CN115314407A - 一种基于网络流量的网络游戏QoE检测方法 - Google Patents
一种基于网络流量的网络游戏QoE检测方法 Download PDFInfo
- Publication number
- CN115314407A CN115314407A CN202210927727.9A CN202210927727A CN115314407A CN 115314407 A CN115314407 A CN 115314407A CN 202210927727 A CN202210927727 A CN 202210927727A CN 115314407 A CN115314407 A CN 115314407A
- Authority
- CN
- China
- Prior art keywords
- qoe
- packet loss
- data
- game
- delay
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 11
- 230000001934 delay Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/028—Capturing of monitoring data by filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于网络流量的网络游戏QoE(Quality of Experience，体验质量)检测方法。首先搭建延迟和丢包可控的实验环境，进行主观QoE评估实验，根据实验结果进行数据统计分析，获得以延迟和丢包率为自变量的QoS‑QoE检测模型。然后，在实验环境中采集不同丢包率的流量样本数据，提取流量特征并优化得到丢包率训练样本集，使用机器学习算法训练得到丢包率分类模型。最后，使用数据采集设备采集游戏流量，通过丢包率分类模型得到丢包等级，通过统计流量得到延迟数据，将丢包率分类结果、延迟检测结果代入QoS‑QoE检测模型，实现对用户游戏QoE的检测。本发明基于网络流量检测用户游戏QoE，可用于网络管理和用户QoE监测。
Description
技术领域
本发明涉及一种基于网络流量的网络游戏QoE检测方法，属于网络安全技术领域。
背景技术
QoE(Quality of Experience，体验质量)是以用户为中心的概念，与终端用户的主观感受关联非常紧密，可以提供给服务提供商、网络运营商等决策者一个更广泛和更全面的关于服务质量如何影响用户体验的认识。近些年，研究用户在使用网络服务过程中的QoE，以QoE为中心建设和优化互联网业务服务，是工业界和学术界一致关注的重要主题。
对于网络运营商来说，在实际中，运营商在感知用户QoE时，会在技术上面临很大困难。首先，如前所述，QoE是用户的主观感受，运营商只能观察网络侧的数据，如果没有终端用户的配合，运营商无法得知QoE。虽然可以采用客观的QoS参数，如延迟、丢包、带宽、帧率等来评估用户的QoE，但这些参数依然位于客户端(即属于应用层参数)，运营商仍然难以获取。对运营商而言，通过检测网络流量来跨层推测用户的QoE，是一个很好的解决方案。
目前，研究者们已经提出了一系列检测游戏QoE的研究方法，根据所研究的参数类型不同，检测游戏QoE的研究方法主要分为针对网络参数和视频编码参数的研究方法，但是这些方法仍存在一些局限性。
(1)基于网络参数的研究方法
基于网络参数的研究方法通过使用网络仿真设备在游戏服务器与用户客户端之间对网络参数如延迟、丢包和抖动进行设定，然后直接对这些参数进行分析，然而，此类方法所需要的网络参数网络供应商无法获得。
(2)基于视频编码参数的研究方法
基于视频编码参数的研究方法主要探究比特率、帧率、分辨率等视频编码参数对游戏QoE的影响，从而根据这些参数来检测游戏QoE。然而，此类方法所需要的参数都存在于客户端，网络供应商没有办法获取。
发明内容
为解决上述问题，本发明公开了一种基于网络流量的网络游戏QoE(Quality ofExperience，体验质量)检测方法，首先搭建延迟和丢包可控的实验环境，进行主观QoE评估实验，根据实验结果进行数据统计分析，获得以延迟和丢包率为自变量的QoS-QoE检测模型。然后，在实验环境中采集不同丢包率的流量样本数据，提取流量特征并优化得到丢包率训练样本集，使用机器学习算法训练得到丢包率分类模型。最后，使用数据采集设备采集游戏流量，通过丢包率分类模型得到丢包等级，通过统计流量得到延迟数据，将丢包率分类结果、延迟检测结果代入QoS-QoE检测模型，实现对用户游戏QoE的检测。本发明基于网络流量检测用户游戏QoE，可用于网络管理和用户QoE监测。
为了实现本发明的目的，本方案具体技术步骤如下：一种基于网络流量的网络游戏QoE检测方法，所述方法包括以下步骤：
步骤(1)进行主观QoE评估实验；
步骤(2)根据步骤(1)得到的实验结果进行数据统计分析，得到QoS-QoE检测模型；
