一种新的mpeg-4视频流量多重分形模型

一种新的mpeg-4视频流量多重分形模型

1基于mpeg-4的视频流量多重分形模型众所周知，对于视频服务提供商和网络设计师来说，精确的视频流量模型（视频服务提供商）可以提供更好的访问控制、资源分配和规划策略。此外，它还确保了用户的qos需求，并为下一代提供了一个相对完整的视频服务的参考依据。随着编码算法复杂度的增加及新的流量特性的不断发现,人们提出了各种类型的模型。最初,针对没有或只有很少场景切换的视频会议,人们发展了能描述其短相关(SRD)特性的auto-regressive、discreteauto-regressive(DAR)及Markov模型但令人关注的是,传统的多重分形模型(MFM)在描述流量小尺度多重分形特性的同时,并不能精确表示流量序列的LRD特性;同时,由于其生成树的根节点系数是独立同分布(IID,independentidenticallydistributed)的,因此当最终模型序列需要由多个重分形树生成时,树与树间的相关性将会被破坏,不具有连贯性,因此,MFM不像AR、FARIMA模型那样,可以用来描述实时视频或对视频流量进行预测,这是多重分形模型最大的缺陷。针对以上问题,本文从多重分形构成树的定义出发,在理论上分析了多重分形模型各尺度系数边缘分布及其相关性,由分析得到的2个结论提出了一种基于MPEG-4的视频流量多重分形模型(PMFM)。与传统的MFM相比,PMFM考虑了各级尺度系数的自相关性及系数间的互相关性,通过多乘性级联把最粗尺度上的SRD特性与最终流量序列的LRD特性联系起来,即通过对最粗尺度系数进行AR预测建模,使得最终生成的多重分形流量序列具有特定尺度上的流量预测能力,弥补了传统多重分形模型难于用来进行流量预测的缺陷;同时,对各尺度上乘子的建模方式进行了改进,增强了最粗尺度系数和各尺度乘子的参数估计的顽健性,提高了PMFM的模型的建模稳定性。本文的结构如下:第2节为多重分形模型的定义说明及其缺点分析,第3节导出了2个结论,第4节具体给出了的MPEG-4视频流多重分形模型PMFM,第5节为性能分析和结论。2构造过程介绍乘性级联是多重分形的核心,通过乘子,给定的集合被细化为更小的子集。多重分形的构造过程可以通过图1说明。给定最粗尺度j=0时的系数X各级尺度系数X在建立模型时,关注的是最粗尺度系数X目前所有的多重分形建模方法都假定最粗尺度系数X目前,人们认为改善模型性能的关键在于对各尺度乘子r另一个值得关注的问题是,人们在评价乘子r3多重分形理论分析本节从多重分形模型定义出发,考察了多重分形模型各尺度系数的边缘分布及相关性,推导出了2个重要结论,以此作为本文提出的多重分形模型的理论基础。3.1级联多重分形结论1通常认为,MPEG-4视频流中的I帧序列主题部分符合Gamma分布,则在级联多重分形的各级尺度上,各级尺度系数X证明如下:根据式(1),尺度N-1上的值X这里假定X其中,Y这里Y由式(5)可以看出,X3.2模型的归一化和验证结论2多重分形树中各级尺度系数间存在相关性,其自相关函数(ACF)在时间轴上具有伸缩性,设尺度j上系数X证明如下:根据自相关的定义,尺度j上的系数X于是,根据多重分形基本性质有其中,于是,R按照式(7)的结论可得出R从式(7)中发现,通过尺度间乘子为此,得到结论对式(12)进行归一化后,就得到了结论2。利用实际视频对结论2进行进一步分析和验证。图3、图4为电影“星球大战”的I帧序列进行多重分形分析后的结果,从图3可以看出,乘子间几乎不带有相关性信息,也就是说原始视频序列ACF的形状信息仍然保留在各级尺度系数上。图4中,不同尺度系数与I帧序列的自相关函数形状满足结论2,具体比较j=N与j=N-7时的ACF形状可知,在j=N-7时尺度系数ACF结构与原始I帧序列的ACF结构具有大致相同的主体形状,不同的是在j=N-7时其ACF是SRD的,而原始I帧序列是LRD的。因此,如果在尺度j=N-7上对系数进行短相关建模,则通过多重分形级联,可最终演进为具有相似ACF结构的LRD流量序列。4视频流量的多段模型本节对MPEG-4的I帧序列进行多重分形建模,并利用图像组(GoP)内相关性对P帧和B帧进行建模。4.1最粗尺度及模型求解与传统的通过乘子控制相关性方法不同,这里根据多重分形级联树各尺度系数间相关性的关系,提出了可预测的MFM(PMFM)建模方法。建模的第一步必须确定多重分形模型的最粗尺度J。根据传统多重分形模型的缺点及前一节分析的结果,由于尺度系数样本数太少不能在j=0(X在具体实现中,根据ACF出现的第一个极小值点出现的位置确定最粗尺度J。假定原始序列ACF的第一个极小值点横坐标为α在确定最粗尺度J后,用短相关模型对XAR模型产生的是Gauss分布随机序列,根据结论1,X概率转换函数的构造过程为:对于一个已知分布,首先产生符合N(0,1)分布的随机序列X在对最粗尺度系数XK-L距离法通过计算2种分布间的互信息(也称交叉熵或相对熵)来判断2种分布的相似程度,对于2个离散分布,p={p如果分布是连续的,则把求和换成积分。在本文中,分别计算了不同尺度上乘子这样,在分别描述最粗尺度系数和各尺度乘子后,通过多重分形乘性级联,就可以得到最终的I帧序列PMFM模型。由于AR过程具有预测性质,因此PMFM在保证序列多重分形特性的同时,可以在最粗尺度上对视频流量进行大尺度的预测分析。同时,由于在建模过程中避免了从少量数据中进行统计参数估计,因此模型的稳定性有了显著提高。图8是分别用PMFM和传统的MFM4.2相关分析和pb域建模方法Lombardo注意到,在P/B帧与I帧之间存在着很强的相关性定义向量:X=[X其中,µ这里,X5模型边缘分布的控制一个好的视频流量模型应该具有以下特征:能够准确反映出真实视频流的一阶和二阶统计特性,包括LRD、SRD和边缘分布;生成的视频流量模型应该与真实的视频流有相似的排队性能。由于多重分形在小尺度上精确的描述了VBR视频流量的突变和奇异特性,因此具有良好的性能,很多文献已经对此做了详细了分析和比较对于边缘分布,比较目前流行的方法是QQ图法。QQ图是一种验证2个集合概率密度相似性的图形化方法,如果2个集合具有相同分布,则图中的点应该组成一条斜率为45°的直线,如果2个集合概率密度不同,则图中的点将偏离这条直线,概率密度差别越大则偏离程度越大。图9为混合I、P、B后的最终CMFM模型与原始MPEG-4视频序列的QQ图比较,从图中可以看出,模型具有良好的逼近边缘分布的能力。为了评价PMFM模型的排队性能,在NS2(networksimulator2)本文提出了一种新的控制多重分形模型相关性的方法,通过