Tổng quan nghiên cứu

Trong bối cảnh mạng 5G được triển khai rộng rãi trên toàn cầu, lưu lượng dữ liệu IP dự kiến tăng lên đến 396 exabyte vào năm 2022, gấp ba lần so với năm 2017, đồng thời số lượng thiết bị kết nối IoT dự kiến vượt 75,4 tỷ vào năm 2025. Điều này đặt ra thách thức lớn trong việc đảm bảo chất lượng dịch vụ (QoS) và chất lượng trải nghiệm người dùng (QoE) trên các mạng viễn thông hiện đại. QoS tập trung vào các chỉ số kỹ thuật như mất gói, độ trễ, thông lượng, trong khi QoE phản ánh sự hài lòng chủ quan của người dùng cuối đối với dịch vụ. Mạng 5G và các mạng sau thế hệ 5 (B5G) cần đáp ứng các yêu cầu khắt khe về độ trễ thấp, độ tin cậy cao, hiệu quả năng lượng và khả năng kết nối hàng triệu thiết bị IoT trên mỗi km².

Luận văn tập trung nghiên cứu và phát triển phương pháp đánh giá chất lượng trải nghiệm dịch vụ video streaming trên mạng viễn thông, đặc biệt trong môi trường mạng 5G. Mục tiêu cụ thể là khảo sát các tiêu chuẩn và phương pháp đánh giá QoE hiện tại, đề xuất giải pháp đánh giá QoE cho dịch vụ video streaming dựa trên mô hình dòng bit, xây dựng cơ sở dữ liệu và phần mềm thực nghiệm để kiểm chứng hiệu quả mô hình. Phạm vi nghiên cứu tập trung vào các dịch vụ video streaming trên mạng viễn thông tại Việt Nam trong giai đoạn 2020-2022, với ý nghĩa quan trọng trong việc nâng cao chất lượng dịch vụ, tối ưu hóa tài nguyên mạng và tăng cường sự hài lòng của người dùng cuối.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: Chất lượng dịch vụ (QoS) và chất lượng trải nghiệm (QoE). QoS được định nghĩa là hiệu quả chung của hiệu năng dịch vụ, bao gồm các chỉ số kỹ thuật như mất gói, độ trễ, jitter và thông lượng. QoE được định nghĩa theo khuyến nghị ITU-T P.1000 là khả năng chấp nhận tổng thể của một ứng dụng hoặc dịch vụ theo nhận thức chủ quan của người dùng cuối, bao gồm các yếu tố như nội dung, thiết bị, ứng dụng và bối cảnh sử dụng.

Mô hình đánh giá QoE theo ITU-T Rec.1203 được áp dụng làm cơ sở cho nghiên cứu. Mô hình này sử dụng phương pháp dòng bit (bitstream-based) để ước tính chất lượng video streaming dựa trên các tham số mã hóa, sự kiện dừng hình, độ trễ khởi tạo và các biến đổi chất lượng trong quá trình phát. Mô hình gồm ba mô-đun chính: ước tính chất lượng âm thanh, ước tính chất lượng video và mô-đun tích hợp chất lượng âm thanh-hình ảnh. Thuật toán học máy Rừng ngẫu nhiên (Random Forest) được sử dụng để dự báo điểm MOS (Mean Opinion Score) dựa trên các đặc trưng trích xuất từ dữ liệu dòng bit.

Các khái niệm chuyên ngành quan trọng bao gồm: Adaptive Bitrate Streaming (ABR), Mean Opinion Score (MOS), Peak Signal to Noise Ratio (PSNR), Spatial Information (SI), Temporal Information (TI), và các thuật ngữ liên quan đến mạng 5G như Radio Access Technology (RAT), Service Level Agreement (SLA).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là cơ sở dữ liệu SQoE-III, bao gồm 450 video streaming được tạo ra từ 20 video nguồn với nhiều loại nội dung khác nhau, phát trực tuyến qua 6 thuật toán ABR trong 13 điều kiện mạng đại diện. Dữ liệu thu thập bao gồm các sự kiện trải nghiệm như dừng hình, thời gian dừng hình, PSNR, buffer, MOS do 34 đối tượng đánh giá.

Phương pháp phân tích sử dụng học máy với thuật toán Rừng ngẫu nhiên để xây dựng mô hình dự báo QoE dựa trên các đặc trưng trích xuất từ dữ liệu dòng bit. Bộ dữ liệu được chia thành tập huấn luyện, tập xác thực và tập kiểm thử để đánh giá hiệu suất mô hình. Các chỉ số đánh giá bao gồm Spearman’s Rank order Correlation Coefficient (SRCC) đạt đến 0.96 và phân bổ phần dư sai lệch trong khoảng ±0.3, cùng với sai số tuyệt đối trung bình (MAE).