步骤(3)通过数据采集设备进行游戏流量采集；
步骤(4)将步骤(3)得到的游戏流量进行数据处理、特征提取以及特征优化；
步骤(5)使用步骤(3)获得大量游戏流量数据，通过步骤(4)处理数据得到丢包率训练样本集，并使用机器学习算法训练得到丢包率分类模型；
步骤(6)采集新的游戏流量，通过步骤(4)进行数据处理和特征提取，并输入到步骤(5)的丢包率分类模型识别出丢包率等级；
步骤(7)对步骤(6)采集的游戏流量统计数据信息，实现对延迟的检测；
步骤(8)将步骤(6)得到的丢包率识别结果和步骤(7)得到的延迟检测结果代入到步骤(2)得到的QoS-QoE检测模型，对用户游戏QoE进行检测。
进一步的，所述步骤(1)中，进行主观QoE评估的实验方法如下：
(1.1)搭建模拟真实网络情况的实验环境；
(1.2)找多位用户在多种网络条件(不同延迟和丢包率)下进行游戏，并在每一局游戏结束后，获取玩家的QoE评分。
进一步的，所述步骤(2)中，得到QoS-QoE检测模型的具体过程如下：
(2.1)计算所有玩家在每一种网络条件下的平均QoE值。
(2.2)利用非线性拟合对QoE评分数据进行拟合，得到根据延迟和丢包率对QoE检测的模型。
进一步的，所述步骤(3)中，获取游戏流量的方法如下：
(3.1)在步骤(1)搭建的实验环境的基础上，使用运行在OpenWrt软路由器上的tcpdump来抓取不同网络情况下的游戏流量数据；
(3.2)在每一局游戏结束后，将每一局游戏的流量数据保存。
进一步的，所述步骤(4)中，数据处理和特征提取具体包含以下子步骤：
(4.1)从步骤(3)得到的流量中过滤出游戏流量，并切分数据；
(4.2)提取流量数据的特征，并将所有数据样本打上标签；
(4.3)将样本数据集输入到随机森林分类器中迭代优化特征。
进一步的，所述步骤(5)中，训练丢包率分类模型具体包含以下子步骤：
(5.1)通过步骤(3)抓取大量的不同丢包率的游戏流量数据，再通过步骤(4)进行数据处理、特征提取及优化，得到丢包率训练样本集；
(5.2)使用机器学习算法对丢包率训练样本集进行训练，得到丢包率分类模型；
进一步的，所述步骤(6)中，丢包率识别具体包含以下子步骤：
(6.1)采集新的游戏流量；
(6.2)对采集到的流量通过步骤(4)进行数据处理并提取特征；
(6.3)将得到的流量特征结果输入到步骤(5)的丢包率分类模型中，识别出丢包率等级。
进一步的，所述步骤(7)中，延迟的检测具体包含以下子步骤：
(7.1)对步骤(6)已经过滤出的游戏流量，根据所有分组的有效载荷长度分布划分数据包和确认包，并统计每个分组的传输方向和时间戳；
(7.2)计算数据包和确认包的时间戳的差值，作为备选单边延迟；
(7.3)对于每一个备选单边延迟，统计满足这个备选单边延迟的数据包与确认包的匹配对数；
(7.4)取最大的匹配对数对应的单边延迟为最佳单边延迟，并计算出最大匹配对数与所有数据包的比值，作为对找到的最佳匹配时间的准确率的判断；
(7.5)分别从采集点到服务器端方向和从采集点到客户端方向执行步骤(7.2)～(7.4)；
(7.6)将两个方向的最佳单边延迟相加得到延迟的结果，并取两个方向的准确率指标的平均值作为延迟检测准确率指标。
进一步的，所述步骤(8)中，将步骤(6)得到的丢包率等级识别结果和步骤(7)得到的延迟检测结果代入到步骤(2)得到的QoS-QoE检测模型，实现对用户游戏QoE的检测。
与现有技术相比，本发明的技术方案具有以下优点：
(1)本发明提出了一种基于网络流量的检测网络游戏QoE的方法，能通过监测用户与游戏服务器之间传输的网络流量得到延迟和丢包，进而代入已经构建的QoS-QoE关系模型，从而达到检测用户QoE的目的，使接入服务商根据用户QoE的检测情况及时改进网络情况，保证用户体验质量，具有较强的实用性。
(2)本发明提出了一种通过被动测量得到的游戏数据计算用户端到端延迟的方法，可以通过接入点采集的流量直接且准确地得到用户与服务器之间的端到端延迟，除了本发明的应用场景，也可以用于对其他应用数据端到端延迟进行估计，使接入服务商根据延迟情况对网络进行及时的改造维护，保证用户体验质量。
附图说明
图1为本发明的总体架构图；
图2为本发明的丢包率分类模型的混淆矩阵图；
图3为本发明的延迟检测的单边检测流程图；
图4(a)为延迟检测流程中的概率密度函数图；
图4(b)为延迟检测流程中的累积分布函数图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
具体实施例：本发明提供的一种基于网络流量的网络游戏QoE检测方法，其总体架构如图1所示，包括如下步骤：
步骤(1)进行主观QoE评估实验；
步骤(2)根据步骤(1)得到的实验结果进行数据统计分析，得到QoS-QoE检测模型；
步骤(3)通过数据采集设备进行游戏流量采集；
步骤(4)将步骤(3)得到的游戏流量进行数据处理、特征提取以及特征优化；
步骤(5)使用步骤(3)获得大量游戏流量数据，通过步骤(4)处理数据得到丢包率训练样本集，并使用机器学习算法训练得到丢包率分类模型；
