基于QoE的无线网络资源调度优化研究

【摘 要】为了提高用户观看高清视频、IPTV以及收听高质量音乐等业务时的满意度，采集用户所处情景的环境状况、设备状况和网络状况，分析不同情景对用户无线资源需求的影响，提出了基于QoE的无线资源调度优化算法。通过系统级仿真的结果表明，基于QoE的资源分配方法可以有效地提高用户的QoE。

【关键词】QoE LTE 资源调度 系统级仿真 流媒体

中图分类号：TN929.5 文献标识码：A 文章编号：1006-1010（2014）-22-0008-06

Research on Optimization of Wireless Network Resource Scheduling

Base on QoE

ZHAO Xi-peng， ZHANG Xin， YANG Da-cheng， SANG Lin

（Beijing University of Posts and Telecommunications， Beijing 100876， China）

[Abstract]

In order to improve satisfaction of high-definition （HD） online video， IP-based TV （IPTV） and high-quality online music for users， collect the statuses of environment， equipment and network， as well as analyze the effect of different scenes on the wireless resource demands of users， a wireless resource scheduling algorithm based on QoE （Quality of Experience） is proposed in this paper. System-level simulation results show that the proposed algorithm can effectively enhance the satisfaction of users.

[Key words]QoE LTE resource scheduling system-level simulation streaming service

1 引言

随着通信行业的蓬勃发展和LTE网络的广泛应用，运营商之间的竞争日益激烈，如何为用户提供更好的服务成为了运营商在竞争中的关键。传统的服务质量（QoS，Quality of Service）评价指标仅仅反映了服务技术层面的性能，而忽略了用户主观的因素。用户体验质量（QoE，Quality of Experience）是一种以用户认可程度为标准的服务的评价方法，它综合了服务层面、用户层面、环境层面的影响因素，直接反映了用户在一定客观环境中对使用的服务或者业务的整体认可程度[1]。在网络技术和用户终端日新月异的今天，运营商需要在保证网络和服务正常运行的情况下为不同的用户提供差异性的服务，提高其服务质量。

而随着智能手机的普及和性能的提升，流媒体业务等有着大量资源需求的业务成为了移动通信的主流业务，如何有效地进行无线资源的管理和分配已成为无线通信的一大难题。在现有基于QoS的无线资源调度优化研究无法带来重大突破的情形下，将基于用户QoE对无线资源调度进行优化，即将视线从传统通信研究中接入网的“最后一英里”问题研究转变到用户和设备之间“最后一英尺”问题研究。

用户对无线资源的需求依赖于用户所处的情景，如网络情况、设备情况、用户活动和环境情况。当无线资源的分配没有达到用户需求时会导致用户QoE的降低，而分配给资源需求低的用户过多的资源并不能有效地提高其QoE，又势必会造成资源的浪费，因此当无线资源竞争激烈时，有必要合理评估用户QoE需求，并将其映射到无线网络优化。在本文中，首先建立了一套合理、客观、公正的QoE感知体系，然后利用用户终端（UE，User Equipment）和传感器采集用户所处的情景信息，分析用户对无线资源的需求，并以此优化无线资源调度算法，改善网络质量，从而提高用户满意度。

2 系统模型

2.1 QoE无线网络模型

用户的QoE表现了用户的主观感受，为了能够向基站分配资源提供依据，需要设计一种方法来尽可能准确地测量和表现用户的QoE。大部分的QoE相关研究只利用QoS指标来量化用户的QoE，而无线网络QoE系统模型可全面地采集用户所处情景的环境状况、设备状况和网络状况，更加准确地量化分析用户的需求，并优化资源分配。不同用户根据采集到的情景信息分为不同的需求等级，当无线资源不能满足所有用户需求时，会把用户需求作为资源调度的参考因素，需求高的用户将优先得到满足，以此提高用户的QoE。

QoE系统模型的无线资源分配机制如图1所示：

图1 QoE无线资源分配机制

UE的传感器采集用户所处场景的环境状况、设备状况和网络状况信息，并利用终端QoE测量模块，根据用户信息量化用户需求，将用户需求信息告知基站端。在基站端增设QoE信息储存器，实时更新用户的资源需求，并将需求提供给基站优化资源调度算法。

QoE无线网络系统模型结构如图2所示。

主干网提供远距离、高带宽、大容量的数据业务，是链接各个城域网的信息高速公路，远程管理服务器（RMS，Remote Management Server）通过配置网络使服务成功交付。接入网解决从市区到每个家庭用户的终端接入问题，基站通过无线网络将服务传输到UE端，也称为“最后一英里”。而UE采集到用户所处情景的信息，分析用户需求并将之上报给基站，使基站能够根据用户QoE需求分配合适的资源，即本文所称的“最后一英尺”优化。

