基于指标数据的QoE预测方法及QoS参数更新方法技术

本申请公开一种基于指标数据的QoE预测方法及QoS参数更新方法，QoE预测方法包括：基于终端应用发起的QoE预测请求以时间间隔连续获取指标数据，所述QoE预测请求包括请求类型、连续获取所述指标数据的所述时间间隔、请求的预测时长、PDU会话ID以及QFI；根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。本申请可以根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，以便于保障和优化终端应用的体验效果。以便于保障和优化终端应用的体验效果。以便于保障和优化终端应用的体验效果。

【技术实现步骤摘要】
基于指标数据的QoE预测方法及QoS参数更新方法


[0001]本申请涉及5GS
，具体涉及一种基于指标数据的QoE预测方法及QoS参数更新方法。

技术介绍

[0002]XR是指通过计算机技术和可穿戴设备产生的一个真实与虚拟结合的、可人机交互的环境，主要包括增强现实(Augmented Reality)、虚拟现实(Virtual Reality)、混合现实(Mixed Reality)等多种形式。XR凭借其全新的交互形式，使得众多应用有了更佳的体验方式。通常，XR的体验效果由QoE来进行评价，QoE通过用户、环境和服务三个方面实现对XR的综合评价，用户方面包括用户的背景(如年龄、性别、受教育程度等)、体验期望、体验经历以及体验时的身心状态等。环境方面包括自然环境、服务运行环境等。服务方面包括网络层、应用层及服务层三部分，网络层反映了网络传输的状况，如延迟、带宽、丢包率等；应用层反映非传输服务的性能，如内容分辨率、编解码类型等；服务层则确定了通信的内容、优先级等，如服务的应用级别、质量保证。其中，XR设备对于网络传输和连接的要求极为苛刻，随着5G、边缘计算等新兴技术的成熟，不仅大大提升了网络传输速率，还使得低时延的高速连接成为可能。
[0003]QoE的评价指标可以分为两种，一是主观评价指标，通过将用户的体验感受进行量化处理得到，二是客观评价指标，主要包括硬件设备条件、网络性能状况等，现有技术中，主要通过获取客户端与服务端的时延、丢包率等指标对网络性能状况进行评价，当时延过大或丢包率过高时，若要对网络传输性能进行优化，无法有效识别是5G传输网还是其他传输网络需要进行优化。
[0004]对于XR应用，除了常规的时延信息以外还需要不同流的时延差作为其评价指标，其原因在于同一XR应用通常涉及多种类型数据的传输，不同数据的传输可能需要不同的QoS参数，那么对于其网络传输而言，则需要不同的QoS flow对不同类型数据进行传输，且同一XR应用不同QoS flow的时延差应确保在一定的范围内，如：视觉数据相对于触觉数据的传输时延应小于15ms，否则，用户体验将大打折扣。
[0005]因此，为了进一步保障和优化XR应用的体验效果，有必要构建QoE预测方法。

技术实现思路

[0006]本申请的目的在于提供一种基于指标数据的QoE预测方法、QoS参数更新方法、装置、NWDAF以及计算机可读存储介质，便于保障和优化终端应用的体验效果。
[0007]为实现上述目的，本申请提供了一种基于指标数据的QoE预测方法，包括：
[0008]基于终端应用发起的QoE预测请求以时间间隔连续获取指标数据，所述QoE预测请求包括请求类型、连续获取所述指标数据的所述时间间隔、请求的预测时长、PDU会话ID以及QFI；
[0009]根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。
[0010]本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而可以根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，以便于保障和优化终端应用的体验效果。
[0011]可选地，所述指标数据包括媒体源质量数据和/或5G网络性能数据。
[0012]可选地，所述媒体源质量数据包括：启动时间、卡顿次数和时间、码率以及码率波动。
[0013]可选地，所述5G网络性能数据包括：UE数据传输速率、拥塞等级、丢包率、每个所述QFI的往返时延、所述QFI之间的时延差。
[0014]可选地，所述根据连续获取到的所述指标数据进行预测，得到所述预测时长内的QoE预测结果，包括：
[0015]将所述指标数据进行预处理，得到归一化后的标准数据；
[0016]根据所述标准数据设定滑动窗口和监督数据，将前N个所述时间间隔的所述标准数据定义为一个所述滑动窗口，作为引入Attention机制的LSTM模型的第一个输入序列，将第N+1至第N+M个所述时间间隔的所述标准数据作为第一个输出序列，将第M+1至第N+M个所述时间间隔的所述标准数据作为所述LSTM模型的第二个输入序列，将第N+M+1至第N+M+M个所述时间间隔的所述标准数据作为第二个输出序列，以此类推，其中M为步长，M设为1或者大于1的整数；
[0017]将所述监督数据划分为训练集和测试集；
[0018]将所述训练集输入到所述LSTM模型进行计算；
[0019]当计算完所述第一个输入序列的隐层输出后，通过Attention模块分别计算前N
‑
1个所述时间间隔的所述标准数据的隐层输出与第N个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
[0020]通过Dense模块将上述计算结果进行汇总输出，得到接下来的M个所述时间间隔的第一预测数据；
[0021]根据所述第一预测数据和所述监督数据中的第一个输出序列得到第一预测误差；
[0022]利用所述第一预测误差对所述LSTM模型进行训练；
[0023]根据训练后的所述LSTM模型计算所述第二个输入序列的隐层输出；
[0024]当计算完所述第二个输入序列的隐层输出后，通过所述Attention模块分别计算第M+1至第N+M
‑
1个所述时间间隔的所述标准数据的隐层输出与第N+M个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
[0025]通过所述Dense模块将上述计算结果进行汇总输出，得到再接下来的M个所述时间间隔的第二预测数据；
[0026]根据所述第二预测数据和所述监督数据中的第二个输出序列得到第二预测误差；
[0027]利用所述第二预测误差对所述LSTM模型进行训练；
[0028]以此类推，依次利用接下来的输入序列和输出序列对所述LSTM模型进行训练；
[0029]当所述LSTM模型收敛时得到最终预测模型；
[0030]将最后N个所述时间间隔的所述标准数据输入所述最终预测模型，得到M个所述时间间隔的预测数据；
[0031]将最后N
‑
M个所述时间间隔的所述标准数据和最新得到的M个所述时间间隔的预
测数据作为所述最终预测模型的新的输入，再得到M个所述时间间隔的预测数据；
[0032]以此类推，直到得到所述预设时长的预测数据序列。
[0033]可选地，所述LSTM模型针对每个所述时间间隔的所述标准数据分别计算遗忘门F
t
、输入门I
t
，输出门O
t
，隐层单元长期记忆C
t
以及隐层输出h
t
，计算公式如下：
[0034]F
t
＝σ(W
F
[h
t
‑1,X
t
]+b
F
...

