Nghiên cứu đánh giá chất lượng trải nghiệm dịch vụ mạng viễn thông

Luận văn thạc sĩ nghiên cứu phát triển kỹ thuật đánh giá chất lượng trải nghiệm dịch vụ mạng viễn thông, cung cấp giải pháp tối ưu cho ngành.

• Tác giả: Nguyễn Hữu Hải
• Người hướng dẫn: PGS. Hà Quang Thụy
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên cứu và phát triển kỹ thuật đánh giá chất lượng trải nghiệm dịch vụ mạng viễn thông
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• MỞ ĐẦU
• 0.1. Động lực nghiên cứu
• 0.2. Mục tiêu và nội dung nghiên cứu
• 0.3. Tổ chức của luận văn
• 1. CHƯƠNG 1: TỔNG QUAN VỀ QoS VÀ QoE
• 1.1. Chất lượng dịch vụ QoS và chất lượng trải nghiệm QoE, mối quan hệ giữa QoS, QoE
• 1.1.1. Giới thiệu chung QoS
• 1.1.2. Giới thiệu chung QoE
• 1.1.3. Mối quan hệ giữa QoS và QoE
• 1.2. Giới thiệu về mạng 5G
• 1.3. QoS, QoE đối với mạng 5G
• 1.3.1. Khả năng QoS mức cao của mạng 5G
• 1.3.2. Yêu cầu chức năng chất lượng dịch vụ cho mạng 5G
• 1.3.3. Yêu cầu QoE cho mạng 5G
• 1.4. Kết chương 1
• 2. CHƯƠNG 2: BÀI TOÁN ĐÁNH GIÁ CHẤT LƯỢNG TRẢI NGHIỆM DỊCH VỤ VIDEO
• 2.1. Tổng quan về mô hình đánh giá QoE theo P.
• 2.1.1. Cấu trúc và cơ sở tính toán đầu ra của P.
• 2.1.2. Các khía cạnh hoạt động thực tế của P.
• 2.1.3. Phạm vi đánh giá, lĩnh vực áp dụng của mô hình dòng bit
• 2.1.3.1. Phạm vi đánh giá của mô hình dòng bit
• 2.1.3.2. Lĩnh vực áp dụng, phạm vi tham số của mô hình dòng bit
• 2.1.3.3. Dữ liệu phục vụ đánh giá mô hình
• 2.1.3.4. Hiệu suất của mô hình
• 2.2. Kết chương 2
• 3. CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Bài toán thực nghiệm
• 3.2. Phần mềm và dữ liệu thực nghiệm
• 3.2.1. Mô tả phần mềm
• 3.2.2. Mô tả dữ liệu
• 3.2.3. Môi trường thực nghiệm
• 3.2.4. Kịch bản thực nghiệm
• 3.3. Tìm hiểu dữ liệu
• 3.4. Bổ sung các đặc trưng mới cho dữ liệu
• 3.5. Làm sạch dữ liệu
• 3.6. Xử lý dữ liệu
• 3.7. Lựa chọn mô hình
• 3.8. Kết quả thực nghiệm
• 3.9. Tối ưu khối lượng xử lý khi đào tạo
• 3.10. Đánh giá, so sánh kết quả
• 3.11. Kết chương 3
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 0.1. Các kết quả chính
• 0.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Kỹ Thuật Đánh Giá Chất Lượng Trải Nghiệm QoE

Chất lượng trải nghiệm (QoE) là yếu tố then chốt trong sự thành công của các dịch vụ mạng viễn thông hiện đại. QoE không chỉ đơn thuần là các thông số kỹ thuật như tốc độ, độ trễ, mà còn là cảm nhận chủ quan của người dùng khi sử dụng dịch vụ. Việc đánh giá QoE một cách chính xác và hiệu quả là vô cùng quan trọng để các nhà mạng có thể tối ưu hóa dịch vụ, nâng cao sự hài lòng của khách hàng và duy trì lợi thế cạnh tranh. QoE chịu ảnh hưởng bởi nhiều yếu tố, từ chất lượng đường truyền, thiết bị đầu cuối, đến nội dung và cách thức hiển thị. Việc đo lường và phân tích QoE đòi hỏi sự kết hợp giữa các phương pháp khách quan (đo lường các thông số kỹ thuật) và chủ quan (khảo sát, đánh giá của người dùng). Các quy chuẩn đánh giá QoE hiện nay còn nhiều hạn chế, đặc biệt trong bối cảnh các dịch vụ video streaming ngày càng phổ biến và yêu cầu cao về chất lượng.