2.2 QoE指标

影响用户QoE的因素不仅包括无线网络的服务能力即QoS指标，还包含了用户对服务的可用性、完整性、稳定性、性价比等方面的满意程度[2]。常用的QoE量化有定性和定量这2种方法，为了优化无线网络的资源分配，有必要对用户QoE进行定量研究。将用户的QoE指标分割成不同的组成部分，通过这些组成部分的信息采集可以获得对用户的QoE整体认识。

QoE量化指标和指标之间产生的相互关系决定了QoE测量模块对用户资源需求的判断，所以指标的划分在QoE系统模型中扮演着举足轻重的作用。QoE量化指标以QoE用户需求为基础划分为不同的层次结构，如图3所示。用户的QoE无线资源需求量化指标主要由用户所处情景的3个基本指标组成，每个基本指标都包含不同的特征参数，所以它们又由不同精度的子指标所构成。3个QoE基本指标分别为网络状况指标、设备状况指标、环境状况指标。而在进一步划分中，网络状况指标又包含了Wi-Fi信号强度、丢包率、误码率、抖动等子指标;用户设备状况指标包含了UE的软硬件状况，如屏幕分辨率、屏幕大小、屏幕亮度等子指标;环境状况指标包含了噪音强度、温度、光照强度、UE移动速度等子指标。

图3 QoE指标的相互关系

3 资源分配算法

3.1 典型场景资源需求

根据之前的讨论和分析，在不同场景下，利用不同的UE终端采集大量的情景参数进行了基础实验，来分析用户在不同的真实生活场景中对无线资源的需求程度。物理心理学中的韦伯-费希纳定理（Weber-Fechner law）[3]表明了人类心理感受程度随物理量变化的关系，研究表明，人类对光线强度和噪音强度等参数的感受程度与物理量log函数成线性关系。通过韦伯-费希纳定理可以帮助分析用户在不同场景下选择业务的优先级以及对不同业务的资源需求程度。用户对业务QoE的感受也与终端设备屏幕分辨率等参数相关，根据文献[4]中的结论，在不同情况下，能够使用户满意的在线视频服务的需求速率从50kbps到1 600kbps不等，在线音乐服务的需求速率从6kbps到256kbps不等。通过不同典型场景下采集到的用户所处情景的参数，可以分析用户对业务选择情况和速率需求。根据本文实验的结果，不同场景有各自不同的情景参数属性和对无线资源的需求，通过对实验结果的分析可以提出对用户需求的有效量化方案。

3.2 用户需求

在混合业务的无线资源分配中，本文将业务分为3类：实时业务（RT，例如语音业务）、非实时业务（NRT，例如流媒体视频服务）、尽力交付业务（BE，例如E-mail、SMS）[5]。用户可能同时会申请多种服务，但在不同情景中，用户对不同服务的资源需求不尽相同;同时，在混合业务的情形下，用户也会根据情景选择一种业务而将其余业务置于后台运行。拥有高分辨率的UE时用户会优先选择高清视频业务，而在昏暗的光线下用户可能倾向于选择标清的视频;在噪音大的环境中，用户更可能选择浏览网页而不是听在线音乐。因此，无论是分配过多的无线资源给需求低的用户或是在UE后台运行的业务都将会造成资源的严重浪费，可以利用采集到的情景参数量化不同业务的需求和优先级，QoE系统可以根据量化结果分配适量的资源给用户以满足其吞吐量需求，并将额外的资源分配给其他用户，使资源调度更加有效合理，以此提高用户整体的QoE。

根据上述分析，用户的无线资源需求可以被表示为：

（1）

（2）

（3）

其中，表示用户i的无线资源需求，其值由用户i所处情景下各业务的需求和优先级得来，故可以表示为向量和的内积，为三维向量，每个维度分别表示用户在所处场景中选择RT、NRT、BE业务的优先级，分别表示为、和。类似的，代表了用户i对不同业务的资源需求，由、和表示。和定义为：

（4）

（5）

为了反映RT、NRT和BE业务的资源需求，将以QoE的3个基本指标来量化需求，函数F1将用户环境状况、网络状况、设备状况的参数映射为用户需求，其中表示反映网络状况的定量参数，表示反映环境干扰情况，表示用户使用的终端状况。由于不同业务中QoE的3种基本指标的影响权重不同，、和同样为三维向量以分别表示3种业务。在公式（5）中用类似的方式来表示，从公式中可以看出，根据相同的基本指标，用不同的函数F2来计算RT、NRT和BE业务的优先级。

