ；网络时延损伤：时延方差、帧时延长度最大值、最小值、方差，时延帧距离最大值、最小值、方差； | 基于决策树的用户体验模型 | 此模型具有实现简单、独立于视频编码算法、效率高等优点，适用于网络侧流媒体视频监测系统 | 统计学习 | 流媒体 | http://www.doc88.com/p-7807715282395.html |
| 整体 | 《一种快速的报文丢失率推测方法》2006；由于某些网络内部封闭性,近来提出一种称为网络断层扫描技术,即根据网络外部（网络边界）的测量来分析和推断网络内部性能，核心思想是利用多播或广播方法在网络边缘发送探测报文,利用端到端的测量来推测内部性能，如丢包率和延迟。 | 三个参数:树形网络中叶节点集合，探测报文数量，叶节点接受报文数量 | 使用二叉树表示网络拓扑,并假设报文丢失符合Bernoulli模型,使用随机过程来构建报文丢失模型，进而使用报文丢失率推测算法来进行评估。 | 传统似然估计算法计算量会随着网络规模增加而增长,本论文算法优点在于简单快速，计算量小.使用NS2仿真结果证明算法推测出的报文丢失率和实际丢失率相当接近. | 概率估算 | 树形网络中判断链路丢包率 | http://www.docin.com/p-1273691838.html |
| WLAN | 《WLAN报文传输性能优化技术研究与实现》2012；论文提出两个改进点：1.基于链路信息的动态帧聚会算法，该算法根据链路状态改变动态调整聚合机制，使得网络吞吐量最大化；2.为了解决低传输速率错误几率低,而高传输速率在噪声链路中错误率高的矛盾,提出了mrra速率控制算法，以某个速率发送报文的误包率来决定增速还是减速 | 1.基于链路信息的动态帧聚合算法：参数3个,包含传输报文长度Lcur、重传次数R，聚合时间初始值Tagg 2.mrra速率控制算法：参数2个,包含支持速率表，传输误包率 |
1.据链路状态改变动态调整聚合机制 2.MMR(Multi-Rate Retry)机制主要思想是，当报文手册发送失败重传时，不应该使用同一速率，而是使用不同的速率进行重传，来增加成功的可能性 |
1.基于链路信息的动态帧聚会算法,根据报文速率等统计信息计算误码率ber,并根据参考成果设置对应的聚合帧长限制.对比标准聚合机制,该改进可以使网络吞吐量最大化. 2.速率控制算法有两类:基于发送方和接收方,本文关注基于发送方,对比已有的arf算法\onoe算法\samplerate算法,提出了mrra速率控制算法,采用MRR机制,根据以某个速率发包时的误包率来决定增速还是减速 |
动态规划 | 无线网络 | http://www.doc88.com/p-9995771104648.html |
| 校园网 | 《基于流量特性的校园网网络性能分析与研究》2012；基于网络中流量的自相似特性，使用希尔伯特黄变换方法来进行流量异常检测。 | 网络流量,参数包含:ifoutocters mib值,采样时间, | 基于自相似的HHT异常检测算法 | 假设有表示网络流量的时间序列X，对其进行HHT变化处理，核心是经验模态分解（EMD）算法,分离出趋势项和随机成分等其他项。然后对随机成分集合的时间序列进行卡方检验（chi-square test），判断变换后时间序列是否与原始序列具有相同的网络流量特征。该方法对比常规异常检测误差方法，可以减小流量整体变化带来的计算误差。 | 随机过程 | 校园网等具有时间周期性的网络环境 | http://www.doc88.com/p-6931137670227.html |
| 视频 | 《基于多特征类型的无线视频质量用户体验QoE方法研究》 在视频像素域研究基础上，提出新的基于内容感知的跨层视频质量评价模型；基于人眼仿真学的研究，提出两种适用于异构网络的视频质量预测模型；提出无参考视频质量评估模型；提出适用于移动终端的无参考视频质量预测模型 |
序列平均绝对差异和、平均色彩直方图、平均颜色熵、平均边缘复杂度 网络层参数：I帧/B帧/P帧(丢帧率、丢包率)，帧延时，数据包延时，帧抖动、数据包抖动 |