步骤(6)采集新的游戏流量，通过步骤(4)进行数据处理和特征提取，并输入到步骤(5)的丢包率分类模型识别出丢包率等级。
步骤(7)对步骤(6)采集的游戏流量统计数据信息，实现对延迟的检测。
步骤(8)将步骤(6)得到的丢包率识别结果和步骤(7)得到的延迟检测结果代入到步骤(2)得到的QoS-QoE检测模型，对用户游戏QoE进行检测。
本发明的一个实施例中，步骤(1)中，主观QoE评估实验的具体步骤如下：
(1.1)搭建模拟真实网络情况的实验环境，步骤如下：使用安装OpenWrt固件的软路由充当网关，其Wan接口连接校园网，Lan口连接到PC、TP-LINK路由器；使用运行在OpenWrt固件内的netem网络模拟模块设置路由规则，向TP-LINK路由器和PC连接的网口施加额外的延迟和丢包率；
(1.2)找多位有游戏经验的用户参与针对当前流行的网络游戏《英雄联盟》用于主观QoE实验，让他们分别在单独施加不同延迟、单独施加不同丢包率、共同施加延迟和丢包率以及正常情况下进行游戏，其中，正常情况表征既不施加延迟也不施加丢包率的情况。然后获取所有玩家对每一种网络条件的游戏QoE评分，评分范围为1到5分。
本发明的一个实施例中，步骤(2)中，得到QoS-QoE检测模型的具体步骤如下：
(2.1)计算所有玩家在每一种网络条件下的QoE评分的平均值，表1展示了每一种网络条件的平均QoE评分结果(基础延迟18ms左右，基础丢包率为0％)。
表1 每一种网络条件的平均QoE评分
(2.2)根据QoE的评分数据利用回归分析将QoE的MOS值映射到延迟和丢包率上，设计二元非线性函数，并拟合出参数，得到以下QoS-QoE检测模型。
QoE＝(a+b*Delay+c*Delay2+d*PLR2+e*Delay*PLR)/(1+ef*Delay+g*PLR)
在公式中，QoE以MOS(平均主观意见分数)测量，延迟(Delay)的单位是毫秒，丢包率(PLR)的单位是百分比。其中参数a＝10.28，b＝-0.05543，c＝0.0000912，d＝0.000164，e＝-0.0001083，f＝-0.006765，g＝0.02816。
上述公式拟合后得到的性能评估指标均方根误差和(RMSE)为0.07883，这个数值接近于0，拟合系数(R-Squard)为0.9941，这个数值接近于1；可以得出，QoS-QoE检测模型的性能效果较好，检测结果与实际QoE基本一致，具有较强的实用性。
本发明的一个实施例中，步骤(3)中，获取游戏流量的具体步骤如下：
(3.1)在步骤(1)搭建的实验环境的基础上，使用运行在OpenWrt软路由器上的tcpdump抓取不同延迟和不同丢包率下的游戏流量数据；
(3.2)在每一局游戏结束后，将每一局游戏的流量数据保存为.pcap格式。
本发明的一个实施例中，步骤(4)中，提取并优化流量特征，具体包括如下过程：
(4.1)从步骤(3)得到的不同丢包率的游戏流量中根据服务器IP和客户端IP将客户端与游戏服务器之间传输的游戏数据过滤出来，消除来自其他应用程序的流量，然后将其以10s为一条样本切分数据；
(4.2)提取流量数据的特征，如分组的数量、分组的平均长度、分组长度的最大值和最小值、流之间的平均时间和标准长等，将所有数据样本打上标签；
(4.3)将带有标签的样本数据集输入到随机森林分类器中进行多轮训练，进行特征重要性的评估，即将每个特征在随机森林中的每棵树做的贡献取平均值，并排序，根据生成的feature-importance的排序结果，消除重要性系数较低的特征，迭代出较优特征，表2展示了最终使用的3种与丢包率分类相关的流量特征。
表2 流量特征信息
| 特征 | 描述信息 |
| FD_Pck | 服务器向客户端传输的分组数量 |
| BD_Pck | 客户端向服务器传输的分组数量 |
| F_avg_PL | 服务器向客户端传输的平均分组长度 |
本发明的一个实施例中，步骤(5)中，训练丢包率分类模型，具体包括如下过程：
(5.1)通过步骤(3)抓取大量的不同丢包率的游戏流量数据，再通过步骤(4)进行数据处理、特征提取及优化，得到丢包率训练样本集，共包含正常情况以及施加三种丢包率(10％、20％、30％)下的游戏数据，总计约26000条样本；
(5.2)使用机器学习算法XGBoost(eXtreme Gradient Boosting，极端梯度提升)算法对步骤(5)获得的训练数据集进行训练，得到丢包率分类模型。模型准确率的混淆矩阵如图2所示，性能指标准确率为0.97，召回率为0.97，F1分数为0.97。
本发明的一个实施例中，步骤(6)中，丢包率识别，具体包括以下过程：
(6.1)使用流量采集设备采集新的游戏流量；
(6.2)通过步骤(4)进行数据处理并提取游戏流量的特征，得到部分时长为10s的流量特征如表3所示；
表3 部分流量特征
| FD_Pck | BD_Pck | F_avg_PL |
| 506 | 506 | 115 |
| 552 | 554 | 146 |