（6）

（7）

根据上文的定义，QoE评价体系的3个基本指标为网络状况、设备状况和环境状况，其各自又由许多子指标所组成，因此公式（6）表示、和的值分别与其子指标的客观测量参数相关。其中，表示用户i所处场景下N1个网络状况子指标的参数，如Wi-Fi信号强度、系统带宽、误码率等;表示用户i关于环境状况的子指标参数，如光照强度、温度、用户移动速度等;表示用户i的终端设备状况的子指标参数，如软硬件的性能。可以分别使用fnet、fevn、fue这3种方法来量化、和。

同样，每个子指标的客观测量参数对不同业务的影响不同，对此引入了同和相似的三维向量，如公式（7）所示，表示子指标参数对RT、NRT和BE这3业务的影响权重。例如，为对3种业务的权重，表示光照强度参数分别对3种业务的影响权重。

此外，用户需求量化的准确性还取决于3个基本指标中子指标测量参数的细分程度。

3.3 QoE无线资源调度算法

传统的资源调度算法主要考虑用户的信道条件情况，却并未考虑到用户的QoE需求。处于信道条件好却资源需求低场景下的用户称为条件受限（CC，Condition-Constrained）用户，资源需求高却信道条件差的用户称为资源受限（RC，Resource-Constrained）用户。值得注意的是，传统的调度算法可能将过多的无线资源分配给了条件受限用户，而并没有照顾到资源受限用户。因此，本文将用户的QoE需求因子引入正比公平调度算法（PF，Proportional Fair）[6]中，以保证用户整体的QoE，本文称之为QoE资源分配调度算法（QA），其表示如下：

（8）

其中，Pk，i（t）表示在调度时刻t用户i在资源块RBk上的调度优先级，rk，i（t）表示基站根据信道条件判断用户i在资源块RBk上所能支持的最大传输速率，Ri（t）表示用户i在调度时间t之前所调度的平均速率，其在每个时间窗更新一次。Ri（t）的计算方法可以用公式（9）表示，其中T是计算平均速度的时间窗长度，Ri（t-1）是上一个时间窗所得的平均速率，表示在调度时刻t用户i在资源块RBk上的瞬时速率。

（9）

ηi为用户的QoE需求因子，其代表了用户的QoE需求对调度算法的影响。ηi可以进一步用公式（10）表示，表示用户i在调度时间t之后获得的平均速率，表示根据3.2节中提出的方法计算所得的需求速率。

（10）

从公式（8）的分子rk，i（t）可以看出，调度优先级与用户的信道条件正相关，而Ri（t）可以维持用户长期数据传输吞吐量的大致公平，但这2个因子并未充分考虑到资源受限用户的QoE，所以本文引入了QoE需求因子ηi。在公式（10）中，因子动态地保证了一次调度过程中资源分配瞬时的有效性和公平性，同时确保了将资源更多地分配给在整个调度过程中分配到的资源低于其需求的用户。QoE因子ηi帮助基站将资源更多地分配给资源受限用户而非条件受限用户，提高用户的整体满意度，从而避免了资源的浪费。ηi可以简化为Li，表示用户资源需求等级。

4 系统级仿真及分析

下面利用系统级仿真，通过与正比公平调度算法（PF）[7]和轮询算法（RR）[8]的比较，对QoE资源分配调度算法进行了评估和分析。

本文采用LTE下行系统进行仿真，仿真场景假设为19小区57扇区，系统带宽为10MHz，基站之间的距离为500m，假设用户都采用上文提出的QoE系统模型，均匀随机分布在宏小区中，并且随机地将用户资源需求等级从低到高均匀分为1到10。其中，有高资源需求但信道条件差的用户为资源受限（RC）用户。

无线资源调度算法的性能可以用终端用户对移动网络所提供的业务性能的QoE满意度来评估，本文选择吞吐量作为QoE的函数，利用MOS量化终端用户对业务网络的QoE满意度，吞吐量与QoE满意度其映射函数呈对数形式[9]，当网络传输速率只支持相对用户需求较低的发送比特速率的视频时，视频的清晰度和流畅性不能满足用户的需求，此时用户满意度较低。用户QoE满意度随着网络传输速率的提高而增长，当用户QoE相对较高时，网络速率再提高也无法较大地提升用户QoE满意度。在3种调度算法的比较中，其整体满意度越高，意味着该算法下越多的用户资源需求得到了满足或是越接近满足。

