本文精選自《廣播與電視技術(shù)》2025第11期，閱讀原文請(qǐng)?jiān)L問(wèn)“廣電獵酷”小程序“”。

隨著廣播電視網(wǎng)絡(luò)向IP化、云化、智慧化方向持續(xù)演進(jìn)，傳統(tǒng)以廣播為中心、單向傳輸?shù)姆忾]式架構(gòu)已逐步轉(zhuǎn)型為支持多業(yè)務(wù)協(xié)同和內(nèi)容交互的開(kāi)放式融合網(wǎng)絡(luò)。然而，當(dāng)前廣電網(wǎng)絡(luò)中仍普遍采用基于RFC2544、ITU-TY.1541等標(biāo)準(zhǔn)構(gòu)建的網(wǎng)絡(luò)質(zhì)量評(píng)估體系，這些體系以鏈路性能為核心，側(cè)重帶寬、時(shí)延、丟包率、抖動(dòng)等物理層指標(biāo)[1][2]。面對(duì)超高清視頻、云游戲、智慧家庭等新業(yè)務(wù)時(shí)，這類指標(biāo)難以全面反映服務(wù)質(zhì)量與用戶體驗(yàn)之間的復(fù)雜關(guān)系，傳統(tǒng)“可用性導(dǎo)向”的網(wǎng)絡(luò)評(píng)價(jià)模式正面臨從“體驗(yàn)感知導(dǎo)向”向“智能預(yù)測(cè)閉環(huán)調(diào)優(yōu)”范式的轉(zhuǎn)變。

本文聚焦于IP化環(huán)境下的廣電網(wǎng)絡(luò)關(guān)鍵指標(biāo)體系重構(gòu)，提出基于AI的三類核心指標(biāo)（感知體驗(yàn)類、智能推理類、服務(wù)行為類）劃分方法，構(gòu)建多模型融合的指標(biāo)建模與重構(gòu)，旨在為廣電行業(yè)實(shí)現(xiàn)以用戶體驗(yàn)為中心的智能服務(wù)保障體系提供理論基礎(chǔ)與技術(shù)支撐。

本文作者：

趙明，曹凱

國(guó)家廣播電視總局廣播電視科學(xué)研究院

第一作者簡(jiǎn)介：

趙明，男，1979年生，高級(jí)工程師，主要從事有線電視網(wǎng)絡(luò)、業(yè)務(wù)系統(tǒng)和大數(shù)據(jù)技術(shù)研究工作。

NO.1

廣電網(wǎng)絡(luò)IP化的演進(jìn)特征與指標(biāo)重構(gòu)需求

廣播電視網(wǎng)絡(luò)的IP化不僅是底層傳輸協(xié)議向IP協(xié)議的轉(zhuǎn)變，更是推動(dòng)網(wǎng)絡(luò)結(jié)構(gòu)由單向廣播體系向面向用戶需求、支持交互、兼容互聯(lián)網(wǎng)協(xié)議棧的智能化架構(gòu)演進(jìn)。

這一體系的核心特征包括：網(wǎng)絡(luò)承載向全業(yè)務(wù)協(xié)同拓展（支持視頻、數(shù)據(jù)、語(yǔ)音等多類型負(fù)載），傳輸協(xié)議向統(tǒng)一標(biāo)準(zhǔn)演進(jìn)（支持IPv6、QUIC、HTTP/3等），網(wǎng)絡(luò)邊界向用戶終端延伸（強(qiáng)調(diào)多屏互動(dòng)與家庭智能節(jié)點(diǎn)協(xié)同），網(wǎng)絡(luò)控制向中心智能調(diào)度和邊緣自適應(yīng)結(jié)合的架構(gòu)轉(zhuǎn)型[3]。

在網(wǎng)絡(luò)IP化進(jìn)程的推動(dòng)下，傳統(tǒng)“性能描述型指標(biāo)體系”亟需轉(zhuǎn)向“行為預(yù)測(cè)與控制導(dǎo)向指標(biāo)體系”，為后續(xù)的AI重構(gòu)路徑提供理論準(zhǔn)備與實(shí)踐。

NO.2

廣電網(wǎng)絡(luò)關(guān)鍵指標(biāo)體系的AI重構(gòu)路徑設(shè)計(jì)

為適應(yīng)內(nèi)容播控、互動(dòng)服務(wù)、智能終端接入等多場(chǎng)景運(yùn)行需求，需從指標(biāo)對(duì)象、采集維度、生成邏輯和反饋能力等方面對(duì)現(xiàn)有體系進(jìn)行重構(gòu)。AI技術(shù)為重構(gòu)提供了模型支撐與方法路徑，根據(jù)指標(biāo)的生成方式和支撐目標(biāo)，本文提出將AI驅(qū)動(dòng)的廣電網(wǎng)絡(luò)關(guān)鍵指標(biāo)劃分為以下三類：

第一類為感知體驗(yàn)驅(qū)動(dòng)指標(biāo)（QoE-awareKPIs），旨在將用戶主觀體驗(yàn)映射為可觀測(cè)、可預(yù)測(cè)的數(shù)值型指標(biāo)。這類指標(biāo)主要包括：基于視頻觀看行為預(yù)測(cè)的主觀評(píng)分（如MOS）、播放卡頓率、互動(dòng)響應(yīng)時(shí)延、視頻清晰度等。典型建模方法為支持向量回歸（SVR）、多層感知機(jī)（MLP）與時(shí)序模型（如長(zhǎng)短記憶網(wǎng)絡(luò)LSTM）[4]。

第二類為智能推理類指標(biāo)（AI-inferred KPIs），用于補(bǔ)充傳統(tǒng)方法難以直接測(cè)量的性能要素，如節(jié)點(diǎn)健康度、鏈路退化趨勢(shì)、負(fù)載平衡壓力等。這類指標(biāo)需依賴AI算法對(duì)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)與歸納，如使用圖神經(jīng)網(wǎng)絡(luò)（GNN）建模拓?fù)湟蕾囮P(guān)系，使用無(wú)監(jiān)督算法（如Isolation Forest）識(shí)別異常模式，形成對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)的高維抽象與風(fēng)險(xiǎn)預(yù)測(cè)能力。

第三類為服務(wù)行為驅(qū)動(dòng)指標(biāo)（Service-actionable KPIs），強(qiáng)調(diào)指標(biāo)對(duì)調(diào)度控制、資源分配等策略機(jī)制的實(shí)時(shí)支撐能力。典型代表包括：視頻編碼參數(shù)動(dòng)態(tài)調(diào)整頻次、智能分發(fā)路徑切換頻次、局部流量控制成功率等。這類指標(biāo)通常由強(qiáng)化學(xué)習(xí)模型（如Q-learning）學(xué)習(xí)并驅(qū)動(dòng)，實(shí)現(xiàn)服務(wù)行為與性能反饋的動(dòng)態(tài)閉環(huán)控制。

上述三類AI重構(gòu)指標(biāo)，不僅在定義方式上區(qū)別于靜態(tài)KPI，更強(qiáng)調(diào)其“感知-推理-響應(yīng)”能力的一體化聯(lián)動(dòng)。未來(lái)指標(biāo)體系設(shè)計(jì)應(yīng)兼顧可測(cè)量性、可預(yù)測(cè)性與可反饋性，并基于AI模型持續(xù)迭代優(yōu)化，使指標(biāo)成為驅(qū)動(dòng)廣電網(wǎng)絡(luò)智能運(yùn)行的核心算子。

NO.3

指標(biāo)體系在典型業(yè)務(wù)場(chǎng)景中的融合應(yīng)用

交互視頻服務(wù)與家庭寬帶業(yè)務(wù)作為廣電網(wǎng)絡(luò)IP化轉(zhuǎn)型中的核心業(yè)務(wù)形態(tài)，隨著業(yè)務(wù)形態(tài)由“線性廣播”向“個(gè)性化點(diǎn)播”擴(kuò)展，原有以鏈路穩(wěn)定性為核心的保障模式難以支撐服務(wù)體驗(yàn)的動(dòng)態(tài)優(yōu)化需求。在交互視頻業(yè)務(wù)場(chǎng)景中，通過(guò)基于AI的智能編碼控制系統(tǒng)可實(shí)現(xiàn)對(duì)碼率、分辨率、GOP結(jié)構(gòu)等參數(shù)的實(shí)時(shí)調(diào)優(yōu)，從而有效降低網(wǎng)絡(luò)波動(dòng)對(duì)播放體驗(yàn)的影響。通過(guò)MOS評(píng)分變化趨勢(shì)判斷用戶體驗(yàn)波動(dòng)后，系統(tǒng)可動(dòng)態(tài)調(diào)用服務(wù)行為類指標(biāo)對(duì)應(yīng)的調(diào)度策略，自動(dòng)完成視頻清晰度、碼率或路徑的調(diào)整，從而實(shí)現(xiàn)體驗(yàn)驅(qū)動(dòng)下的智能決策過(guò)程。

在家庭寬帶業(yè)務(wù)中，借助AI技術(shù)對(duì)終端行為、用戶訪問(wèn)模式、帶寬使用趨勢(shì)等數(shù)據(jù)的學(xué)習(xí)與聚類，系統(tǒng)能夠識(shí)別出潛在網(wǎng)絡(luò)瓶頸（如信道擁堵、功率不足等），并據(jù)此主動(dòng)進(jìn)行頻段切換、功率調(diào)整、限速策略重配置等操作，提升家庭Wi-Fi服務(wù)的自適應(yīng)與穩(wěn)健性。其中，K-means聚類方法常用于感知用戶接入環(huán)境，其目標(biāo)函數(shù)如下：

在該場(chǎng)景中，可表示為用戶終端采集的信道干擾強(qiáng)度、接入速率等特征向量，表示該聚類區(qū)域內(nèi)的平均接入條件。通過(guò)最小化聚類內(nèi)異質(zhì)性，系統(tǒng)能夠識(shí)別出信道擁擠區(qū)或接入質(zhì)量邊緣區(qū)，進(jìn)而推動(dòng)邊緣智能設(shè)備對(duì)接入?yún)?shù)進(jìn)行優(yōu)化調(diào)整，最終提升整體覆蓋均衡性與資源調(diào)度效率。

總之， AI 驅(qū)動(dòng)的關(guān)鍵指標(biāo)體系在廣電 IP 化業(yè)務(wù)中并非孤立存在，而是與具體業(yè)務(wù)流程深度融合。通過(guò)交互視頻服務(wù)和家庭寬帶兩個(gè)典型應(yīng)用場(chǎng)景的闡述，展示了感知類、推理類、行為類指標(biāo)在實(shí)際業(yè)務(wù)中的聯(lián)動(dòng)機(jī)制與決策作用，體現(xiàn)了從技術(shù)建模到落地應(yīng)用的完整鏈條。

NO.4

指標(biāo)體系變革趨勢(shì)與未來(lái)發(fā)展建議

AI技術(shù)正在深刻變革廣電網(wǎng)絡(luò)質(zhì)量評(píng)估體系，從指標(biāo)類型的多元化、模型體系的復(fù)雜化到運(yùn)行機(jī)制的閉環(huán)化，廣電網(wǎng)絡(luò)正逐步建立起以“感知-推理-響應(yīng)”為主線的智能服務(wù)保障能力結(jié)構(gòu)。

在AI驅(qū)動(dòng)下，關(guān)鍵指標(biāo)體系正向三個(gè)方向加速演進(jìn)：一是從靜態(tài)觀測(cè)向動(dòng)態(tài)預(yù)測(cè)過(guò)渡，強(qiáng)調(diào)指標(biāo)的實(shí)時(shí)性和趨勢(shì)感知能力；二是從單點(diǎn)反饋向多模型融合推進(jìn)，通過(guò)多維特征聯(lián)合建模實(shí)現(xiàn)服務(wù)態(tài)勢(shì)的綜合判斷；三是從被動(dòng)支撐向主動(dòng)調(diào)優(yōu)轉(zhuǎn)化，形成“指標(biāo)即策略”的運(yùn)行邏輯，為網(wǎng)絡(luò)調(diào)度、用戶服務(wù)與系統(tǒng)配置提供智能依據(jù)。面向未來(lái)發(fā)展，建議從以下四個(gè)方面持續(xù)推進(jìn)關(guān)鍵指標(biāo)體系的演進(jìn)與應(yīng)用：

第一，構(gòu)建廣電行業(yè)統(tǒng)一的AI指標(biāo)標(biāo)準(zhǔn)體系，明確指標(biāo)分類、建模規(guī)范與接口格式，推動(dòng)技術(shù)體系的可復(fù)制、可遷移和跨平臺(tái)兼容。

第二，強(qiáng)化邊緣智能部署能力，將指標(biāo)模型部署至網(wǎng)絡(luò)邊緣側(cè)，實(shí)現(xiàn)數(shù)據(jù)本地處理、服務(wù)實(shí)時(shí)響應(yīng)與調(diào)度閉環(huán)優(yōu)化，提升指標(biāo)的實(shí)效性與經(jīng)濟(jì)性。

第三，探索大模型與多模態(tài)融合機(jī)制，結(jié)合語(yǔ)言、圖像、結(jié)構(gòu)化網(wǎng)絡(luò)數(shù)據(jù)，提升指標(biāo)體系對(duì)復(fù)雜場(chǎng)景下用戶體驗(yàn)的感知與解釋能力，拓展AI模型在服務(wù)感知、內(nèi)容識(shí)別、行為預(yù)測(cè)等方向的適配力。

第四，加強(qiáng)數(shù)據(jù)安全與AI模型治理，建立廣電領(lǐng)域數(shù)據(jù)采集、使用與模型訓(xùn)練中的合規(guī)機(jī)制，確保指標(biāo)體系在服務(wù)個(gè)性化與用戶隱私之間實(shí)現(xiàn)可控平衡。

通過(guò)持續(xù)推進(jìn)AI驅(qū)動(dòng)的指標(biāo)體系演化，廣電網(wǎng)絡(luò)將在服務(wù)智能化、運(yùn)維自動(dòng)化和體驗(yàn)精準(zhǔn)化等方面構(gòu)建更加堅(jiān)實(shí)的支撐基礎(chǔ)。

NO.5

結(jié)束語(yǔ)

在廣電網(wǎng)絡(luò)IP化背景下，AI技術(shù)在指標(biāo)體系重構(gòu)與業(yè)務(wù)融合中起到了核心作用。AI算法的引入不僅增強(qiáng)了廣電網(wǎng)絡(luò)對(duì)復(fù)雜業(yè)務(wù)狀態(tài)的認(rèn)知能力，也為網(wǎng)絡(luò)自適應(yīng)調(diào)度與服務(wù)質(zhì)量?jī)?yōu)化提供了技術(shù)支撐。未來(lái)，隨著AI模型泛化能力、數(shù)據(jù)治理能力的提升，以及跨域指標(biāo)協(xié)同的進(jìn)一步深化，廣電行業(yè)有望借助面向全業(yè)務(wù)鏈條、全生命周期的智能化指標(biāo)體系，實(shí)現(xiàn)廣播電視網(wǎng)絡(luò)的高質(zhì)量、智能化發(fā)展。

本文受廣播電視科學(xué)研究院2024年度基本科研業(yè)務(wù)費(fèi)項(xiàng)目“有線電視網(wǎng)絡(luò)IP化關(guān)鍵指標(biāo)及測(cè)評(píng)方法研究”支持（項(xiàng)目編號(hào)：JBKY20240150）。

end

參考文獻(xiàn)

[1]RFC2544.BenchmarkingMethodologyforNetworkInterconnectDevices[S].IETF,1999.

[2]ITU-T.Y.1541:NetworkperformanceobjectivesforIP-basedservices

[S].Geneva:InternationalTelecommunicationUnion,2011.

[3]中興通訊股份有限公司.IP網(wǎng)絡(luò)未來(lái)演進(jìn)技術(shù)白皮書(shū)[R].2021.

[4]ZhangH,DongL,GaoG,etal.DeepQoE:AMultimodalLearningFrameworkforVideoQualityofExperience(QoE)Prediction[J].IEEETransactionsonMultimedia,2020,

[5]HochreiterS,SchmidhuberJ.LongShort-TermMemory[J].NeuralComputation,1997,9(8).

[6]KipfTN,WellingM.Semi-SupervisedClassificationwithGraphConvolutionalNetworks[J].2016.

[7]SuttonR,BartoA.ReinforcementLearning:AnIntroduction[M].MITPress,1998.

《廣播與電視技術(shù)》、“廣電獵酷”廣告經(jīng)營(yíng)與商務(wù)合作代理：

北京中廣信通文化傳媒有限公司

聯(lián)系人：李聰

聯(lián)系電話：18518221868

好文共賞請(qǐng)轉(zhuǎn)發(fā) 有話要說(shuō)請(qǐng)留言