| 485 | 502 | 183 |
| 487 | 500 | 165 |
| 413 | 475 | 237 |
| 368 | 412 | 198 |
(6.3)将游戏流量特征输入到步骤(5)的丢包率分类模型中实现丢包率的检测，针对表3的部分流量特征的检测结果如表4所示；
表4 部分流量特征检测结果
| FD_Pck | BD_Pck | F_avg_PL | 丢包率 |
| 506 | 506 | 115 | 0％ |
| 552 | 554 | 146 | 0％ |
| 485 | 502 | 183 | 10％ |
| 487 | 500 | 165 | 10％ |
| 413 | 475 | 237 | 30％ |
| 368 | 412 | 198 | 30％ |
本发明的一个实施例中，步骤(7)中，实现延迟检测，具体包括如下过程：
(7.1)对步骤(6)已经过滤出的游戏流量，统计所有分组的有效载荷的长度分布情况。如图4(a)和(b)所示，根据所有有效载荷长度绘制出概率密度函数图和累计分布函数图，找到划分数据包和确认包的阈值，由于数据包和确认包为一一对应关系，数据包和确认包的数量应是一致的，所以阈值在累计分布函数图中应在累计概率为0.5对应的有效载荷长度处，在该实例中阈值取值应为23。然后，标记分组类型：如果分组的有效载荷长度大于阈值，则记录该包为数据包，如果分组的有效载荷长度小于等于阈值，则记录为确认包；同时根据源IP和目的IP记录每个分组的传输方向和时间戳；
(7.2)如图3所示，从头遍历每一个分组，对于标记为数据包的前5个分组，寻找时间戳在其后1秒内的确认包，并将所有确认包的时间戳与数据包的时间戳的差值作为备选单边延迟；
(7.3)对于每一个计算出来的备选单边延迟，判断数据流中在该单边延迟对应的数据包的后面满足这个单边延迟的确认包与数据包的匹配对数，判断条件为：若确认包和数据包的时间差值在该单边延迟的±0.02秒的范围内，则记录匹配对数加1，直到对所有分组计算完毕。
(7.4)取最大的匹配对数对应的单边延迟作为最佳单边延迟。并且，计算最大匹配对数与所有数据包个数的比值，即符合最佳单边延迟的分组数在所有分组中的占比，作为对得到的最佳单边延迟的准确率性能指标，这个比值越高，说明该方法得到的最佳单边延迟越准确。
(7.5)分别从两个方向执行步骤(7.2)～(7.4)，将从采集点到服务器端方向的最佳单边延迟记为time1，对应的匹配对数为cntmatchmax1，该方向所有数据包的个数记为cntall1，准确率指标1记为ratio1；从采集点到客户端方向的最佳单边延迟记为time2，对应的匹配对数为cntmatchmax2，该方向所有数据包的个数记为cntall2，准确率指标2记为ratio2；
(7.6)将两个方向的最佳单边延迟即time1与time2相加，得到tmRTT，即延迟的检测结果，取两个方向的准确率指标ratio1与ratio2的平均值，得到ratio，即延迟的检测准确率指标。如表5展示了10s的游戏流量中，施加100ms((基础延迟18ms左右)的延迟的检测计算过程。
表5 延迟检测的计算过程
本发明的一个实施例中，步骤(8)中，将步骤(6)得到的丢包率等级的识别结果和步骤(7)得到的延迟检测结果代入到步骤(2)得到的QoS-QoE检测模型，检测用户游戏QoE，如表6展示了部分检测结果。
表6 部分游戏QoE检测结果
| 检测延迟 | 检测丢包率 | 检测QoE评分 |
| 118.72ms | 0％ | 3.44 |
| 69.38ms | 10％ | 3.73 |
| 18.29ms | 30％ | 3.07 |
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于网络流量的网络游戏QoE检测方法，其特征在于，该方法包括以下步骤：
步骤(1)进行主观QoE评估实验；
步骤(2)根据步骤(1)得到的实验结果进行数据统计分析，得到QoS-QoE检测模型；
步骤(3)通过数据采集设备进行游戏流量采集；
步骤(4)将步骤(3)得到的游戏流量进行数据处理、特征提取以及特征优化；
步骤(5)使用步骤(3)获得大量游戏流量数据，通过步骤(4)处理数据得到丢包率训练样本集，并使用机器学习算法训练得到丢包率分类模型；
步骤(6)采集新的游戏流量，通过步骤(4)进行数据处理和特征提取，并输入到步骤(5)的丢包率分类模型识别出丢包率等级；
步骤(7)对步骤(6)采集的游戏流量统计数据信息，实现对延迟的检测；
步骤(8)将步骤(6)得到的丢包率识别结果和步骤(7)得到的延迟检测结果代入到步骤(2)得到的QoS-QoE检测模型，对用户游戏QoE进行检测。
2.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(1)中，进行主观QoE评估实验的方法如下：
(1.1)搭建模拟真实网络情况的实验环境；
(1.2)找多位用户在多种网络条件(不同丢包率和延迟)下进行游戏，并在每一局游戏结束后，获取玩家的QoE评分。