【技术保护点】

【技术特征摘要】
1.一种基于指标数据的QoE预测方法，其特征在于，包括：基于终端应用发起的QoE预测请求以时间间隔连续获取指标数据，所述QoE预测请求包括请求类型、连续获取所述指标数据的所述时间间隔、请求的预测时长、PDU会话ID以及QFI；根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。2.根据权利要求1所述的QoE预测方法，其特征在于，所述指标数据包括媒体源质量数据和/或5G网络性能数据。3.根据权利要求2所述的QoE预测方法，其特征在于，所述媒体源质量数据包括：启动时间、卡顿次数和时间、码率以及码率波动。4.根据权利要求2所述的QoE预测方法，其特征在于，所述5G网络性能数据包括：UE数据传输速率、拥塞等级、丢包率、每个所述QFI的往返时延、所述QFI之间的时延差。5.一种基于5GS网络性能指标的QoE预测方法，其特征在于，包括：终端应用通过AF向NEF发起QoE预测请求，所述QoE预测请求包括请求类型、连续获取指标数据的时间间隔、请求的预测时长、PDU会话ID以及QFI；NEF授权并转发AF的所述QoE预测请求，向NWDAF订阅QoE预测事件；NWDAF以所述时间间隔向NFs连续获取所述指标数据；NWDAF根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。6.根据权利要求5所述的QoE预测方法，其特征在于，所述指标数据包括媒体源质量数据和/或5G网络性能数据；所述NWDAF以所述时间间隔向NFs连续获取所述指标数据包括：NWDAF向AF获取所述媒体源质量数据；和/或NWDAF向PCF发起QoS监测请求；PCF生成QoS监测策略并下发给SMF；SMF将QoS监测策略下发给基站和UPF；UPF以所述时间间隔将所述5G网络性能数据进行连续上报。7.根据权利要求1至6任一项所述的QoE预测方法，其特征在于，所述根据连续获取到的所述指标数据进行预测，得到所述预测时长内的QoE预测结果，包括：将所述指标数据进行预处理，得到归一化后的标准数据；根据所述标准数据设定滑动窗口和监督数据，将前N个所述时间间隔的所述标准数据定义为一个所述滑动窗口，作为引入Attention机制的LSTM模型的第一个输入序列，将第N+1至第N+M个所述时间间隔的所述标准数据作为第一个输出序列，将第M+1至第N+M个所述时间间隔的所述标准数据作为所述LSTM模型的第二个输入序列，将第N+M+1至第N+M+M个所述时间间隔的所述标准数据作为第二个输出序列，以此类推，其中M为步长，M设为1或者大于1的整数；将所述监督数据划分为训练集和测试集；将所述训练集输入到所述LSTM模型进行计算；当计算完所述第一个输入序列的隐层输出后，通过Attention模块分别计算前N
‑
1个所
述时间间隔的所述标准数据的隐层输出与第N个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；通过Dense模块将上述计算结果进行汇总输出，得到接下来的M个所述时间间隔的第一预测数据；根据所述第一预测数据和所述监督数据中的第一个输出序列得到第一预测误差；利用所述第一预测误差对所述LSTM模型进行训练；根据训练后的所述LSTM模型计算所述第二个输入序列的隐层输出；当计算完所述第二个输入序列的隐层输出后，通过所述Attention模块分别计算第M+1至第N+M
‑
1个所述时间间隔的所述标准数据的隐层输出与第N+M个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；通过所述Dense模块将上述计算结果进行汇总输出，得到再接下来的M个所述时间间隔的第二预测数据；根据所述第二预测数据和所述监督数据中的第二个输出序列得到第二预测误差；利用所述第二预测误差对所述LSTM模型进行训练；以此类推，依次利用接下来的输入序列和输出序列对所述LSTM模型进行训练；当所述LSTM模型收敛时得到最终预测模型；将最后N个所述时间间隔的所述标准数据输入所述最终预测模型，得到M个所述时间间隔的预测数据；将最后N
‑
M个所述时间间隔的所述标准数据和最新得到的M个所述时间间隔的预测数据作为所述最...

【专利技术属性】
技术研发人员：谢涵，王丹，
申请(专利权)人：广州爱浦路网络技术有限公司，
类型：发明
国别省市：