移动流媒体业务是未来LTE网络下的主要数据业务,LTE网络下流媒体业务的用户体验质量(QoE,Quality of Experience)评估是目前的研究热点。实际网络下的QoE主观评估费时费力,且无法实现实时评测,在实验室环境下进行流媒体业务的仿真和QoE评估,将大大简化QoE评测过程,有效提高针对流媒体业务QoE的研究效率,但目前面向QoE的实时仿真和评估平台的研究还比较少。针对这一问题,提出了一种LTE网络下移动流媒体业务的半实物仿真方法,主要研究了NS-3仿真网络与物理节点的连接方法,实现了流媒体业务的仿真和QoE实时评估,仿真分析了LTE仿真网络参数对流媒体业务QoE的影响。所提出的LTE网络半实物仿真及评估平台实时性较好,网络性能接近实际情况,能够为LTE网络相关的研究提供一定的便利。
为了保障LTE网络流媒体业务的用户体验质量(Quality of Experience,QoE),提高用户对业务的满意度,需要实时监测终端用户的用户体验质量,且需要在用户体验质量下降时,实施网络故障定位与优化,确定引起用户体验质量下降的网络故障,并针对网络故障实施具体的优化措施,使用户体验质量恢复到正常水平。但随着移动网络规模的扩大,网络参数种类和数据量的增加,人工的运维和优化方式已经不能满足日常运维的工作需要。针对这一问题,笔者提出了一种面向QoE的LTE网络故障定位和优化方法,提出了基于K-近邻机器学习算法的故障定位模型,并针对网络带宽不足和信号强度过低两种故障,提出了基于保证比特率(Guaranteed Bit Rate,GBR)的带宽保障方法和基站发送功率调整方法。仿真结果表明,所提故障定位和优化系统能够很好地实现移动终端流媒体业务的用户体验质量的监测和用户体验质量下降后的自动定位和优化。
