潘吳斌

市場(chǎng)上手機(jī)廠商、手機(jī)型號(hào)以及硬件的差異，使得YouTube在傳輸視頻過(guò)程中需進(jìn)行視頻碼率、分辨率等方面的識(shí)別及適應(yīng)，以DASH-APP，HLS-APP，HPD-APP三種傳輸模式為例，這3種傳輸模式的段數(shù)特征差異很大。因此，本文通過(guò)分析3種傳輸模式之間的差異性、加密算法及更換流等內(nèi)容，為進(jìn)行YouTube模式識(shí)別提供技術(shù)支撐。

移動(dòng)端加密視頻傳輸模式識(shí)別模型構(gòu)建

本文提出基于在線和離線2種模式的模式識(shí)別模型構(gòu)建，首先通過(guò)貝葉斯模型進(jìn)行離線訓(xùn)練，然后采用A-I-P-FP進(jìn)行在線識(shí)別。

樸素貝葉斯多項(xiàng)式模型

①貝葉斯分類器原理及流程

CountVecotrizer作用是特征向量化，特征向量化示例圖如圖2所示。。

MutinominalNB模塊的主要功能是基于樸素貝葉斯多項(xiàng)式模型算法。

A-I-P-FP方案

A-I-P-FP方案離線訓(xùn)練模塊的實(shí)現(xiàn)如圖3所示。Stream Filter模塊用于檢測(cè)客戶端到服務(wù)器端，并過(guò)濾出視頻樣本首部第一條視頻流F、和其后一條流F+1，2條有效的視頻流，此部分基于tshark實(shí)現(xiàn)。

實(shí)驗(yàn)與結(jié)果分析

數(shù)據(jù)集合描述

采用表1設(shè)備進(jìn)行數(shù)據(jù)集描述，共分為20和160，2次進(jìn)行YouTube熱門視頻采集。

實(shí)驗(yàn)評(píng)估

yi5樸素貝葉斯多項(xiàng)式模型實(shí)驗(yàn)評(píng)估

在數(shù)據(jù)集合中隨機(jī)選取200個(gè)視頻樣本，為分析T時(shí)間參數(shù)選擇對(duì)分類器的影響進(jìn)行了實(shí)驗(yàn)，其D1準(zhǔn)確率、召回率與F1-score結(jié)果如表2所示。

圖4給出了這次實(shí)驗(yàn)的混淆矩陣，圖5展示了對(duì)樸素貝葉斯多項(xiàng)式模型構(gòu)建的分類器進(jìn)行了10次交叉驗(yàn)證的結(jié)果。由圖4和圖5可見其平均準(zhǔn)確率達(dá)到92.25 %。

A-I-P-FP方法實(shí)驗(yàn)評(píng)估

將500個(gè)視頻集合D2分為S2、T2兩個(gè)集合。訓(xùn)練集為80 %，測(cè)試集為20 %。表3用查準(zhǔn)率、查全率和F-score及其均值，展示了對(duì)方法的評(píng)估。

如表3結(jié)果所示，識(shí)別效果最好的2種模式是DASH-APP和HPD-APP。并且如圖6所示為對(duì)500個(gè)視頻進(jìn)行了10次交叉驗(yàn)證的結(jié)果?？梢姳疚姆椒ň苋〉昧己玫淖R(shí)別效果。

為完成YouTube移動(dòng)端加密視頻流的識(shí)別、關(guān)聯(lián)以及傳輸模式的識(shí)別，研究了基于DASH，HLS，HPD等視頻傳輸模式在加密情況下的特征和區(qū)別，分析了在移動(dòng)App，PCWEB端進(jìn)行YouTube視頻傳輸模式的差異性和共同性，并深入分析了不同型號(hào)手機(jī)對(duì)視頻觀看的影響，最后提出了A-I-P-FP視頻傳輸加密方法，為在線識(shí)別YouTube視頻傳輸模式提供了一種高效、可行的解決方案。