Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 6)

Здесь – оригинальный кадр, – искаженный, и – параметры, отвечающие за формат кадра;

• PSNR (Peak Signal-to-Noise Ratio) – пиковое (логарифмическое) отношение сигнал-шум используется для определения качества работы алгоритмов кодирования и зависит от величины различий между оригинальным и искаженным изображением. PSNR стал самой распространенной объективной метрикой, используемой для оценки QoS уровня приложений мультимедиа [ CITATION JKl03 \l 1049 ]. Для кадра n его PSNR между исходным изображением и целевым изображением определяется PSNR-моделью как:

где обозначает компоненту яркости видеокадра, , – количество бит на пиксел (компонент яркости). и – значения компонента яркости -го кадра в пикселях для исходного и восстановленного изображений соответственно. и – размеры кадра. указывает разницу между исходными и восстановленными изображениями.

Основным недостатком описанных метрик является то, что они плохо коррелируют с субъективной оценкой и сильно зависят от пространственной и временной избыточности изображений. Поэтому были разработаны более эффективные метрики качества;

• PQR (Picture Quality Ratio) – рейтинг качества изображения. Эта метрика учитывает ряд особенностей человеческого зрения. Сравниваются две видеопоследовательности, каждая из которых имеет произвольную продолжительность. Каждый кадр разбивается на три области отсчетов. На основании этих данных формируются цветовые компоненты: красный R, зеленый G, синий В. Блок обработки фронта изображения используется для формирования из компонент RGB сигнала яркости и получения бихроматического изображения ( *), которое используется в нижележащих блоках. Блок обработки отсчетов яркости осуществляет выборку параметра Y для двух типов изображения (оригинальной видеопоследовательности и искаженного видеоряда). Затем создается карта отсчетов PQR.

Эта карта представляет собой изображение, состоящее из полутонов, уровень которых пропорционален разности пикселей анализируемых кадров. Указанная схема также содержит блок обработки цветностных компонент, который на своем выходе формирует карту интенсивностей цвета. Процесс обработки хроматических данных и информации об интенсивности цвета начинается на входе канала люминесценции и позволяет определить различия в структуре оригинального и искаженного кадра. При этом данные об отсчетах яркости и отсчетов интенсивности цвета выбираются из небольших областей передаваемого изображения и наносятся на соответствующую карту. Анализ таких карт позволяет более детально определить искажения принятого изображения. Метод PQR требует обязательной синхронизации анализируемой и оригинальной видеопоследовательности. После формирования карт PQR осуществляется сравнение вычисленных параметров с субъективной оценкой пользователей;

• VQM (Video Quality Metric) – метрика, использующая дискретное косинусное преобразование для точного соответствия человеческому восприятию.

Принцип действия заключается в следующем. Оригинальная и искаженная видеопоследовательности проходят один и тот же набор функциональных блоков, которые осуществляют выборку данных, их корректировку, вычисление различных показателей качества и, наконец, вычисление параметра VQM. Сам параметр оценивает искажения, вызванные прохождением видеосигналов через различные цифровые блоки системы передачи. К таким искажениям относятся погрешности кодирования, ошибки, возникающие в дискретном канале связи и ошибки декодирования сигналов. Для оценки таких искажений, как «подтормаживание» кадров, размытие, блокинг-эффект используется вероятностная модель. Вероятность появления искажений, равная 1, говорит о том, что изображение обладает очень низким качеством. Вероятность 0,5 соответствует серьезным искажениям, тем не менее, позволяющим рассмотреть детали изображения. Метрика VQM позволяет определить качество принятой картинки, однако не решает проблемы синхронизации между оригинальной и искаженной видеопоследовательностью;

• MPQM (Moving Picture Quality Metric) – оценка качества движущихся изображений. Эта метрика использует особенности восприятия видеоинформации зрительной системой человека. Процесс формирования метрики качества состоит из нескольких шагов. На первом шаге анализируется вся видеопоследовательность. Она пропускается через набор специальных фильтров, которые измеряют количество искажений. В результате формируется несколько каналов. Для каждого канала вычисляется контрастная чувствительность и маска, необходимая для коррекции искажений. Наложение маски происходит только в том случае, если ошибка превышает заранее заданное пороговое значение, что позволяет устранить наиболее заметные искажения. Вычисление метрики MPQM происходит на основе параметров, полученных на выходе фильтров. MPQM вычисляется для каждого блока данных.

• FLRM (Frame Loss Ratio Model) – модель соотношения потерь кадров. Эта метрика характеризует степень потери кадров и является фундаментальным критерием оценки эффективности. В потоковой передаче видео один видеокадр разбивается на множество меньших пакетов и отправляется в сеть, поэтому на качество декодированного видео на приемнике влияют два фактора: эффективность сжатия и искажение кодера из–за потери пакетов или задержки.

На основе модели [ CITATION CYu20 \l 1049 ] искажение видео можно смоделировать так:

Искажение кодировщика может быть определено формулой

где – скорость видеопотока, а параметры и , оцениваются по эмпирическим кривым искажения скорости с помощью методов регрессии. Если процент потерянных пакетов ( превышает границу исправления ошибок, приемник не сможет воспроизвести этот кадр. Аналогично, если задержка пакета ( превысит крайний срок воспроизведения соответствующего кадра, он также будет удален декодером в кэше получателя. Таким образом, можно представить

В работе [CITATION Мар \l 1049 ] произведен сравнительный анализ различных методов оценки качества восприятия потокового видео при передаче через беспроводные сети, который показал, что с помощью субъективных методов оценки можно оценить лишь визуальное качество изображений и не могут быть реализованы программно, что не позволяет автоматизировать процессы вычисления метрик качества видеосигналов. Объективные метрики даже при ограниченном наборе данных позволяют однозначно определить количество искажений принятых кадров.

