视频流媒体已经成为目前因特网的主要应用,为了给视频用户提供更好的网络服务,运营商有必要了解并保障用户的观看体验。用户的观看体验,即体验质量QoE(Quality of Experience),是用户对视频服务质量的主观感受。如果没有终端用户的配合,运营商无法得知用户的主观QoE,即便是应用层的客观QoE参数(视频帧率、码率、初始时延、卡顿等),运营商也难以获得。因此,运营商通常采用监测网络流量来推测视频用户的QoE。然而,目前这种解决方法也因HTTP自适应流媒体传输技术(HAS)的使用和加密视频流的逐渐普及,而面临新的挑战。HAS机制中码率自适应请求算法(ABR)能够自适应网络变化,而选取匹配网络状况的视频块进行传输,从而会模糊掉网络流量波动所带来的用户QoE信息。这样会使得运营商无法判断用户QoE得以改善的原因是ABR自适应的结果还是网络状况改善带来的结果。与此同时,目前越来越多的HAS视频流开始采用加密传输服务,使得运营商无法继续采用深度解析包的方法进行网络流量分析。本文工作注意到视频客户端ABR算法所造成的流量特征模糊的问题,同时也注意到ABR算法是以视频块为基本单位进行自适应码率调整。因此,与传统方法以“包”为颗粒度不同,本论文提出以视频“块”为颗粒度进行视频流量分析和挖掘,进而评估用户QoE。具体地,论文包括以下两个部分工作。第一部分工作,研究了如何从加密的HAS视频流量中重建视频块序列。本文首先基于网络测量的方法对HAS加密视频流的传输特性进行分析,然后基于视频流量传输模式的分析结果,提出一种HAS视频流的块序列重建算法。实验结果表明,采用我们算法从网络流量中重建的视频块序列,均方根误差不高于0.132,具有很好的拟合精确度。由于播放器的演播状态直接影响到用户QoE,播放器的演播状态又可以采用应用层客观的QoE参数来表征,因此第二部分工作基于视频块序列的特征来推断播放器的演播状态。具体地,论文工作首先为此提出一种新的应用层客观QoE度量指标:缓冲区综合状态,用来表征播放器的演播状态。接着,利用HAS客户端与服务器之间的双向视频流量,重建视频块序列,使用时间序列数据挖掘技术,建立了网络流量特征与新的应用层客观QoE指标之间的预测模型,用于实时估测视频的演播状态,从而实现视频用户QoE的跨层感知和预测。实验结果表明,采用我们的方法能够获得较好的实时预测效果。