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ 2020 đến 2022, tại các phòng thí nghiệm và môi trường mạng thực tế tại Việt Nam, sử dụng phần mềm Python với thư viện Scikit-Learn để triển khai và tối ưu mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất mô hình dự báo QoE: Mô hình dựa trên ITU-T Rec.1203 và thuật toán Rừng ngẫu nhiên đạt SRCC lên đến 0.96, cho thấy sự tương quan mạnh mẽ giữa dự báo và đánh giá chủ quan của người dùng. Phân bổ phần dư sai lệch nằm trong khoảng ±0.3, thể hiện độ chính xác cao trong dự báo.

  2. Ảnh hưởng của các yếu tố dừng hình và thay đổi chất lượng: Số lượng sự kiện dừng hình, tổng thời gian dừng và tần suất dừng hình có ảnh hưởng rõ rệt đến điểm MOS. Ví dụ, tổng thời gian dừng hình tối đa 30 giây và số sự kiện dừng hình tối đa 5 lần làm giảm đáng kể chất lượng trải nghiệm.

  3. Tác động của đặc trưng không gian và thời gian: Các chỉ số SI và TI được sử dụng để mô tả độ phức tạp không gian và chuyển động thời gian của video, ảnh hưởng đến chất lượng mã hóa và trải nghiệm người dùng. Video có SI và TI cao thường yêu cầu băng thông lớn hơn để duy trì chất lượng.

  4. So sánh các chế độ mô hình: Mô hình hoạt động ở chế độ 0 (dựa trên siêu thông tin) có RMSE khoảng 0.892, trong khi các chế độ cao hơn với phân tích sâu hơn về dòng bit và gói tin cải thiện độ chính xác dự báo.

Thảo luận kết quả

Kết quả cho thấy mô hình dòng bit theo ITU-T Rec.1203 là công cụ hiệu quả để đánh giá QoE dịch vụ video streaming trên mạng viễn thông, đặc biệt trong môi trường mạng 5G với các điều kiện biến đổi phức tạp. Việc sử dụng thuật toán Rừng ngẫu nhiên giúp mô hình xử lý tốt các đặc trưng đa chiều và phi tuyến tính trong dữ liệu.

So với các nghiên cứu trước đây, mô hình này vượt trội về độ chính xác và khả năng áp dụng trong thực tế nhờ sử dụng cơ sở dữ liệu SQoE-III phong phú và đa dạng. Các biểu đồ phân bổ phần dư sai lệch và tương quan SRCC có thể được trình bày để minh họa sự phù hợp của mô hình với dữ liệu thực nghiệm.

Ý nghĩa của nghiên cứu nằm ở việc cung cấp một phương pháp đánh giá QoE khách quan, có thể áp dụng cho các nhà mạng và nhà cung cấp dịch vụ để giám sát, tối ưu và nâng cao chất lượng trải nghiệm người dùng cuối trong bối cảnh phát triển mạng 5G và B5G.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát QoE dựa trên mô hình dòng bit: Các nhà mạng nên áp dụng mô hình ITU-T Rec.1203 kết hợp thuật toán học máy để giám sát chất lượng video streaming theo thời gian thực, nhằm phát hiện và xử lý kịp thời các sự cố ảnh hưởng đến trải nghiệm người dùng. Thời gian triển khai dự kiến trong vòng 12 tháng.

  2. Tối ưu thuật toán ABR dựa trên dữ liệu QoE: Các nhà phát triển dịch vụ video nên tích hợp dữ liệu QoE vào thuật toán thích ứng tốc độ bit để cân bằng giữa chất lượng và băng thông sử dụng, giảm thiểu sự kiện dừng hình và thay đổi chất lượng đột ngột. Chủ thể thực hiện là các nhà cung cấp dịch vụ OTT, trong vòng 6-9 tháng.

  3. Cập nhật và hoàn thiện quy chuẩn đánh giá chất lượng dịch vụ: Bộ Thông tin và Truyền thông cần rà soát, cập nhật các quy chuẩn QCVN hiện hành để bổ sung các chỉ số QoE, đặc biệt cho dịch vụ video streaming, nhằm đáp ứng yêu cầu ngày càng cao của người dùng. Thời gian đề xuất là 18 tháng.

