Main Idea
首先，这篇文章的主要目的在于预测网络吞吐量，来辅助DASH，使得用户的QoE能更好地提高。
对吞吐率的预测是实时的，所以对于初始化和播放途中都可以起作用。
网络吞吐量
在流媒体播放的时候，客户端会有一个Buffer，播放器会以一定速率取走视频内容，网络会以一定速率填充Buffer，此处后者的速率就是所指的网络吞吐量。
其特点是通过分析历史数据来预测的，因此称为Data-driven
首先确定工作的价值
为什么需要预测吞吐量
- 对初始码率选择有意义
- 中途想修改码率时，预测吞吐量越准得到的QoE越高
数据分析
他们写论文的方式一般会先对所取得的数据集进行分析，得到一些结论，这些结论可能包括但不限于：
- 性能改进的瓶颈，或者说，对哪些地方进行改进才能有效提高性能
- 性能改进的潜力，如果能把这些都改好了，能带来多大的改善
总之这些分析会对其后文提出的方法增加说服力，使他们的工作看上去贡献更大。
得到的结论
- 在播放过程中，吞吐量的抖动很大=》需要在播放中调整码率
- 吞吐量变化用简单模型预测准确率不高=》需要更复杂的预测
- 吞吐量的变化呈现出状态性=》可以通过HMM改进
隐马尔可夫模型
参考：如何用简单易懂的例子解释隐马尔可夫模型？
不可见状态之间有转换概率，每个不可见状态到可见状态下有输出概率。
实际问题中，往往有下列三种问题：
- 知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），我想知道每次掷出来的都是哪种骰子（隐含状态链）。
先验方法和后验方法都可以解
- 还是知道骰子有几种（隐含状态数量），每种骰子是什么（转换概率），根据掷骰子掷出的结果（可见状态链），我想知道掷出这个结果的概率。
用来检测观察到的结果与已知的模型是否吻合
- 知道骰子有几种（隐含状态数量），不知道每种骰子是什么（转换概率），观测到很多次掷骰子的结果（可见状态链），我想反推出每种骰子是什么（转换概率）。
最常见的问题
- 相似特征的session吞吐量变化模式相似=》可以通过分析数据来预测
- 特征对session吞吐量的影响不是单一的，而是几种共同影响的=》不能使用简单模型去预测
举例子就是，同一个城市里看优酷的才相似，不能只研究城市对吞吐量的影响，也不能只研究看优酷视频对吞吐量的影响
具体方法
根据前面的分析，可以通过一些特征相似的session来预测现在的session，并且对于同一个session，它的吞吐量变化呈现出状态性
因此需要：
- 把特征相似的session聚类到一起
- 对于这些特征相似的session，总结出一个HMM模型
本文的方法主要由两部分组成：
- 离线算法部分：通过分析数据和机器学习等方式，判断重要的特征，得到合适的聚类和对应的HMM
- 在线算法部分：为当前session匹配到离线算法算出来的合适的类里，然后利用离线算法得到的对应HMM进行吞吐量预测
笔记
笔记一下其中的一些数据分析手段
- 基本统计变量：cdf、pdf、标准差、均值等
- 相关性图：t时刻与t+1时刻的散点图【重点是巧妙地找需要画相关性图的两个变量】
- 根据特征把数据集分类，然后统计不同cluster的同一种性质，比较特征在其中起的作用
- 评价特征对数据的影响：信息增益等
信息熵
一个数据集的信息熵为∑i∈E−pilog2pi// ，其中i// 表示数据集里的事件，pi// 表示i所占的比例，例如一个布尔二元的数据集，14个人，其中3个人吃了早餐，11个人没吃，那么i总共有两个，“吃早餐”和“没吃早餐”。
信息熵的意义在于，确定了要编码集合S中任意成员的分类所需要的最少二进制位数。
比如：如果全员都吃早餐，不需要额外表示；如果吃早餐的人和不吃早餐的人一样多，可以用1表示吃了，0表示没吃；如果吃早餐的人比没吃早餐的人多很多，那么用更短的位数表示吃早餐，用更长的位数表示没吃，平均下来每条消息的长度小于1。
信息增益
其中 Values(A)是属性A所有可能值的集合，Sv是S中属性A的值为v的子集，注意上式第一项就是原集合S的熵，第二项是用A分类S后的熵的期望值，第二项描述的期望熵就是每个子集的熵的加权和，权值为属性Sv的样例占原始样例S的比例|Sv|/|S|,所以Gain(S,A)是由于知道属性A的值而导致的期望熵减少，换句话来讲，Gain(S,A)是由于给定属性A的值而得到的关于目标函数值的信息。当对S的一个任意成员的目标值编码时，Gain(S,A)的值是在知道属性A的值后可以节省的二进制位数。
条件熵
上图减号后半部分好像就是条件熵，为A条件下的条件熵
相对信息增益
等于1−H(Y|X)H(Y)// ，即Gain(S,A)Entropy(S)//