移动流媒体QoE指标体系构建和量化

随着3G技术的逐步成熟,移动流媒体业务已成为移动业务研究的热点。业务质量的优劣直接影响用户的使用感受,因此对于移动流媒体业务性能的评估只注重业务的QoS机制的改善和提高是不够的,更要注重用户体验满意度的提升。文章分析了移动流媒体业务QoS的影响因素,并基于服务等级协议SLA以及TMF提出的QoE性能指标参考,建立了由QoS关键性能指标到QoE映射的架构,同时提出了一种可量化移动流媒体业务QoE的方法,为服务商提升用户体验质量提供参考。     

移动流媒体业务质量评估及监测方案探讨

文章针对在移动流媒体业务运维中存在的各种难点,深入分析网络现状和业务特性,提出了基于用户体验的质量评价体系,探讨了全程全网的数据采集和分析方案,设计了自动化的业务监测评估工具,为实现对端到端3G数据业务的智能管控和优化做出了有益尝试。     

基于机器学习的细分业务用户感知评估方法

业务差异化和良好的用户感知是LTE网络以及未来5G网络运营的关键,目前的网络KPI指标体系主要是用于评估网络运维情况,并不能真正反映用户对网络和业务使用的实际满意程度。提出一种细分业务用户感知QoE评估方法,通过对LTE业务KQI指标以及XDR、MR等相关数据信息的关联分析,选取出特定业务QoE评价特征指标集,采用机器学习方法,建立细分业务的QoE评估模型,并以特定视频业务为例,给出QoE评估的特征指标选取和建模过程。该QoE评估方法可以对用户业务体验感知进行细粒度、高准确度的实时评估,为后续基于用户感知的网络优化、网络运营提供准确的数据支撑。     

手机电视业务及其业务管理系统的探讨

随着中移动高速率网络(EDGE、TDS-CDMA)的建设,从网络承载角度考虑已具备全面部署实现手机电视业务的条件,同时,手机电视业务也被业内视为下一个最有潜质的电信增值业务。文章以基于移动网络的流媒体手机电视业务为例,从保障业务体验质量(QoE)和提高用户体验的角度出发,探讨了基于用户的手机电视业务的管理系统。     

HTTP自适应流媒体直播系统中的用户体验质量优化

分析HTTP自适应流媒体直播系统中对终端用户体验质量(QoE)产生影响的各类因素及其相互之间的作用关系,对基于服务器端、网络传输以及客户端的QoE优化策略进行总结。认为HTTP自适应流媒体直播系统的QoE优化重点在于降低延时,提出结合网络层和应用层影响因素来降低时延并提升用户QoE的建议。     

移动数据业务发展预测模型和质量评估体系研究

针对移动数据业务的发展预测模型和业务质量评估体系进行研究。首先分析移动业务发展现状和趋势,重点从蜂窝数据流量需求的影响因素出发,提出数据流量发展预测模型和方法。然后从3G/LTE的业务需求和特点出发,分析了目前移动运营商面向用户体验的业务质量评估体系,包括用户体验质量（QoE）的评估体系和基于应用覆盖的评估方法。     

基于KPI的VoLTE网络分析优化方法研究

Vo LTE是全球基础话音业务的演进方向,是实现全IP网络结构优化调整的核心,是推动多媒体通信的基础。Vo LTE不仅能够提供高清语音、高清视频等全新的业务体验,而且还大大缩短了端到端呼叫建立时延。为了提升Vo LTE网络质量,保障Vo LTE商用后用户的感知和体验,广东移动开展了基于KPI的Vo LTE网络分析优化方法的研究课题。本文从搭建KPI体系、KPI测试、问题定位和问题分类等几个方面进行阐述,说明基于KPI的Vo LTE网络分析优化方法效果明显,能够促进各项指标的显著提升。     

一种基于用户话单的业务感知监测技术研究

随着移动互联网业务的蓬勃发展,移动用户业务呈现多元化和差异化,无线网络优化工作逐步转向以用户感知提升为目标。对此,研究一种基于用户话单的网络质量检测方法,还原用户上网即时的网络环境及业务感受,对网络质量进行深度监测、挖掘,实现业务体验以及网络质量的联动监测分析,全面提升运维效率及市场口碑,具有重要意义。     

基于仿真的LTE网络结构规划与优化解决方案

当今社会,信息技术的飞速发展,移动网络已不再是一个陌生的名词,越来越多的人开始关注网络。日常生活中,人们通过手机上网浏览资讯、查阅资料、收发邮件、业务沟通等,开拓视野的同时,改变了原有的生活、工作、学习方式。然而新业务不断的涌现,用户规模越来越大,移动网络面临着更高的承载能力和服务能力,基于这种情况下,如何为更多移动用户提供高质量的服务成为移动网络当前急需解决的问题。本文提出LTE网规网优的策略,首先阐述了LTE网络的有关内容,从中针对LTE规划组网当中受限于网络结构带来的新问题,提出基于仿真的LTE网络结构规划和优化方案,以期保障移动网络性能得到提升,给用户带来良好体验的LTE精品网络。     

关于人工智能对用户QoE提升的若干思考

认为网络视频供应商也开始更加关注用户体验质量(QoE),但数据量大、个性化提升用户QoE困难等问题仍存在。梳理了人工智能(AI)提升大数据时代下用户QoE的系统化解决方案。以视频业务中的流媒体码率自适应任务为例,将基于用户行为分析的个性化QoE模型及时"反馈"到深度学习神经网络中,通过模型自适应决策和码率调节,实现用户QoE最大化。最后指出基于人工智能的QoE提升仍然存在一些挑战。