  4. Đào tạo và nâng cao năng lực nhân sự: Các tổ chức đào tạo và doanh nghiệp viễn thông cần tổ chức các khóa đào tạo chuyên sâu về đánh giá QoE, phân tích dữ liệu và ứng dụng học máy trong quản lý mạng, nhằm nâng cao năng lực vận hành và phát triển dịch vụ. Chủ thể thực hiện là các trường đại học và trung tâm đào tạo, trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

  1. Nhà mạng viễn thông: Có thể sử dụng kết quả nghiên cứu để triển khai hệ thống giám sát QoE, tối ưu hóa mạng lưới và nâng cao chất lượng dịch vụ video streaming, từ đó tăng sự hài lòng và giữ chân khách hàng.

  2. Nhà cung cấp dịch vụ OTT và nội dung số: Áp dụng mô hình đánh giá QoE để cải thiện thuật toán truyền tải, giảm thiểu sự cố dừng hình và thay đổi chất lượng, nâng cao trải nghiệm người dùng cuối.

  3. Các nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Hệ thống Thông tin: Tham khảo để phát triển các nghiên cứu tiếp theo về QoE, học máy trong mạng viễn thông và các ứng dụng đa phương tiện.

  4. Cơ quan quản lý nhà nước và Bộ Thông tin và Truyền thông: Sử dụng làm cơ sở khoa học để xây dựng, cập nhật các quy chuẩn, chính sách quản lý chất lượng dịch vụ viễn thông phù hợp với xu hướng phát triển mạng 5G và B5G.

Câu hỏi thường gặp

  1. QoE khác gì so với QoS trong mạng viễn thông?
    QoS là các chỉ số kỹ thuật đo lường hiệu suất mạng như mất gói, độ trễ, thông lượng, còn QoE phản ánh sự hài lòng chủ quan của người dùng cuối dựa trên trải nghiệm thực tế với dịch vụ, bao gồm cả yếu tố nội dung và thiết bị.

  2. Mô hình ITU-T Rec.1203 đánh giá QoE video streaming như thế nào?
    Mô hình sử dụng dữ liệu dòng bit mã hóa video và âm thanh, kết hợp các sự kiện dừng hình, độ trễ khởi tạo và thay đổi chất lượng để dự báo điểm MOS, phản ánh chất lượng trải nghiệm người dùng.

  3. Tại sao sử dụng thuật toán Rừng ngẫu nhiên trong dự báo QoE?
    Thuật toán này xử lý tốt dữ liệu đa chiều, phi tuyến tính, có khả năng tránh overfitting và cho kết quả dự báo chính xác cao, phù hợp với các đặc trưng phức tạp trong dữ liệu QoE.

  4. Cơ sở dữ liệu SQoE-III có điểm gì nổi bật?
    SQoE-III là cơ sở dữ liệu lớn nhất và thực tế nhất hiện nay về video streaming, bao gồm 450 video với nhiều loại nội dung, điều kiện mạng và thuật toán thích ứng, được đánh giá bởi nhiều đối tượng người dùng.

  5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế?
    Nhà mạng và nhà cung cấp dịch vụ có thể triển khai hệ thống giám sát QoE dựa trên mô hình và thuật toán đề xuất, đồng thời cập nhật quy chuẩn và đào tạo nhân sự để nâng cao chất lượng dịch vụ và trải nghiệm người dùng.

Kết luận

  • Luận văn đã phát triển và kiểm chứng thành công mô hình đánh giá chất lượng trải nghiệm dịch vụ video streaming dựa trên mô hình dòng bit ITU-T Rec.1203 kết hợp thuật toán Rừng ngẫu nhiên với độ chính xác cao (SRCC đạt 0.96).
  • Nghiên cứu làm rõ ảnh hưởng của các yếu tố như sự kiện dừng hình, thay đổi chất lượng và đặc trưng không gian-thời gian đến QoE người dùng.
  • Đề xuất các giải pháp triển khai hệ thống giám sát QoE, tối ưu thuật toán ABR, cập nhật quy chuẩn và đào tạo nhân sự nhằm nâng cao chất lượng dịch vụ mạng 5G.
  • Cơ sở dữ liệu SQoE-III được sử dụng làm nền tảng thực nghiệm phong phú, phản ánh đa dạng điều kiện thực tế của dịch vụ video streaming.
  • Các bước tiếp theo bao gồm mở rộng nghiên cứu cho các dịch vụ đa phương tiện khác, tích hợp dữ liệu mạng thời gian thực và phát triển các thuật toán học máy nâng cao hơn để dự báo QoE chính xác hơn.

Hành động ngay: Các nhà mạng và nhà cung cấp dịch vụ nên bắt đầu áp dụng mô hình đánh giá QoE này để nâng cao chất lượng trải nghiệm người dùng, đồng thời phối hợp với cơ quan quản lý để hoàn thiện các quy chuẩn kỹ thuật phù hợp với xu hướng phát triển mạng 5G và B5G.