一種新的mpeg-4視頻流量多重分形模型

一種新的mpeg-4視頻流量多重分形模型

1基于mpeg-4的視頻流量多重分形模型眾所周知，對于視頻服務(wù)提供商和網(wǎng)絡(luò)設(shè)計師來說，精確的視頻流量模型（視頻服務(wù)提供商）可以提供更好的訪問控制、資源分配和規(guī)劃策略。此外，它還確保了用戶的qos需求，并為下一代提供了一個相對完整的視頻服務(wù)的參考依據(jù)。隨著編碼算法復(fù)雜度的增加及新的流量特性的不斷發(fā)現(xiàn),人們提出了各種類型的模型。最初,針對沒有或只有很少場景切換的視頻會議,人們發(fā)展了能描述其短相關(guān)(SRD)特性的auto-regressive、discreteauto-regressive(DAR)及Markov模型但令人關(guān)注的是,傳統(tǒng)的多重分形模型(MFM)在描述流量小尺度多重分形特性的同時,并不能精確表示流量序列的LRD特性;同時,由于其生成樹的根節(jié)點系數(shù)是獨立同分布(IID,independentidenticallydistributed)的,因此當最終模型序列需要由多個重分形樹生成時,樹與樹間的相關(guān)性將會被破壞,不具有連貫性,因此,MFM不像AR、FARIMA模型那樣,可以用來描述實時視頻或?qū)σ曨l流量進行預(yù)測,這是多重分形模型最大的缺陷。針對以上問題,本文從多重分形構(gòu)成樹的定義出發(fā),在理論上分析了多重分形模型各尺度系數(shù)邊緣分布及其相關(guān)性,由分析得到的2個結(jié)論提出了一種基于MPEG-4的視頻流量多重分形模型(PMFM)。與傳統(tǒng)的MFM相比,PMFM考慮了各級尺度系數(shù)的自相關(guān)性及系數(shù)間的互相關(guān)性,通過多乘性級聯(lián)把最粗尺度上的SRD特性與最終流量序列的LRD特性聯(lián)系起來,即通過對最粗尺度系數(shù)進行AR預(yù)測建模,使得最終生成的多重分形流量序列具有特定尺度上的流量預(yù)測能力,彌補了傳統(tǒng)多重分形模型難于用來進行流量預(yù)測的缺陷;同時,對各尺度上乘子的建模方式進行了改進,增強了最粗尺度系數(shù)和各尺度乘子的參數(shù)估計的頑健性,提高了PMFM的模型的建模穩(wěn)定性。本文的結(jié)構(gòu)如下:第2節(jié)為多重分形模型的定義說明及其缺點分析,第3節(jié)導(dǎo)出了2個結(jié)論,第4節(jié)具體給出了的MPEG-4視頻流多重分形模型PMFM,第5節(jié)為性能分析和結(jié)論。2構(gòu)造過程介紹乘性級聯(lián)是多重分形的核心,通過乘子,給定的集合被細化為更小的子集。多重分形的構(gòu)造過程可以通過圖1說明。給定最粗尺度j=0時的系數(shù)X各級尺度系數(shù)X在建立模型時,關(guān)注的是最粗尺度系數(shù)X目前所有的多重分形建模方法都假定最粗尺度系數(shù)X目前,人們認為改善模型性能的關(guān)鍵在于對各尺度乘子r另一個值得關(guān)注的問題是,人們在評價乘子r3多重分形理論分析本節(jié)從多重分形模型定義出發(fā),考察了多重分形模型各尺度系數(shù)的邊緣分布及相關(guān)性,推導(dǎo)出了2個重要結(jié)論,以此作為本文提出的多重分形模型的理論基礎(chǔ)。3.1級聯(lián)多重分形結(jié)論1通常認為,MPEG-4視頻流中的I幀序列主題部分符合Gamma分布,則在級聯(lián)多重分形的各級尺度上,各級尺度系數(shù)X證明如下:根據(jù)式(1),尺度N-1上的值X這里假定X其中,Y這里Y由式(5)可以看出,X3.2模型的歸一化和驗證結(jié)論2多重分形樹中各級尺度系數(shù)間存在相關(guān)性,其自相關(guān)函數(shù)(ACF)在時間軸上具有伸縮性,設(shè)尺度j上系數(shù)X證明如下:根據(jù)自相關(guān)的定義,尺度j上的系數(shù)X于是,根據(jù)多重分形基本性質(zhì)有其中,于是,R按照式(7)的結(jié)論可得出R從式(7)中發(fā)現(xiàn),通過尺度間乘子為此,得到結(jié)論對式(12)進行歸一化后,就得到了結(jié)論2。