《Computer Networks》：OTT-MNO collaboration for a Network-layer ML-based QoE Prediction for Video Streaming over 5G O-RAN
编辑推荐：
为解决移动网络运营商因无法获取应用层参数而难以准确预测视频流用户体体验质量这一难题，本文提出了一种创新的解决方案。研究人员在开放无线接入网络架构中集成了基于机器学习的QoE预测模型，并建立了OTT与MNO之间的数据共享接口。研究表明，基于梯度提升算法的模型预测性能最佳（R2=0.906），有效帮助MNO克服了质量预测模型更新困难的问题，为实现网络感知的实时QoE管理提供了关键技术支撑。
在移动互联网迅猛发展的今天，视频流已经成为我们日常生活中不可或缺的一部分。从追剧到刷短视频，用户对视频流畅度和清晰度的要求越来越高，这背后是对“用户体验质量”（Quality of Experience, QoE）的极致追求。然而，一个长久以来的“信息孤岛”难题横亘在提升QoE的道路上：提供网络服务的移动网络运营商（Mobile Network Operator, MNO）和提供视频内容的互联网服务提供商（Over-The-Top, OTT）各自为政，掌握着不同层面的数据。MNO能清晰看到网络层面的信号强度、吞吐量等指标（即网络服务质量 QoS），却对用户正在观看的视频分辨率、编码格式等应用层信息一无所知；反之，OTT深知其应用的表现，却难以精准定位是哪个网络环节导致了卡顿。这种数据割裂使得任何一方都难以全面、准确地评估和预测用户的真实体验，更不用说进行主动优化了。
特别是随着5G时代的到来，问题变得更加复杂。5G网络引入了毫米波、网络切片等新技术，带来了超高带宽和超低延迟潜力的同时，也使得网络环境更加动态和敏感。视频服务本身也在升级，4K/60帧的高清视频成为可能，这对预测模型提出了更高要求。以往基于4G网络和较低分辨率视频（如最高1080p/30帧）构建的QoE预测方案，在5G的新环境下可能不再适用。缺乏准确、实时的QoE感知，网络运营商就无法进行以用户体验为中心的精准资源调度，可能导致宝贵的网络资源被低效使用，而用户的观看体验却在不知不觉中受损。
为了解决这一核心挑战，来自意大利卡利亚里大学的研究团队在《Computer Networks》上发表了一项创新研究。他们提出了一种全新的框架，巧妙地将OTT与MNO协同起来，并依托5G开放无线接入网络（Open RAN, O-RAN）这一开放、智能化的网络架构，构建了一个完全基于网络层参数的机器学习（ML）模型，用以精准预测视频流服务的QoE。这项工作的意义在于，它首次在O-RAN框架内，为MNO提供了一套仅依靠自身可获取的网络数据（如信号质量、资源分配、用户设备移动性等）就能准确估算用户QoE的工具，打破了依赖OTT应用层数据的传统瓶颈，为未来6G网络中实现实时、智能的用户体验管理奠定了坚实基础。
为实现上述目标，研究人员主要采用了以下几项关键技术方法：首先，基于O-RAN联盟定义的架构，在非实时无线智能控制器中设计了模型训练模块，在近实时无线智能控制器中部署了模型推理模块，通过标准接口收集网络数据。其次，利用自主开发的链路级仿真器，模拟5G微基站街道峡谷场景，生成了包含1万台各类终端设备在不同网络条件和视频参数下的合成数据集，其中QoE真值采用支持高达4K/60帧的ITU-T P.1204.3算法计算。最后，针对回归任务，系统性地训练并比较了七种监督机器学习模型，并通过网格搜索和交叉验证进行超参数优化，以平衡预测精度与计算复杂度。
研究结果
1. 提出并集成了O-RAN协同架构
研究人员设计了一个将基于ML的QoE预测模型集成到O-RAN中的完整架构。该架构的核心创新在于设立了MNO与OTT之间的数据共享接口。在初始训练阶段，OTT利用其掌握的应用参数（视频编解码器、分辨率、帧率等），通过ITU-T P.1204.3模型计算出预估的QoE（以平均意见得分MOS表示），并通过RESTful API共享给MNO。MNO则将此作为训练标签，与自身监测到的网络参数（如SINR、CQI、吞吐量、资源块使用情况、设备移动性状态等）进行关联，用于训练QoE预测模型。一旦模型训练完成并部署，在推理阶段，MNO便可以直接使用网络数据实时预测QoE，而无需OTT的持续参与。
2. 构建并分析了合成数据集
通过链路级仿真，研究团队生成了一个大规模、多样化的数据集。数据集涵盖了移动设备、平板、个人电脑和电视四种终端类型，视频分辨率从480p到4K，编码包括H.264、H.265和VP9，帧率最高60fps，模拟了静态和移动场景。对特征的分析显示，吞吐量（Th）和能耗（Ec）与QoE的斯皮尔曼等级相关性最高（分别为0.91和-0.91），而信噪比（SINR）和信道质量指示（CQI）也表现出强相关性。有趣的是，虽然设备移动性（ν）单独与QoE的相关性不高，但其与设备类型结合后，对QoE有区分作用，例如小屏移动设备在相同吞吐量下通常能获得比大屏设备更高的QoE。
3. 评估并比较了多种机器学习模型
研究团队训练并评估了七种监督回归模型：最小绝对收缩和选择算子、线性回归、支持向量回归、k近邻、多层感知器、随机森林和梯度提升。性能评估采用R2、均方根误差等指标。在所有模型中，梯度提升（Gradient Boosting, GB）回归器取得了最优的预测性能，其R2达到0.906，均方根误差为0.259。研究还对模型的计算复杂度进行了分析，指出像梯度提升和随机森林这样的集成方法在预测精度和计算开销之间取得了良好平衡，适合在资源受限的网络边缘（如近实时无线智能控制器）部署。
4. 进行了时变性QoE估计验证
为了测试模型在动态网络环境下的实用性，研究人员模拟了信道条件随时间连续变化的情况，并将训练好的梯度提升模型应用于此时间序列数据进行QoE预测。结果表明，该模型能够有效地跟踪QoE随时间的变化趋势，即使在网络质量波动时，也能提供相对准确的QoE估计，证明了其在实时网络管理中的潜在应用价值。
研究结论与意义
本研究成功提出并验证了一个面向5G O-RAN的、基于网络层机器学习的视频流QoE预测框架。该框架的核心贡献是双重的：一是架构创新，通过定义标准化的数据共享接口，将OTT的QoE评估能力与MNO的网络管理能力在O-RAN体系内有机结合，使MNO能够克服长期存在的应用数据缺失瓶颈；二是算法创新，提出并验证了一个高效的QoE预测模型，该模型仅利用MNO可获取的网络和移动性数据，即可实现高精度（R2> 0.9）的QoE预测，且性能最佳的梯度提升模型在复杂度和准确性上达到了理想平衡。
这项研究的重要意义在于，它为未来移动网络（尤其是5G-Advanced和6G）的智能化运营提供了关键的技术路径。通过实现准确、实时的用户体验感知，网络运营商可以从传统的以网络为中心的资源管理，转向以用户体验为中心（QoE-aware）的精准优化。例如，基于预测的QoE，网络可以动态地为体验即将降级的用户优先分配资源，或触发切换流程，从而在整体网络资源受限的情况下，最大化用户的满意度和忠诚度。这不仅提升了用户体验，也为OTT和MNO之间开创了新的合作模式与商业模式。最终，这项工作推动了开放、智能、用户感知的网络演进，为构建真正以人为中心的未来网络奠定了基础。