基于内容感知的跨层视频质量评价模型 多视频参数归一化非实时QoE评价模型 基于人眼视觉系统敏感度的视频质量预测模型 传输参数感知的视频质量预测模型(TQM） 内容感知的支持向量机QoE评价模型 端到端的视频质量预测模型 无参考视频质量评估模型 无参考视频质量评估模型预测 基于比特流视频质量的评价型(BBVQM) |
Canny算法(最优阶梯型边缘检测算法) 各模型对应的算法 |
数学算法 | 无线视频 | http://xueshu.baidu.com/s?wd=paperuri%3A%281d37de965e2836667654af2d9781c128%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fwww.doc88.com%2Fp-1148032544891.html&ie=utf-8 |
| 视频 | 《HTTP网络视频质量评估方法的研究》 在分析QoE与QoS的定义及关系基础上，建立网络层度量指标，再应用神经网络算法，将视频性能度量指标作为输入，输出视频质量评估结果 |
初始缓冲时间，重缓冲时间，重缓冲频率；时延，丢包率 | 基于网络参数的HTTP视频质量评估模型 | 神经网络算法；拟合度较高 | 神经网络 | 视频 | http://www.doc88.com/p-0317197498184.html |
| 视频 | 《考虑丢包特性的无参考网络视频质量评估模型》2012； 针对相同丢包率条件下不同的包丢失集中度对视频质量影响不同，提出一种不对视频解码无参考的网络视频质量评估模型 |
视频内容、丢包率和丢包集中度 | 不对视频解码无参考的网络视频质量评估模型 | 无参考网络视频质量评价模型与主观质量评价的相关性平均提高了6.18% | 初等模型 | 视频 | http://www.docin.com/p-1220383772.html |
| 视频 | 《基于TCP数据包层分析的移动互联网用户体验的评估方法》2014； 提出基于传输控制协议数据包分析的用户体验评估方法，适应于单用户粒度，从用户行为及用户感知两方面定性和定量评估用户体验 |
视频流文件大小，片长，折合实际传输过程的平均码率，用户平均下午速率 | PLA模型：粗、细微粒度 | NA | 初等模型 | TCP数据层 | http://www.doc88.com/p-9919560564787.html |
| IPTV | 《A QoE management system to improve the IPTV network》2010；根据网络参数，提出一个计算QOE的公式，并根据用户接受信息来调整网络特性，以提供更好的IPTV Qoe给用户； | QOE为网络QOE和用户QOE之和，其中网络QOE参数包含3个:延迟，抖动，丢包率；用户QOE参数包含视频质量、同步时间、切换时间.对网络设备而言,只能提供计算网络QOE的参数. | 构建一个系统，根据参数计算qoe，发现qoe不在指定范围内时，通过mib来对网络设备进行配置优化 | 重复计算QOE，如果在合理范围则仅保存计算结果，否则就修改配置调整参数.修改网络配置包含:修改用于IPTV的VLAN带宽\队列长度\优先级,切换备份线路. | 初等模型 | IPTV网络 | https://www.researchgate.net/profile/Miguel_Garcia11/publication/220547947_A_QoE_management_system_to_improve_the_IPTV_network/links/0fcfd51138eed98ed9000000.pdf |
| 整体 | 《Enabling autonomic access network QoE management through TCP monitoring》2007；该文章针对接入网络场景,提出一种使用tcp报文中3元素作为参数来计算丢包率的方法 | 计算丢包率,监控面参数：tcp报文头部序号,确认序号,头部长度,接收时间, | 使用状态机建模 | 文章使用‘接入网络TCP监控算法’，即匹配数据和ACK报文来计算上下行丢包，进而估算RTT.对比其他基于重传的测量算法,该方法偏差率小50%,并且在抖动情况下误报率更低. | 状态机 | 接入网络或家庭网关 | http://biblio.ugent.be/publication/384751/file/582343.PDF |