3.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(2)中，得到QoS-QoE检测模型的具体过程如下：
(2.1)计算所有玩家在每一种网络条件下的平均QoE值；
(2.2)利用非线性拟合对QoE评分数据进行拟合，得到根据丢包率和延迟对QoE检测的模型。
4.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(3)中，获取游戏流量的方法如下：
(3.1)在步骤(1)搭建的实验环境的基础上，使用运行在OpenWrt软路由器上的tcpdump来抓取不同网络情况下的游戏流量数据；
(3.2)在每一局游戏结束后，将每一局游戏的流量数据保存。
5.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(4)中，数据处理和特征提取具体包含以下子步骤：
(4.1)从步骤(3)得到的流量中过滤出游戏流量，并切分数据；
(4.2)提取流量数据的特征，并将所有数据样本打上标签；
(4.3)将样本数据集输入到随机森林分类器中迭代优化特征。
6.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(5)中，训练丢包率分类模型具体包含以下子步骤：
(5.1)通过步骤(3)抓取大量的不同丢包率的游戏流量数据，再通过步骤(4)进行数据处理、特征提取及优化，得到丢包率训练样本集；
(5.2)使用机器学习算法对丢包率训练样本集进行训练，得到丢包率分类模型。
7.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(6)中，丢包率识别具体包含以下子步骤：
(6.1)使用数据采集设备采集新的游戏流量；
(6.2)对采集到的流量通过步骤(4)进行数据处理并提取特征；
(6.3)将得到的流量特征结果输入到步骤(5)的丢包率分类模型中，识别出丢包率等级。
8.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(7)中，延迟的检测具体包含以下子步骤：
(7.1)对步骤(6)已经过滤出的游戏流量，根据所有分组的有效载荷长度分布划分数据包和确认包，并统计每个分组的传输方向和时间戳；
(7.2)计算数据包和确认包的时间戳的差值，作为备选单边延迟；
(7.3)对于每一个备选单边延迟，统计满足这个备选单边延迟的数据包与确认包的匹配对数；
(7.4)取最大的匹配对数对应的单边延迟为最佳单边延迟，并计算出最大匹配对数与所有数据包的比值，作为对找到的最佳单边延迟的准确率指标的判断；
(7.5)分别从采集点到服务器端方向和从采集点到客户端方向执行步骤(7.2)～(7.4)；
(7.6)将两个方向的最佳单边延迟相加得到延迟的结果，并取两个方向的准确率指标的平均值作为延迟检测准确率指标。
9.根据权利要求1所述的一种基于网络流量的网络游戏QoE检测方法，其特征在于，所述步骤(8)中，将步骤(6)得到的丢包率等级识别结果和步骤(7)得到的延迟检测结果代入到步骤(2)得到的QoS-QoE检测模型，实现对用户游戏QoE的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210927727.9A CN115314407B (zh) | 2022-08-03 | 2022-08-03 | 一种基于网络流量的网络游戏QoE检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210927727.9A CN115314407B (zh) | 2022-08-03 | 2022-08-03 | 一种基于网络流量的网络游戏QoE检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115314407A true CN115314407A (zh) | 2022-11-08 |
| CN115314407B CN115314407B (zh) | 2024-08-02 |
Family
ID=83858989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210927727.9A Active CN115314407B (zh) | 2022-08-03 | 2022-08-03 | 一种基于网络流量的网络游戏QoE检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115314407B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116996397A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004236263A (ja) * | 2003-02-03 | 2004-08-19 | Nippon Telegr & Teleph Corp <Ntt> | パケット通信品質測定方法および遅延算出装置 |
