在移動互聯網迅猛發展的今天，視頻流已經成為我們日常生活中不可或缺的一部分。從追劇到刷短視頻，用戶對視頻流暢度和清晰度的要求越來越高，這背后是對“用戶體驗質量”（Quality of Experience, QoE）的極致追求。然而，一個長久以來的“信息孤島”難題橫亙在提升QoE的道路上：提供網絡服務的移動網絡運營商（Mobile Network Operator, MNO）和提供視頻內容的互聯網服務提供商（Over-The-Top, OTT）各自為政，掌握著不同層面的數據。MNO能清晰看到網絡層面的信號強度、吞吐量等指標（即網絡服務質量 QoS），卻對用戶正在觀看的視頻分辨率、編碼格式等應用層信息一無所知；反之，OTT深知其應用的表現，卻難以精準定位是哪個網絡環節導致了卡頓。這種數據割裂使得任何一方都難以全面、準確地評估和預測用戶的真實體驗，更不用說進行主動優化了。

特別是隨著5G時代的到來，問題變得更加復雜。5G網絡引入了毫米波、網絡切片等新技術，帶來了超高帶寬和超低延遲潛力的同時，也使得網絡環境更加動態和敏感。視頻服務本身也在升級，4K/60幀的高清視頻成為可能，這對預測模型提出了更高要求。以往基于4G網絡和較低分辨率視頻（如最高1080p/30幀）構建的QoE預測方案，在5G的新環境下可能不再適用。缺乏準確、實時的QoE感知，網絡運營商就無法進行以用戶體驗為中心的精準資源調度，可能導致寶貴的網絡資源被低效使用，而用戶的觀看體驗卻在不知不覺中受損。

為了解決這一核心挑戰，來自意大利卡利亞里大學的研究團隊在《Computer Networks》上發表了一項創新研究。他們提出了一種全新的框架，巧妙地將OTT與MNO協同起來，并依托5G開放無線接入網絡（Open RAN, O-RAN）這一開放、智能化的網絡架構，構建了一個完全基于網絡層參數的機器學習（ML）模型，用以精準預測視頻流服務的QoE。這項工作的意義在于，它首次在O-RAN框架內，為MNO提供了一套僅依靠自身可獲取的網絡數據（如信號質量、資源分配、用戶設備移動性等）就能準確估算用戶QoE的工具，打破了依賴OTT應用層數據的傳統瓶頸，為未來6G網絡中實現實時、智能的用戶體驗管理奠定了堅實基礎。

為實現上述目標，研究人員主要采用了以下幾項關鍵技術方法：首先，基于O-RAN聯盟定義的架構，在非實時無線智能控制器中設計了模型訓練模塊，在近實時無線智能控制器中部署了模型推理模塊，通過標準接口收集網絡數據。其次，利用自主開發的鏈路級仿真器，模擬5G微基站街道峽谷場景，生成了包含1萬臺各類終端設備在不同網絡條件和視頻參數下的合成數據集，其中QoE真值采用支持高達4K/60幀的ITU-T P.1204.3算法計算。最后，針對回歸任務，系統性地訓練并比較了七種監督機器學習模型，并通過網格搜索和交叉驗證進行超參數優化，以平衡預測精度與計算復雜度。

研究人員設計了一個將基于ML的QoE預測模型集成到O-RAN中的完整架構。該架構的核心創新在于設立了MNO與OTT之間的數據共享接口。在初始訓練階段，OTT利用其掌握的應用參數（視頻編解碼器、分辨率、幀率等），通過ITU-T P.1204.3模型計算出預估的QoE（以平均意見得分MOS表示），并通過RESTful API共享給MNO。MNO則將此作為訓練標簽，與自身監測到的網絡參數（如SINR、CQI、吞吐量、資源塊使用情況、設備移動性狀態等）進行關聯，用于訓練QoE預測模型。一旦模型訓練完成并部署，在推理階段，MNO便可以直接使用網絡數據實時預測QoE，而無需OTT的持續參與。

通過鏈路級仿真，研究團隊生成了一個大規模、多樣化的數據集。數據集涵蓋了移動設備、平板、個人電腦和電視四種終端類型，視頻分辨率從480p到4K，編碼包括H.264、H.265和VP9，幀率最高60fps，模擬了靜態和移動場景。對特征的分析顯示，吞吐量（Th）和能耗（Ec）與QoE的斯皮爾曼等級相關性最高（分別為0.91和-0.91），而信噪比（SINR）和信道質量指示（CQI）也表現出強相關性。有趣的是，雖然設備移動性（ν）單獨與QoE的相關性不高，但其與設備類型結合后，對QoE有區分作用，例如小屏移動設備在相同吞吐量下通常能獲得比大屏設備更高的QoE。

研究團隊訓練并評估了七種監督回歸模型：最小絕對收縮和選擇算子、線性回歸、支持向量回歸、k近鄰、多層感知器、隨機森林和梯度提升。性能評估采用R²、均方根誤差等指標。在所有模型中，梯度提升（Gradient Boosting, GB）回歸器取得了最優的預測性能，其R²達到0.906，均方根誤差為0.259。研究還對模型的計算復雜度進行了分析，指出像梯度提升和隨機森林這樣的集成方法在預測精度和計算開銷之間取得了良好平衡，適合在資源受限的網絡邊緣（如近實時無線智能控制器）部署。

為了測試模型在動態網絡環境下的實用性，研究人員模擬了信道條件隨時間連續變化的情況，并將訓練好的梯度提升模型應用于此時間序列數據進行QoE預測。結果表明，該模型能夠有效地跟蹤QoE隨時間的變化趨勢，即使在網絡質量波動時，也能提供相對準確的QoE估計，證明了其在實時網絡管理中的潛在應用價值。

本研究成功提出并驗證了一個面向5G O-RAN的、基于網絡層機器學習的視頻流QoE預測框架。該框架的核心貢獻是雙重的：一是架構創新，通過定義標準化的數據共享接口，將OTT的QoE評估能力與MNO的網絡管理能力在O-RAN體系內有機結合，使MNO能夠克服長期存在的應用數據缺失瓶頸；二是算法創新，提出并驗證了一個高效的QoE預測模型，該模型僅利用MNO可獲取的網絡和移動性數據，即可實現高精度（R²> 0.9）的QoE預測，且性能最佳的梯度提升模型在復雜度和準確性上達到了理想平衡。

這項研究的重要意義在于，它為未來移動網絡（尤其是5G-Advanced和6G）的智能化運營提供了關鍵的技術路徑。通過實現準確、實時的用戶體驗感知，網絡運營商可以從傳統的以網絡為中心的資源管理，轉向以用戶體驗為中心（QoE-aware）的精準優化。例如，基于預測的QoE，網絡可以動態地為體驗即將降級的用戶優先分配資源，或觸發切換流程，從而在整體網絡資源受限的情況下，最大化用戶的滿意度和忠誠度。這不僅提升了用戶體驗，也為OTT和MNO之間開創了新的合作模式與商業模式。最終，這項工作推動了開放、智能、用戶感知的網絡演進，為構建真正以人為中心的未來網絡奠定了基礎。