YouTube移动端加密视频传输模式识别技术

潘吴斌

市场上手机厂商、手机型号以及硬件的差异，使得YouTube在传输视频过程中需进行视频码率、分辨率等方面的识别及适应，以DASH-APP，HLS-APP，HPD-APP三种传输模式为例，这3种传输模式的段数特征差异很大。因此，本文通过分析3种传输模式之间的差异性、加密算法及更换流等内容，为进行YouTube模式识别提供技术支撑。

移动端加密视频传输模式识别模型构建

本文提出基于在线和离线2种模式的模式识别模型构建，首先通过贝叶斯模型进行离线训练，然后采用A-I-P-FP进行在线识别。

樸素贝叶斯多项式模型

①贝叶斯分类器原理及流程

CountVecotrizer作用是特征向量化，特征向量化示例图如图2所示。。

MutinominalNB模块的主要功能是基于朴素贝叶斯多项式模型算法。

A-I-P-FP方案

A-I-P-FP方案离线训练模块的实现如图3所示。Stream Filter模块用于检测客户端到服务器端，并过滤出视频样本首部第一条视频流F、和其后一条流F+1，2条有效的视频流，此部分基于tshark实现。

实验与结果分析

数据集合描述

采用表1设备进行数据集描述，共分为20和160，2次进行YouTube热门视频采集。

实验评估

yi5朴素贝叶斯多项式模型实验评估

在数据集合中随机选取200个视频样本，为分析T时间参数选择对分类器的影响进行了实验，其D1准确率、召回率与F1-score结果如表2所示。

图4给出了这次实验的混淆矩阵，图5展示了对朴素贝叶斯多项式模型构建的分类器进行了10次交叉验证的结果。由图4和图5可见其平均准确率达到92.25 %。

A-I-P-FP方法实验评估

将500个视频集合D2分为S2、T2两个集合。训练集为80 %，测试集为20 %。表3用查准率、查全率和F-score及其均值，展示了对方法的评估。

如表3结果所示，识别效果最好的2种模式是DASH-APP和HPD-APP。并且如图6所示为对500个视频进行了10次交叉验证的结果。可见本文方法均能取得良好的识别效果。

为完成YouTube移动端加密视频流的识别、关联以及传输模式的识别，研究了基于DASH，HLS，HPD等视频传输模式在加密情况下的特征和区别，分析了在移动App，PCWEB端进行YouTube视频传输模式的差异性和共同性，并深入分析了不同型号手机对视频观看的影响，最后提出了A-I-P-FP视频传输加密方法，为在线识别YouTube视频传输模式提供了一种高效、可行的解决方案。