Самыми простыми методиками определения качества являются вычисление отношений PSNR, SNR и RMSE, однако они имеют низкую точность. Метрики PQR, VQM, MPQM более адекватны субъективному восприятию при реальном тестировании.

В результате анализа современных сведений о сетях транспортных средств рассмотрены основные концепции и тенденции развития данной технологии. Освещены ключевые отличия сетей подвижных объектов VANET от сетей мобильных объектов MANET. Проведен сравнительный анализ средств компьютерного моделирования беспроводных сенсорных сетей.

Перечислены основные стандарты и протоколы, используемые для организации сети. В частности, отмечены реактивные и геолокационные протоколы маршрутизации как наиболее перспективные в условиях быстрой смены количества сетевых подключений.

Рассмотрены актуальные проблемы безопасности в сети, такие как сохранность целостности сообщений, контроль доступа, конфиденциальность и обеспечение защиты приватности пользователя.

Произведен обзор приложений VANET, использующих автомобильную сеть для обеспечения безопасности, оптимизации транспортного трафика, а также предоставления доступа в сеть интернет.

Обозначена проблема обеспечения качества обслуживания (QoS), в частности, проблема её оценки для выбора наилучшего способа передачи данных для различных типов трафика.

Следует отметить, что современные исследования рекомендуют разрабатывать системы оценки и обеспечения качества обслуживания, системы обнаружения вторжений распределенными и интеллектуальными, способными к адаптации в изменяющихся условиях окружающей среды. Учитывая требования работы приложений в реальном времени, диагностика состояния среды и ее реакция на изменения должно происходить быстро и в адаптивном режиме. В условиях анализа данных малого объема такие интеллектуальные методы анализа как нейронные сети, машины опорных векторов, скрытые марковские модели неприменимы. Поэтому для принятия решения по комбинации факторов следует использовать такие легковесные методы, как статистический анализ данных и системы нечеткой логики.

1. Модель оценки QoS на основе нечеткой логики

Несмотря на большое разнообразие моделей оценки качества передачи видеопотока, оценка качества сети для передачи разнородного трафика остаётся актуальной задачей. Для моментальной оценки качества обслуживания следует использовать различные модели оценки такие как нейронные сети, машинное обучение, машина опорных векторов или модель на основе нечеткой логики. Такой подход агрегирует параметры сети в коэффициент, который в свою очередь позволит сетевому устройству принимать решение о использовании наименьшего размера пакета данных или о компрессии трафика, путем отбрасывания не ключевых кадров потока.

Очевидно, подобная модель должна оценивать QoS по комбинации параметров, быть достаточно легковесной, чтобы использоваться в режиме реального времени и достаточно гибкой, чтобы менять приоритет той или иной характеристики.

В работе[ CITATION Nit \l 1049 ] проведен сравнительный анализ нейронной сети, модели нечеткой логики и нейро-нечеткий интегрированного подхода, в результате которого было обнаружено, что модель на основе нечеткой логики более удобная – с точки зрения архитектуры – и эффективная – с точки зрения скорости – работу. В исследовании [ CITATION Joz \l 1049 ] рассмотрена гибридная модель нечеткой логики и машины опорных векторов. Отмечу, что гибридные модели, перенимая преимущества компонент, из которых состоят, увеличивают время принятия решения. Модель на основе нейронных сетей также требует время на подбор весовых коэффициентов, что не применимо для достижения поставленной цели.

Таким образом, основываясь на опыт в изучении предметной области [ CITATION MrA \l 1049 ] принято решение использовать модель на основе нечеткого логического вывода Мамдани для трёх входных переменных: скорость передачи, задержка доставки и количество потерянных пакетов.

1. Система нечеткого логического вывода

Нечеткая логика (НЛ) подразумевает проведение операции нечеткого логического вывода, основой которого является база правил, а также функция принадлежности лингвистических терм. Результатом работы данной модели является четкое значение переменной. Нечетким логическим выводом называется аппроксимация зависимости с помощью нечеткой базы знаний и операций над нечеткими множествами.

Для того, чтобы выполнить нечеткий логический вывод необходимы условия, сформированные в работе [CITATION Яру \l 1033 ]:

• должно существовать как минимум одно правило для каждого лингвистического терма выходной переменной;

• для любого терма входной переменной должно быть хотя бы одно правило, в которой этот терм используется в качестве предпосылки;

• между правилами не должно быть противоречий и корреляции.

Центральное место в нечеткой логике занимает нечеткий логический вывод в системах нечеткого управления. Процесс нечеткого вывода представляет собой процедуру или алгоритм получения нечетких заключений на основе нечетких условий или предпосылок.

Системы нечеткого логического вывода можно рассматривать как частный случай так называемых продукционных нечетких систем. В таких системах условия и логические заключения различных правил формулируются в виде нечетких высказываний сделанных относительно значений некоторых лингвистических переменных. Разработка и применение систем нечеткого логического вывода состоит из нескольких этапов, реализация которых производится с помощью рассмотренных выше основных положений теории нечетких множеств.

Существует алгоритм действий при использовании процесса нечеткого логического вывода (рисунок 6).

Рисунок 6 – Алгоритм процесса нечеткого логического вывода

Характеристики

Список файлов ВКР