利用實際視頻對結(jié)論2進行進一步分析和驗證。圖3、圖4為電影“星球大戰(zhàn)”的I幀序列進行多重分形分析后的結(jié)果,從圖3可以看出,乘子間幾乎不帶有相關(guān)性信息,也就是說原始視頻序列ACF的形狀信息仍然保留在各級尺度系數(shù)上。圖4中,不同尺度系數(shù)與I幀序列的自相關(guān)函數(shù)形狀滿足結(jié)論2,具體比較j=N與j=N-7時的ACF形狀可知,在j=N-7時尺度系數(shù)ACF結(jié)構(gòu)與原始I幀序列的ACF結(jié)構(gòu)具有大致相同的主體形狀,不同的是在j=N-7時其ACF是SRD的,而原始I幀序列是LRD的。因此,如果在尺度j=N-7上對系數(shù)進行短相關(guān)建模,則通過多重分形級聯(lián),可最終演進為具有相似ACF結(jié)構(gòu)的LRD流量序列。4視頻流量的多段模型本節(jié)對MPEG-4的I幀序列進行多重分形建模,并利用圖像組(GoP)內(nèi)相關(guān)性對P幀和B幀進行建模。4.1最粗尺度及模型求解與傳統(tǒng)的通過乘子控制相關(guān)性方法不同,這里根據(jù)多重分形級聯(lián)樹各尺度系數(shù)間相關(guān)性的關(guān)系,提出了可預(yù)測的MFM(PMFM)建模方法。建模的第一步必須確定多重分形模型的最粗尺度J。根據(jù)傳統(tǒng)多重分形模型的缺點及前一節(jié)分析的結(jié)果,由于尺度系數(shù)樣本數(shù)太少不能在j=0(X在具體實現(xiàn)中,根據(jù)ACF出現(xiàn)的第一個極小值點出現(xiàn)的位置確定最粗尺度J。假定原始序列ACF的第一個極小值點橫坐標為α在確定最粗尺度J后,用短相關(guān)模型對XAR模型產(chǎn)生的是Gauss分布隨機序列,根據(jù)結(jié)論1,X概率轉(zhuǎn)換函數(shù)的構(gòu)造過程為:對于一個已知分布,首先產(chǎn)生符合N(0,1)分布的隨機序列X在對最粗尺度系數(shù)XK-L距離法通過計算2種分布間的互信息(也稱交叉熵或相對熵)來判斷2種分布的相似程度,對于2個離散分布,p={p如果分布是連續(xù)的,則把求和換成積分。在本文中,分別計算了不同尺度上乘子這樣,在分別描述最粗尺度系數(shù)和各尺度乘子后,通過多重分形乘性級聯(lián),就可以得到最終的I幀序列PMFM模型。由于AR過程具有預(yù)測性質(zhì),因此PMFM在保證序列多重分形特性的同時,可以在最粗尺度上對視頻流量進行大尺度的預(yù)測分析。同時,由于在建模過程中避免了從少量數(shù)據(jù)中進行統(tǒng)計參數(shù)估計,因此模型的穩(wěn)定性有了顯著提高。圖8是分別用PMFM和傳統(tǒng)的MFM4.2相關(guān)分析和pb域建模方法Lombardo注意到,在P/B幀與I幀之間存在著很強的相關(guān)性定義向量:X=[X其中,μ這里,X5模型邊緣分布的控制一個好的視頻流量模型應(yīng)該具有以下特征:能夠準確反映出真實視頻流的一階和二階統(tǒng)計特性,包括LRD、SRD和邊緣分布;生成的視頻流量模型應(yīng)該與真實的視頻流有相似的排隊性能。由于多重分形在小尺度上精確的描述了VBR視頻流量的突變和奇異特性,因此具有良好的性能,很多文獻已經(jīng)對此做了詳細了分析和比較對于邊緣分布,比較目前流行的方法是QQ圖法。QQ圖是一種驗證2個集合概率密度相似性的圖形化方法,如果2個集合具有相同分布,則圖中的點應(yīng)該組成一條斜率為45°的直線,如果2個集合概率密度不同,則圖中的點將偏離這條直線,概率密度差別越大則偏離程度越大。圖9為混合I、P、B后的最終CMFM模型與原始MPEG-4視頻序列的QQ圖比較,從圖中可以看出,模型具有良好的逼近邊緣分布的能力。為了評價PMFM模型的排隊性能,在NS2(networksimulator2)本文提出了一種新的控制多重分形模型相關(guān)性的方法,通過