图4表示随扇区用户增加用户QoE满意度的变化仿真结果曲线。其中，实线表示用户整体满意度，虚线表示资源受限用户的满意度情况。

通过图4可以看出，3种调度算法下的用户满意度都随着扇区内用户数量的增加而降低，这是由于当用户数增加时，资源竞争更加激烈造成的。同PF算法和RR算法相比，QA算法提高了用户的QoE满意度。与RR算法相比，QA算法提高了用户QoE满意度8.8%;与PF算法相比，提高了2.7%。在资源受限用户中，QA算法对QoE满意度提高效果更为突出，相比PF算法提高了21.9%，相比RR算法提高了20.3%。

3种算法下采用RR算法时用户QoE满意度最低，这是因为RR算法充分保证各个UE接收资源的公平性，故信道条件差的用户被调度到的几率更高，这样会导致重传或者采用更低的传输速率。PF算法充分考虑到UE的信道条件，更多资源被分配给有高信噪比的用户，使资源分配更为有效。然而这也导致了低信噪比用户接收到资源分配的机会降低，所以当小区用户数量低时，RR算法下RC用户的QoE满意度高于PF算法。QA算法能够将信道条件和公平性进行很好的权衡折中，同时利用QoE权重因子根据用户的需求来调度资源，分配给低需求、信道好的CC用户的资源减少，而分配给高需求、信道差的RC用户的资源增加，提高了资源分配的有效性，避免了资源的浪费，使得用户整体的QoE满意度有所提高。

图5中仿真了每扇区分布10个用户时，不同需求等级和无线信道情况的用户的归一化吞吐量的分配情况，进一步解释了QA调度算法提高用户QoE满意度的原因。其中，x轴表示用户的信噪比（SINR）;y轴表示用户的资源需求等级;z轴表示归一化吞吐量，其代表了无线资源的分配情况。当使用PF调度算法时，更多的无线资源被分配给了信道条件较好的用户，而与其用户需求等级无关。其中条件受限用户被分配到的冗余的无线资源并不能有效提高其QoE，反而造成了资源的浪费。

通过对比可以看出，这2种算法的总吞吐量相当，而QA调度算法同时考虑到用户的信道条件和资源需求，更多的资源被分配给了资源受限用户，这意味着利用QoE模型优化无线资源调度，分配给条件受限用户的冗余资源被分配给了有更高需求却信道不理想的资源受限用户，提高了用户整体的QoE满意度。

5 结论

本文通过研究基于QoE的无线网络资源调度优化方案，展现了QoE研究缓解无线资源短缺的前景和潜力。首先建立了无线网络QoE系统模型，然后通过典型场景的数据采集和分析，提出了用户无线资源需求的量化方法，并优化资源调度算法。由系统级仿真验证可知，QoE资源调度算法有效地提高了用户的QoE满意度。

参考文献：

[1] 林闯，胡杰，孔祥震. 用户体验质量（QoE）的模型与评价方法综述[J]. 计算机学报， 2012，35（1）： 1-15.

[2] Jain R. Quality of Experience[J]. IEEE MultiMedia， 2004，11（1）： 96-95.

[3] Sun S. Management of Zone of Tolerance Based on Weber-Fechner's Law[A]. Management and Service Science （MASS）[C]. 2011 International Conference on. IEEE， 2011： 1-4.

[4] Han B， Zhang X， Qi Y， et al. QoE Model Based Optimization for Streaming Media Service Considering Equipment and Environment Factors[J]. Wireless Personal Communications， 2012，66（3）： 595-612.

[5] Kausar R， Chen Y， Chai K K. An Intelligent Scheduling Architecture for Mixed Traffic in LTE-Advanced[A]. Personal Indoor and Mobile Radio Communications （PIMRC）[C]. 2012 IEEE 23rd International Symposium on. IEEE， 2012： 565-570.

[6] Bender P， Black P， Grob M， et al. CDMA/HDR： A Bandwidth Efficient High Speed Wireless Data Service for Nomadic Users[J]. Communications Magazine， IEEE， 2000，38（7）： 70-77.

[7] Jalali A， Padovani R， Pankaj R. Data Throughput of CDMA-HDR a High Efficiency-High Data Rate Personal Communication Wireless System[A]. Vehicular Technology Conference Proceedings[C]. VTC 2000-Spring Tokyo. 2000 IEEE 51st. IEEE， 2000： 1854-1858.

[8] Shreedhar M， Varghese G. Efficient Fair Queuing Using Deficit Round-Robin[J]. Networking， IEEE/ACM Transactions on， 1996，4（3）： 375-385.

[9] 张月莹. 基于QoE的无线资源管理算法研究[D]. 北京： 北京邮电大学， 2013.