| CN101359944A (zh) * | 2006-10-31 | 2009-02-04 | 株式会社Ntt都科摩 | 确定循环延迟分集延迟值的方法、***、基站及用户设备 |
| CN101771585A (zh) * | 2010-03-02 | 2010-07-07 | 北京网康科技有限公司 | 一种网络延时测量设备及其方法 |
| US20100273558A1 (en) * | 2007-10-03 | 2010-10-28 | Telefonaktiebolaget Lm Ericsson (Publ) | Method of Determining Quality of Service for On-Line Gaming in a Network |
| US20130148525A1 (en) * | 2010-05-14 | 2013-06-13 | Telefonica, S.A. | Method for calculating perception of the user experience of the quality of monitored integrated telecommunications operator services |
| US20140201330A1 (en) * | 2011-04-05 | 2014-07-17 | Telefonica, S.A. | Method and device for quality measuring of streaming media services |
| CN104113788A (zh) * | 2014-07-09 | 2014-10-22 | 北京邮电大学 | 一种TCP视频流业务的QoE训练和评估的方法及*** |
| CN109873797A (zh) * | 2018-02-14 | 2019-06-11 | 南京邮电大学 | 基于统计分析的会话视频业务QoE-QoS参数映射方法 |
| CN110913414A (zh) * | 2019-12-19 | 2020-03-24 | 中国卫通集团股份有限公司 | 一种5G卫星融合网络的QoS保障*** |
| CN113055251A (zh) * | 2021-04-17 | 2021-06-29 | 东南大学 | 一种面向高速网络的流量丢包状态实时感知方法 |
-
2022
- 2022-08-03 CN CN202210927727.9A patent/CN115314407B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004236263A (ja) * | 2003-02-03 | 2004-08-19 | Nippon Telegr & Teleph Corp <Ntt> | パケット通信品質測定方法および遅延算出装置 |
| CN101359944A (zh) * | 2006-10-31 | 2009-02-04 | 株式会社Ntt都科摩 | 确定循环延迟分集延迟值的方法、***、基站及用户设备 |
| US20100273558A1 (en) * | 2007-10-03 | 2010-10-28 | Telefonaktiebolaget Lm Ericsson (Publ) | Method of Determining Quality of Service for On-Line Gaming in a Network |
| CN101771585A (zh) * | 2010-03-02 | 2010-07-07 | 北京网康科技有限公司 | 一种网络延时测量设备及其方法 |
| US20130148525A1 (en) * | 2010-05-14 | 2013-06-13 | Telefonica, S.A. | Method for calculating perception of the user experience of the quality of monitored integrated telecommunications operator services |
| US20140201330A1 (en) * | 2011-04-05 | 2014-07-17 | Telefonica, S.A. | Method and device for quality measuring of streaming media services |
| CN104113788A (zh) * | 2014-07-09 | 2014-10-22 | 北京邮电大学 | 一种TCP视频流业务的QoE训练和评估的方法及*** |