| 整体 | 《一种基于神经网络的网络设备故障预测系统》2014；采用BP（Back Propagation）神经网络进行故障预测，提取网络设备中各参数作为故障特征量，转为历史样本对网络进行训练，而后即可对网络设备故障进行预测 | 参数包含6个：设备运行时间，板卡温度，cpu利用率，内存利用率，syslog级别，syslog刷新速度 | 使用BP神经网络建模 | 中间层神经元传递函数选择S型正切函数，输出层神经元传递函数选用log-sigmoid函数进行归一化。使用神经网络算法对比其他拟合算法能够更接近目标函数。20个输入函数以下的问题都能在50000次的学习以内收敛到最低误差附近。理论上一个三层的神经网络，能够以任意精度逼近给定的函数。 | 神经网络 | 针对逐渐劣化的网络环境和设备,并且有历史数据作为参考训练 | http://www.doc88.com/p-7864538112764.html |
| VOIP | 《一种VoIP语音质量评价模型》2012 研究QOS参数变化和QOE之间的映射关系，用回归分析方法建立了可测量Qos参数与QoE之间的映射模型 |
分组丢包，抖动损伤，编/解码延迟、算法延迟、传输延迟、缓存延迟 | QOS参数变化和QOE之间的映射模型 | PESQ算法 Emodel算法 在运用PESQ算法对分组丢失损伤的结果进行分析的基础上，对E-Model的损伤系数进行扩展，使E-model模型可方便地应用于语音编码 |
数学算法 | VOIP | http://www.doc88.com/p-606824890823.html |
| IPTV | 《IPTV网络参数化QoE模型的研究》尤峰华 2010； | 丢包、抖动、时延、带宽；丢失突发与间隔、周期、密度、个数、比例； DF：采样周期内，接收的媒体数据和播放用去的数据之差的变化的大小 |
T-Model模型 | 可测试与评估网络的参数性能是否满足IPTV传输的要求，可实时测试出系统提供的IPTV的服务质量，可有效地定位出导致服务质量下降的瓶颈节点 能更加准确地描述网络与用户的主观体验值之间的关系 |
初等模型 | IPTV网络 | http://www.doc88.com/p-9068158006870.html |
| 无线视频 | 《无线视频流业务的用户体验质量估计模型及其应用》2014； 提出基于径向基函数神经网络的无参考质量评估模型(RBFN)； |
视频特征：时间信息、空间信息、亮度信息、颜色信息 编码比特率、丢包率、帧率、分辨率、终端尺寸 |
判别分析、决策树、广义线性模型、SVM模型、GBDT模型、KNN模型、BPNN模型、CBPN模型 | RBFN的QoE估计模型不仅评估准确度最高，而且具有低的时间复杂度 | 初等模型 | 无线视频 | http://www.doc88.com/p-9068158006870.html 基于神经网络的评估模型； 基于决策树评估模型 基于支持向量机的评估模型 基于距离法的评估模型 基于梯度提升决策树的评估模型 |
| 路由 | 《基于用户体验评价模型的最优路由选择算法》张大陆 2012； 基于QoE评价模型，给出以QoE为目标的最优路由选择算法 |
模型系数，给定路径，抖动，时延，丢包率，表征值，前向节点信息 | QoE最优路由选择问题模型 | 广度优先；最优路由选择算法QoE_DSP 该算法能保证所得路径满足QoE评价模型的路由选择算法，同时考虑网络资源利用率情况下的QoE路由算法也是一个比较实际的应用场景 |
广度优先 | 路由选择 | http://xueshu.baidu.com/s?wd=paperuri%3A%2825eb4012248d283646e869cddb2227e9%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fwww.docin.com%2Fp-1450041346.html&ie=utf-8&sc_us=11131841752499208724 |