1.1. Định Nghĩa và Tầm Quan Trọng của Chất Lượng Trải Nghiệm QoE

Chất lượng trải nghiệm (QoE) định nghĩa mức độ hài lòng hoặc khó chịu của người dùng khi sử dụng dịch vụ mạng viễn thông. Khác với chất lượng dịch vụ (QoS) tập trung vào các thông số kỹ thuật, QoE chú trọng đến cảm nhận chủ quan của người dùng. Tầm quan trọng của QoE ngày càng tăng trong bối cảnh cạnh tranh gay gắt giữa các nhà mạng, khi người dùng có nhiều lựa chọn và dễ dàng chuyển đổi nhà cung cấp nếu không hài lòng với chất lượng dịch vụ. Một QoE tốt giúp tăng cường lòng trung thành của khách hàng, giảm tỷ lệ rời mạng (churn rate) và nâng cao doanh thu.

1.2. Các Yếu Tố Ảnh Hưởng Đến Chất Lượng Trải Nghiệm QoE

Nhiều yếu tố ảnh hưởng đến QoE, có thể chia thành ba nhóm chính: yếu tố liên quan đến mạng lưới (tốc độ, độ trễ, mất gói), yếu tố liên quan đến thiết bị đầu cuối (cấu hình, hiệu năng, phần mềm) và yếu tố liên quan đến nội dung (độ phân giải, bitrate, codec). Bên cạnh đó, các yếu tố tâm lý, xã hội của người dùng cũng có thể ảnh hưởng đến QoE. Ví dụ, một người dùng xem video trên màn hình nhỏ có thể ít nhạy cảm với độ phân giải thấp hơn so với khi xem trên màn hình lớn.

II. Thách Thức Trong Đánh Giá Chất Lượng Trải Nghiệm Dịch Vụ Mạng

Việc đánh giá QoE gặp nhiều thách thức do tính chủ quan của cảm nhận người dùng và sự phức tạp của các yếu tố ảnh hưởng. Các phương pháp đánh giá truyền thống thường dựa trên các thông số kỹ thuật hoặc khảo sát, nhưng chưa thể phản ánh đầy đủ và chính xác QoE thực tế. Đặc biệt, trong bối cảnh các dịch vụ video streaming ngày càng phức tạp với nhiều công nghệ nén, mã hóa, và truyền tải khác nhau, việc đánh giá QoE càng trở nên khó khăn hơn. Sự khác biệt giữa các thiết bị đầu cuối, điều kiện mạng khác nhau, và thói quen sử dụng khác nhau của người dùng cũng là những thách thức lớn trong việc xây dựng một hệ thống đánh giá QoE thống nhất và hiệu quả.

2.1. Sự Chủ Quan Trong Cảm Nhận Chất Lượng Trải Nghiệm QoE

Cảm nhận về QoE mang tính chủ quan cao, phụ thuộc vào nhiều yếu tố tâm lý, xã hội của người dùng. Một người dùng có thể cảm thấy hài lòng với dịch vụ ở một thời điểm, nhưng lại không hài lòng ở thời điểm khác, dù các thông số kỹ thuật không thay đổi. Do đó, việc thu thập và phân tích dữ liệu khảo sát người dùng là rất quan trọng, nhưng cũng cần cẩn trọng để tránh sai lệch do yếu tố chủ quan.

2.2. Khó Khăn Trong Đo Lường và Mô Hình Hóa Chất Lượng Trải Nghiệm QoE

Việc đo lường QoE một cách khách quan và mô hình hóa các yếu tố ảnh hưởng là một thách thức lớn. Các phương pháp đo lường thông thường dựa trên các thông số kỹ thuật (QoS) không thể phản ánh đầy đủ QoE thực tế. Việc xây dựng các mô hình QoE đòi hỏi sự kết hợp giữa các phương pháp thống kê, học máy, và kiến thức chuyên môn về mạng viễn thông và tâm lý học người dùng. Bài toán đặt ra là làm sao xây dựng mô hình vừa đủ độ chính xác, vừa đảm bảo tính khả thi khi triển khai trên thực tế.

2.3. Ảnh Hưởng Của Công Nghệ Mã Hóa Video Đến Đánh Giá Chất Lượng Trải Nghiệm

Các công nghệ mã hóa video như Adaptive Bitrate Streaming (ABR) ảnh hưởng lớn đến trải nghiệm người dùng. ABR cho phép điều chỉnh bitrate video theo điều kiện mạng, giúp duy trì khả năng xem video liên tục ngay cả khi băng thông thay đổi. Tuy nhiên, việc chuyển đổi bitrate liên tục có thể gây ra giật lag, ảnh hưởng đến QoE. Các nhà mạng cần phải tối ưu hóa cấu hình ABR để cân bằng giữa chất lượng video và trải nghiệm xem mượt mà.

III. Phương Pháp Đánh Giá Chất Lượng Trải Nghiệm Video Streaming Hiệu Quả

Để đánh giá QoE cho dịch vụ video streaming, cần kết hợp nhiều phương pháp khác nhau, bao gồm: đánh giá khách quan dựa trên các thông số kỹ thuật, đánh giá chủ quan dựa trên khảo sát người dùng, và phân tích dữ liệu thu thập được từ mạng lưới. Các phương pháp đánh giá khách quan có thể sử dụng các chỉ số như PSNR, VMAF, hoặc SSIM để đánh giá chất lượng video. Các phương pháp đánh giá chủ quan có thể sử dụng thang điểm MOS (Mean Opinion Score) để thu thập ý kiến người dùng. Việc kết hợp các phương pháp này giúp có cái nhìn toàn diện và chính xác hơn về QoE.

3.1. Đánh Giá Khách Quan Chất Lượng Video Sử Dụng Chỉ Số PSNR VMAF

PSNR (Peak Signal-to-Noise Ratio) và VMAF (Video Multi-method Assessment Fusion) là những chỉ số phổ biến để đánh giá chất lượng video một cách khách quan. PSNR đo lường sự khác biệt giữa video gốc và video đã nén, trong khi VMAF kết hợp nhiều yếu tố khác nhau để đánh giá chất lượng video một cách toàn diện hơn, gần gũi hơn với cảm nhận của người dùng. Việc sử dụng các chỉ số này giúp tự động hóa quá trình đánh giá chất lượng video và giảm thiểu sự can thiệp của yếu tố chủ quan.

3.2. Đánh Giá Chủ Quan Chất Lượng Video Thông Qua Thang Điểm MOS

MOS (Mean Opinion Score) là một phương pháp đánh giá chủ quan chất lượng video, trong đó người dùng đánh giá chất lượng video trên một thang điểm (thường là từ 1 đến 5). Điểm MOS trung bình của nhiều người dùng được sử dụng để đánh giá chất lượng video tổng thể. MOS là một chỉ số quan trọng để đo lường cảm nhận thực tế của người dùng về chất lượng video.

3.3. Phân Tích Dữ Liệu Mạng Lưới Để Đánh Giá Chất Lượng Trải Nghiệm Video

Việc phân tích dữ liệu mạng lưới (tốc độ, độ trễ, mất gói) có thể cung cấp thông tin quan trọng về QoE. Ví dụ, việc tăng độ trễ có thể gây ra giật lag, ảnh hưởng đến trải nghiệm xem video. Việc phân tích dữ liệu mạng lưới kết hợp với các phương pháp đánh giá khách quan và chủ quan giúp xác định các vấn đề về QoE và tìm ra giải pháp khắc phục.

IV. Ứng Dụng Thực Tế Kết Quả Nghiên Cứu Đánh Giá QoE Video

Các kỹ thuật đánh giá QoE có thể được ứng dụng trong nhiều lĩnh vực khác nhau, từ việc tối ưu hóa dịch vụ video streaming, đến việc đánh giá chất lượng mạng lưới, và phát triển các ứng dụng mới. Ví dụ, các nhà mạng có thể sử dụng các kỹ thuật đánh giá QoE để điều chỉnh các tham số mạng, tối ưu hóa cấu hình ABR, và cải thiện trải nghiệm xem video của người dùng. Các nhà phát triển ứng dụng có thể sử dụng các kỹ thuật đánh giá QoE để thiết kế các ứng dụng video có chất lượng cao và đáp ứng nhu cầu của người dùng. Nghiên cứu này đưa ra kết quả thực nghiệm đánh giá QoE trên một số kịch bản video streaming phổ biến, từ đó đề xuất các giải pháp cải thiện QoE.

4.1. Tối Ưu Hóa Cấu Hình Adaptive Bitrate Streaming ABR Dựa Trên QoE

Các nhà mạng có thể sử dụng các kỹ thuật đánh giá QoE để tối ưu hóa cấu hình ABR, đảm bảo chất lượng video tốt nhất trong điều kiện mạng khác nhau. Ví dụ, nếu đánh giá QoE cho thấy người dùng không hài lòng với số lần chuyển đổi bitrate, nhà mạng có thể điều chỉnh cấu hình ABR để giảm số lần chuyển đổi bitrate, ngay cả khi phải giảm chất lượng video một chút.

4.2. Điều Chỉnh Tham Số Mạng Để Cải Thiện Chất Lượng Trải Nghiệm QoE

Các nhà mạng có thể sử dụng các kỹ thuật đánh giá QoE để điều chỉnh các tham số mạng (ví dụ: băng thông, độ trễ), cải thiện QoE. Ví dụ, nếu đánh giá QoE cho thấy người dùng thường xuyên gặp phải tình trạng giật lag, nhà mạng có thể tăng băng thông hoặc giảm độ trễ trên các đường truyền quan trọng.

4.3. Phân Tích QoE Để Phát Triển Ứng Dụng Video Chất Lượng Cao

Các nhà phát triển ứng dụng có thể sử dụng các kỹ thuật đánh giá QoE để thiết kế các ứng dụng video có chất lượng cao và đáp ứng nhu cầu của người dùng. Ví dụ, bằng cách phân tích QoE của các ứng dụng video hiện có, nhà phát triển có thể xác định các yếu tố quan trọng nhất ảnh hưởng đến QoE và tập trung vào việc cải thiện các yếu tố này.

V. Kết Luận Hướng Phát Triển Nâng Cao Đánh Giá QoE

Nghiên cứu này đã trình bày tổng quan về các kỹ thuật đánh giá QoE cho dịch vụ video streaming, các thách thức trong việc đánh giá QoE, và các ứng dụng thực tế của các kỹ thuật này. Kết quả nghiên cứu cho thấy việc kết hợp các phương pháp đánh giá khách quan, chủ quan, và phân tích dữ liệu mạng lưới là rất quan trọng để có cái nhìn toàn diện và chính xác về QoE. Hướng phát triển trong tương lai bao gồm việc nghiên cứu các mô hình QoE phức tạp hơn, tích hợp trí tuệ nhân tạo (AI) vào quá trình đánh giá QoE, và phát triển các hệ thống đánh giá QoE tự động và thời gian thực.

5.1. Nghiên Cứu Các Mô Hình Chất Lượng Trải Nghiệm QoE Phức Tạp Hơn

Các mô hình QoE hiện tại còn nhiều hạn chế và chưa thể phản ánh đầy đủ sự phức tạp của QoE. Hướng phát triển trong tương lai là nghiên cứu các mô hình QoE phức tạp hơn, có thể tính đến nhiều yếu tố hơn và mô phỏng chính xác hơn cảm nhận của người dùng.

5.2. Tích Hợp Trí Tuệ Nhân Tạo AI Vào Đánh Giá Chất Lượng Trải Nghiệm QoE

Trí tuệ nhân tạo (AI) có thể được sử dụng để tự động hóa quá trình đánh giá QoE, cải thiện độ chính xác của các mô hình QoE, và phát hiện các vấn đề về QoE một cách nhanh chóng và hiệu quả. Ví dụ, AI có thể được sử dụng để phân tích dữ liệu hình ảnh, âm thanh, và mạng lưới, từ đó đánh giá chất lượng video một cách tự động và chính xác.

5.3. Phát Triển Hệ Thống Đánh Giá Chất Lượng Trải Nghiệm QoE Tự Động

Hệ thống đánh giá QoE tự động có thể thu thập dữ liệu, phân tích dữ liệu, và đưa ra các báo cáo về QoE một cách tự động và liên tục. Hệ thống này giúp các nhà mạng và nhà phát triển ứng dụng theo dõi QoE một cách sát sao và đưa ra các quyết định kịp thời để cải thiện QoE.

Nội dung chính

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.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN VỀ QoS VÀ QoE Chương này sẽ nói về mạng 5G và yêu cầu chất lượng dịch vụ ối với mạng 5G.1 Chất lượng dịch vụ QoS và chất lượng trải nghiệm QoE, mối quan hệ giữa QoS, QoE 1.1 Giới thiệu chung QoS Thuật ngữ chất lượng dịch vụ (QoS) ược sử dụng rộng rãi ngày nay, không chß trong thế giới viễn thông mà ngày càng liên quan ến các dịch vụ băng thông rộng, không dây và a phương tiện dựa trên nền IP. Các mạng và hệ thống mạng ang ược thiết kế dựa trên hiệu năng end-to-end theo yêu cầu của các ứng dụng người dùng.800 ịnh nghĩa QoS là hiệu quả chung của hiệu năng dịch vụ xác ịnh mức ộ hài lòng của người sử dụng dịch vụ. Trong các hệ thống 3G-4G truyền thống, QoS ể ước tính hiệu suất của mạng di ộng ối với một dịch vụ có mức dịch vụ ảm bảo. QoS về bản chất là một khái niệm kỹ thuật và nó cho phép các nhà khai thác mạng tách lưu lượng thành các luồng dịch vụ dựa trên các thuộc tính, chẳng hạn như các loại lưu lượng (thoại, video hoặc iều khiển) hoặc các yêu cầu ứng dụng (thông lượng, ộ trễ và / hoặc jitter), sau ó vận chuyển từng luồng dịch vụ phù hợp, dẫn ến nhu cầu tối ưu hóa và bảo trì mạng ngày càng tăng.

QoS ược giới thiệu ể tối ưu hóa hoạt ộng của mạng nhằm cung cấp dịch vụ với mức dịch vụ ảm bảo. Các thước o mục tiêu ược sử dụng ể xác ịnh QoS ầu cuối thường là mất gói, ộ trễ, chập chờn và thông lượng. Người dùng không cảm nhận ược phần tử mạng riêng lẻ mà cảm nhận ược hiệu suất tổng thể của hệ thống. Do ó, nhà mạng cần áp dụng và thực hiện các chính sách quản lý QoS mới ể ảm bảo sự hài lòng của người dùng và tránh tình trạng thuê bao bị gián oạn.

Nói chung, người dùng cuối chß quan tâm ến những vấn ề mà họ nhìn thấy. Sự tham gia của người dùng dẫn ến các kết luận theo quan iểm của người dùng cuối như: Chß QoS ược nhận thức bởi vấn ề của người dùng cuối, số lượng thuộc tính do người dùng xác ịnh 1 TỔNG QUAN VỀ QoS VÀ QoE / kiểm soát phải càng nhỏ càng tốt, dẫn xuất / ịnh nghĩa các thuộc tính QoS từ các yêu cầu ứng dụng phải ơn giản, các thuộc tính QoS sẽ có thể hỗ trợ tất cả các ứng dụng ược sử dụng và QoS phải ược cung cấp từ ầu ến cuối (end to end) [6]. Tất cả các thuộc tính của QoS phải có ý nghĩa rõ ràng, cho phép sử dụng hiệu quả tài nguyên và phát triển ộc lập mạng Core và Access.2 Giới thiệu chung QoE Trọng tâm trong 5G là nhu cầu của thiết bị người dùng (User Equipment - UE) bằng cách thay ổi khái niệm lấy cell làm trung tâm của mạng sang thiết kế lấy thiết bị làm trung tâm. Một mạng ộng bao gồm nhiều thiết bị hoặc cảm biến người dùng cuối ược kết nối với nhau, trong bối cảnh IoT làm tăng mật ộ mạng.

Lưu lượng truy cập ược tạo ra bởi các giao tiếp từ thiết bị ến thiết bị (Device to Device - D2D) khác nhau, như trong iện lưới thông minh, nhà và thành phố thông minh và các kịch bản sức khỏe iện tử với các ặc tính giao tiếp khác nhau, sẽ cần các yêu cầu quản lý thông minh [7]. Các mạng 5G trong tương lai cũng sẽ ược ặc trưng bởi băng thông cao với tốc ộ vượt quá 10 Gb / giây, mức ộ di ộng khác nhau và tiết kiệm năng lượng và chi phí với sự tăng cường của trí thông minh của mạng không dây, nhưng vẫn phải áp ứng sự hài lòng hay còn gọi là QoE của người dùng, hay chất lượng trải nghiệm. Người dùng không ánh giá yếu tố mạng riêng lẻ, nhưng họ xem xét hiệu suất tổng thể của hệ thống, giá cả của dịch vụ, chất lượng cảm nhận của nội dung và mức ộ dễ sử dụng của một ứng dụng, tức là QoE. Theo Khuyến nghị ITU-T P.1000 của Liên minh Viễn thông Quốc tế-Khu vực Tiêu chuẩn hóa Viễn thông, QoE có thể ược ịnh nghĩa là <khả năng chấp nhận tổng thể của một ứng dụng hoặc dịch vụ, theo nhận thức chủ quan của người dùng cuối= như nội dung, mạng, thiết bị, ứng dụng, kỳ vọng và mục tiêu của người dùng cũng như bối cảnh sử dụng.

Nhận thức của khách hàng về các dịch vụ dữ liệu không chß phụ thuộc vào cơ sở hạ tầng mạng mà còn phụ thuộc vào loại UE (mà sự lựa chọn của người dùng và hiệu suất của thiết bị hoàn toàn nằm ngoài tầm kiểm soát của các nhà khai thác di ộng) và khả năng truy cập nội dung của các nhà cung cấp nội dung cũng hoàn toàn ộc lập với chất lượng của mạng lưới. Khuyến nghị ITU-T G.1011 cung cấp cung cấp một cái nhìn tổng thể về các phương pháp ánh giá QoE [8], cụ thể như sau: • Khái niệm về ánh giá QoE như ịnh nghĩa, cách tiếp cận chủ quan, khách quan (phương pháp thụ ộng monitoring, phương pháp quy hoạch và mô phỏng trong phòng thí nghiệm). • Phương pháp o ạc theo các mô hình khác nhau như mô hình dòng bit, lớp a phương tiện, mô hình lớp gói hoặc hỗn hợp. 2 TỔNG QUAN VỀ QoS VÀ QoE • Cuối cùng là ề cập ến các tiêu chuẩn ánh giá QoE cho các dịch vụ khác nhau như audio, video, data, a phương tiện theo cách khách quan, chủ quan.3 Mối quan hệ giữa QoS và QoE Công nghệ 5G với tất cả các ưu iểm của nó cũng ược kỳ vọng sẽ áp ứng các giá trị về QoS, QoE, ộ tin cậy và bảo mật cao.

Mô hình hóa ể có ược các giá trị QoS từ các công nghệ trước ây có thể không phù hợp với công nghệ 5G. iều này là do giá trị của QoE hiện diện trong kÿ nguyên 5G. Các thông số trong QoS như mất gói, tÿ lệ mất gói, ộ trễ mạng, PSNR (Peak Signal to Noise Ratio) và thời gian di chuyển ược coi là ít ảnh hưởng trong 5G. Mạng 5G chủ yếu dùng làm phương tiện giao tiếp cho video vì trong ánh giá chất lượng phương tiện video, có một giá trị hài lòng ược thể hiện trong QoE.

Vì vậy, mặc dù tham số QoS vẫn ược coi là quan trọng, nhưng nó không ủ cho giá trị của sự hài lòng của người dùng [9].1 cho thấy mối quan hệ giữa QoS và QoE. QoS là quan iểm kỹ thuật về chất lượng dịch vụ và QoE là quan iểm về sự hài lòng của người dùng ối với chất lượng dịch vụ. Các tham số QoS như bộ ệm, thời gian khởi ộng và tốc ộ bit tốt không cho giá trị QoE cao vì có nhiều tham số khác nhau về mức ộ hài lòng liên quan ến người dùng và không thể oán trước. Giá trị của QoS và QoE, trong công nghệ 5G là một sự thách thức trong việc hài hòa hai giá trị.

Mạng lưới tự tổ chức (Self Organizing Networks - SON) hoạt ộng dựa trên ba tính năng ọc trạng thái mạng, dự oán hành vi của người dùng và các iều chßnh ộng ể áp ứng iều kiện của mạng. SON sẽ giúp tăng QoS và QoE ồng thời. Ngoài ra ể hài hòa ánh giá QoS và QoE người ta kết hợp các thông số khách quan (tÿ lệ mất gói và ộ trễ) và chủ quan (Mean Opinion Score - MOS của người dùng qua lấy mẫu). Thông qua quá trình lượng tử hóa, ánh xạ QoS cho QoE thu ược.1: Mối quan hệ giữa QoS, QoE [9] 3 TỔNG QUAN VỀ QoS VÀ QoE ể thực hiện o ạc các giá trị QoS và QoE trên công nghệ 5G, cần phải tiến hành phân nhóm dựa trên các ối tượng o lường, phương pháp ược sử dụng và phương tiện hoặc dữ liệu làm tư liệu o lường [10].

Việc phân nhóm trong quá trình o lường QoS và QoE ược phân loại như Bảng 1.1 phân nhóm ối tượng khi ánh giá QoS, kèm theo ó là phương pháp sử dụng ể ánh giá và cách ể thu thập ược dữ liệu phục vụ việc ánh giá.1: Phân nhóm quá trình o ạc QoS, QoE trong mạng 5G ối tượng Phương pháp Thu thập dữ liệu Lưu lượng Mô phỏng Mô hình dữ liệu 4G hiện tại ộ trễ Phương trình toán học Mô hình ảo của dữ liệu 5G Xác suất chuyển giao Hàng ợi ưu tiên Sự bất thường trong QoS Thử nghiệm với thiết bị Tình huống và vị trí Biểu hiện nhận dạng khuôn mặt ối tượng: Có bảy ối tượng cần quan tâm khi ánh giá QoS, cụ thể như sau: • Lưu lượng trong mạng viễn thông là ối tượng ược sử dụng rộng rãi nhất. Các thông số trong lưu lượng, chẳng hạn như tốc ộ và ộ tin cậy, tÿ lệ truy cập lưu lượng thành công ược o lường ể lấy các giá trị từ QoS và QoE. Giá trị QoS cũng có thể thu ược từ lưu lượng của một ứng dụng cụ thể như Facebook Messenger, Skype, Viber và các iều kiện, thông số kỹ thuật của thiết bị ầu cuối (Samsung galaxy S7, S4). • Giá trị ộ trễ gây ra bởi nhiễu giữa các cell vô tuyến và kỳ vọng về ộ trễ thấp từ 50% ến 97% ối với tốc ộ dữ liệu cao ã trở thành một ánh giá QoS.

• Xác suất thực hiện chuyển giao và sự bất thường xảy ra từ tham số QoS cũng là một số dữ liệu ể có ược giá trị QoS. Các ối tượng liên quan ến người dùng cũng ược sử dụng ể ánh giá QoE như kịch bản mạng 5G ược sử dụng và vị trí diễn ra. Biểu cảm khuôn mặt của người dùng ược lượng tử hóa thành những con số ược ánh giá ể thu ược giá trị QoE. Phương pháp: Có hai phương pháp ể lấy ược giá trị QoS, QoE như bên dưới • Các phương pháp mô phỏng, ặc biệt với một số ứng dụng nhất ịnh, là những phương pháp thường ược sử dụng nhất ể lấy các giá trị từ QoS và QoE.

Mô phỏng này ược thực hiện với nhiều loại khác nhau, từ thống kê, crowdsoucing, sử dụng công cụ, và mô phỏng ảo với học máy (Machine Learning), SDN (Software defined Networking), v. Việc sử dụng các phương trình toán học như Tối ưu hóa Lyapunov, Phân tích chuỗi 4 TỔNG QUAN VỀ QoS VÀ QoE Markov, và Thuật toán mã giả là những cách tiếp cận ể nhận các giá trị QoS. Phương pháp cũng gần với cách tiếp cận toán học là Hàng ợi ưu tiên và phương pháp này thường ược sử dụng ể tiếp cận o lường giá trị của QoS ối với công nghệ trước 5G. • Phương pháp tiếp theo thường ược sử dụng là thực nghiệm trong môi trường thực tế (Testbed) với thiết bị o chất lượng mạng viễn thông.