| CN109873797A (zh) * | 2018-02-14 | 2019-06-11 | 南京邮电大学 | 基于统计分析的会话视频业务QoE-QoS参数映射方法 |
| CN110913414A (zh) * | 2019-12-19 | 2020-03-24 | 中国卫通集团股份有限公司 | 一种5G卫星融合网络的QoS保障*** |
| CN113055251A (zh) * | 2021-04-17 | 2021-06-29 | 东南大学 | 一种面向高速网络的流量丢包状态实时感知方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴玉峰;李建;阮雅端;陈启美;: "基于BP神经网络QoS到QoE映射模型", 电子测量技术, no. 01, pages 84 - 87 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116996397A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
| CN116996397B (zh) * | 2023-09-27 | 2024-01-09 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115314407B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103840988B (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
| CN109714343B (zh) | 一种网络流量异常的判断方法及装置 | |
| JP4553315B2 (ja) | パケット遅延から輻輳パスを分類する輻輳パス分類方法、管理装置及びプログラム | |
| CN108696403A (zh) | 一种基于网络流特征构造学习的加密视频QoE评测方法 | |
| CN106992974B (zh) | 一种直播视频信息监控方法、装置和设备 | |
| CN103152599A (zh) | 基于有序回归的移动视频业务用户体验质量评估方法 | |
| CN107483267B (zh) | 一种eigrp路由故障识别方法 | |
| JP2007243368A5 (zh) | ||
| CN102271090A (zh) | 基于传输层特征的流量分类方法及装置 | |
| CN113645182B (zh) | 一种基于二次特征筛选的拒绝服务攻击随机森林检测方法 | |
| CN115314407B (zh) | 一种基于网络流量的网络游戏QoE检测方法 | |
| CN112651435A (zh) | 一种基于自学习的电力网络探针流量异常的检测方法 | |
| CN106330611A (zh) | 一种基于统计特征分类的匿名协议分类方法 | |
| CN114866485B (zh) | 一种基于聚合熵的网络流量分类方法及分类*** | |
| Manzoor et al. | How HTTP/2 is changing web traffic and how to detect it | |
| CN111600878A (zh) | 一种基于maf-adm的低速率拒绝服务攻击检测方法 | |
| Oršolić et al. | In-network qoe and kpi monitoring of mobile youtube traffic: Insights for encrypted ios flows | |
| CN104657747A (zh) | 一种基于统计特征的网络游戏流分类方法 | |
| JP2008042879A (ja) | パケットの遅延変動時間に基づいて輻輳パスを分類する輻輳パス分類方法、管理装置及びプログラム | |
| CN111478921A (zh) | 一种隐蔽信道通信检测方法、装置及设备 | |
| Bartolec et al. | Inclusion of end user playback-related interactions in youtube video data collection and ml-based performance model training | |
| CN117650935A (zh) | 一种基于业务应用分类模型的干扰流量识别方法 | |
| Giorgi et al. | Detection of anomalous behaviors in networks from traffic measurements | |
| CN106789349B (zh) | 一种基于体验质量建模分析及会话流分类的方法 | |
| CN108646688B (zh) | 一种基于回归学习的工艺参数优化分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |