《表1 不同视频业务识别算法的性能和优缺点对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《视频业务识别方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

文献[9]在相同数据集（不同时间、不同地点采集的7个数据集）、相同ground-truth标记方法的情况下比较了基于端口、基于BLINC的方法对视频业务的识别性能。结果表明，基于端口的视频业务识别方法精度为4%～90%，召回率为70%～96%。大部分数据集的视频识别精度低于60%，说明视频应用的默认端口容易被其他应用占用，因此基于端口的业务识别方法应用于视频业务时，只适合于实时要求高、精度要求较低的情形。此外，将基于BLINC的业务识别方法应用于7个数据集中，结果表明，部分数据集中对视频业务识别的精度和召回率都为零，另一部分数据集精度达到95%，召回率为10%左右。因此，基于BLINC的方法对视频业务的识别能力不稳定，不适合召回率要求较高的情形。文献[31]在相同数据集的基础上，对比了基于DPI的业务识别方法和三种业务识别方法（基于端口、基于DPI及基于决策树）串联的方法对优酷视频的识别准确率。结果表明，基于DPI的方法对优酷视频的识别准确率为73.7%，三种业务识别方法串联之后对优酷视频的识别准确率达到95.5%。此结果表明多种业务识别方法串联相对于单一的业务识别方法有很大的识别性能提升，也说明基于机器学习的业务识别方法相对基于DPI的方法对视频业务有更好的识别性能。目前由于缺少公开可用的数据集，无成熟完备的视频业务识别平台等原因，无法对各种视频业务识别方法进行比较严格的性能对比。综合前两节介绍的6类业务识别方法相关实验和结果，以及董育宁等人[34]整理的各类业务识别方法性能比较，我们对本文介绍的各类视频业务识别方法的应用场景、性能和优缺点进行了整理与对比，如表1所示。在进行视频业务识别时，可以根据性能需求以及能获得的特征来选择合适的方法以获得最好的识别性能。其中在准确率方面，除了基于端口的业务识别方法，其他方法对视频业务的识别准确率都在90%以上，但基于无监督机器学习的识别方法和基于BLINC的识别方法性能不太稳定。