An Efficient Network-Based QoE Assessment Framework for Multimedia Networks Using a Machine Learning Approach

The Internet is integral to modern life, influencing communication, business, and lifestyles worldwide. As dependence on Internet services grows, so does the demand for high-quality service delivery. Service providers must uphold high standards of quality of service and Quality of Experience (QoE) to ensure user satisfaction. QoE, a key metric for multimedia services, reflects user satisfaction with service quality. However, measuring QoE is challenging due to its subjective nature and the complexities associated with real-time feedback.This paper presents an open-source framework for assessing QoE in multimedia networks using only key network parameters. By eliminating the need for video-specific data, this framework simplifies the traditional ITU standard for QoE assessment, achieving high accuracy in predicting Mean Opinion Scores (MOS). The framework leverages Machine Learning (ML) to model the relationship between network parameters and QoE, providing a scalable and efficient solution for real-time QoE evaluation in multimedia networks.By focusing exclusively on network metrics (e.g., delay, jitter, and packet loss), it eliminates the need for video-specific parameters to calculate MOS. Addressing the limitations of existing QoE models, the framework integrates real-time data collection, ML predictions, and adherence to international standards. This reduced-parameter approach achieves approximately 97% of the prediction accuracy of the full ITU P.1203 implementation while significantly lowering data requirements and computational demands. By enabling ITU-T P.1203 MOS score calculation without video-specific data, the framework offers a faster, scalable solution adaptable to diverse real-time multimedia services.

اینترنت به بخش جدایی‌ناپذیر زندگی مدرن تبدیل شده و بر ارتباطات، کسب‌وکار و سبک زندگی در سراسر جهان تأثیر گذاشته است. با افزایش وابستگی به خدمات اینترنتی، نیاز به ارائه خدمات با کیفیت نیز بیشتر شده است. ارائه‌دهندگان خدمات باید استانداردهای بالایی از کیفیت خدمات و کیفیت تجربه کاربر را حفظ کنند تا رضایت کاربران تضمین شود. کیفیت تجربه کاربر یکی از شاخص‌های مهم در خدمات چندرسانه‌ای است و میزان رضایت کاربران از کیفیت خدمات را نشان می‌دهد. با این حال، اندازه‌گیری این شاخص به دلیل ماهیت ذهنی آن و دشواری دریافت بازخورد لحظه‌ای از کاربران، چالش‌برانگیز است. این مقاله یک چارچوب متن‌باز برای ارزیابی کیفیت تجربه کاربر در شبکه‌های چندرسانه‌ای ارائه می‌کند که تنها بر پایه پارامترهای کلیدی شبکه عمل می‌کند. با حذف نیاز به داده‌های اختصاصی ویدئو، این چارچوب روش سنتی استاندارد بین‌المللی ارزیابی کیفیت تجربه را ساده‌سازی کرده و در پیش‌بینی امتیاز میانگین رضایت کاربران، دقت بالایی به دست آورده است. این چارچوب از یادگیری ماشین برای مدل‌سازی رابطه میان پارامترهای شبکه و کیفیت تجربه کاربر استفاده می‌کند و راهکاری مقیاس‌پذیر و کارآمد برای ارزیابی لحظه‌ای کیفیت تجربه در شبکه‌های چندرسانه‌ای فراهم می‌سازد. این روش با تمرکز صرف بر شاخص‌های شبکه مانند تأخیر، نوسان تأخیر و اتلاف بسته‌های اطلاعاتی، نیاز به پارامترهای اختصاصی ویدئو را برای محاسبه امتیاز رضایت کاربران حذف می‌کند. همچنین با برطرف کردن محدودیت‌های مدل‌های موجود، قابلیت جمع‌آوری داده‌های لحظه‌ای، پیش‌بینی مبتنی بر یادگیری ماشین و انطباق با استانداردهای بین‌المللی را در یک سامانه واحد ترکیب می‌کند. رویکرد مبتنی بر پارامترهای کاهش‌یافته، حدود ۹۷ درصد دقت پیش‌بینی روش کامل استاندارد بین‌المللی را حفظ کرده و در عین حال نیاز به داده و توان محاسباتی را به میزان قابل توجهی کاهش می‌دهد. این چارچوب با امکان محاسبه امتیاز رضایت کاربران بدون نیاز به داده‌های اختصاصی ویدئو، راهکاری سریع‌تر، مقیاس‌پذیرتر و قابل انطباق با انواع خدمات چندرسانه‌ای بلادرنگ ارائه می‌دهد.