确定视频会话中重新缓冲事件的方法

确定视频会话中重新缓冲事件的方法
【专利摘要】一种用于在网络节点中确定客户端和服务器之间的http自适应流媒体视频会话中是否存在重新缓冲事件的方法，该方法包括在操作模式中的以下步骤：收集所述视频会话的随后的http GET消息，提取所述视频会话的特征向量，比较所述特征向量与在早前执行的训练模式中确定的任务依赖性特征集，从而获得所述视频会话的减少的特征集，以及从所述减少的特征集中获得所述视频会话是否包括重新缓冲事件的指示。
【专利说明】
确定视频会话中重新缓冲事件的方法
[0001] 本发明要求享有2014年3月6日提交的申请号为14305323.9的欧洲专利申请的优 先权。
技术领域
[0002] 本发明设及一种方便地确定重新缓冲事件的方法，该重新缓冲事件可W在W后使 用，例如被论文巧TTP自适应流媒体的会话重构"（Raf Huysegems等，IWQ0S，2012年16邸第 20次服务质量国际研讨会，第1-9页，XP032207367)中描述的方法使用，从而确定该会话的 质量分数。
[0003] 在线视频业务成为互联网主流。视频观看过程中的体验质量（下面缩写为QoE)是 在线视频市场中的重要成功因素。随着基于视频传输的HTTP自适应流媒体（下面缩写为 HAS)的流行和成长，W及HAS操作部署的数量不断增加，网络和内容传输提供商对监控其网 络上的HAS会话的终端用户感知体验质量的兴趣不断提升，因为运会告诉他们终端用户对 所观看视频的满意度。但是，通常只有客户端应用程序才知道重新缓冲事件的发生和持续 时间，并非总是有向内容提供商提供运些信息的上行质量报告。
[0004] 因此，在前面提到的论文中描述了一种基于网络的QoE评价机制，该机制用于帮助 理解在客户端侧发生的QoE事件。该机制一方面需要QoE相关参数，例如由请求的比特率及 其变化所代表的质量水平，质量切换等，另一方面需要冻结(打eeze)相关参数(也表示为重 新缓冲参数），包括重新缓冲时间的存在(或不存在），重新缓冲事件的位置，重新缓冲事件 的持续时间，重新缓冲事件的频率等。虽然可W从网络或CD脚是供商接收的HTTP "GET"消息 序列直接获得质量相关QoE参数，但是重新缓冲相关参数必须依赖于前述专利申请中描述 的会话重构。
[0005] 在所述专利申请中还提到，为了在服务器或网络模块上获得冻结或重新缓冲相关 QoE参数，必须完全重构所有的会话，不管它们是否包含重新缓冲事件。此外，只有在执行会 话重构之后，才能够直到会话是否包含重新缓冲事件。运意味着不仅大量浪费计算资源，还 需要重构不存在重新缓冲事件的良好会话。此外，会话重构要求付出人力W针对重构限定 一套启发法依赖性规则，运会导致在出现新的启发法时出现某些可扩展性问题。

【发明内容】

[0006] 因此，需要在执行会话重构之前快速、自动地确定视频会话是否包含重新缓冲事 件，例如与冻结对应的重新缓冲事件。运会避免重构不存在冻结的会话，只在有问题的会话 上花费资源。
[0007] 因此，本发明的实施方式的一个目的是提出一种不存在现有技术方法固有缺陷的 改进方法，从而提供一种方便地识别视频传输会话中是否存在冻结的系统和方法。根据本 发明的实施方式，该目的由提供的一种用于在网络节点中确定客户端和服务器之间的http 自适应流媒体视频会话中是否存在重新缓冲事件的方法实现，该方法包括在操作模式中的 W下步骤：
[000引-收集所述视频会话的随后的http GET消息；
[0009] -提取所述视频会话的特征向量；
[0010] -比较所述特征向量与在早前执行的训练模式中确定的任务依赖性特征集，从而 获得所述视频会话的减少的特征集；
[0011] -从所述减少的特征集中获得所述视频会话是否包括重新缓冲事件的指示。
[0012]通过运种方式，获得了一种用于快速识别有问题视频会话的全自动化方法。
[0013] 在一种实施方式中，所述任务依赖性特征集进一步使得能够确定是否存在超过预 定持续时间限制的重新缓冲事件。
[0014] 运进一步实现了在存在冻结或重新缓冲时，确定该冻结是否能够被认为是"长"冻 结或者短冻结，运是由预定的阔值持续时间确定的。
[0015] 类似地，在另一种实施方式中，还可W通过另一个任务依赖性特征集检测是否存 在多个冻结。
[0016] 在一种实施方式中，所述客户端适于在训练模式中监控重新缓冲事件，并将所述 信息提供给所述网络节点，由此通过比较训练期间所述视频会话的特征向量与来自所述客 户端的实时重新缓冲数据来获得所述任务依赖性特征集，并且从所述特征向量中提取至少 一个最有可能的特征，该最有可能的特征最广泛地指示重新缓冲事件。
[0017] 运确保了任务依赖性特征集是基于客户端获得的真实测量。
[0018] 根据另一种实施方式，在所述训练模式中，确定包括一系列步骤的模型W在所述 操作模式期间进一步应用于所述减少的特征集，从而从所述减少的特征集中获得是否存在 重新缓冲事件的指示。
[0019] 运些模型W后在操作模式中使用，从而快速评估所述减少的特征集的值。
[0020] 本发明还设及一种用于执行上述方法的系统，一种包括该系统的网络节点，W及 一种计算机程序，该计算机程序适于当在处理装置上执行时执行方法步骤。
【附图说明】
[0021] 通过下面参考附图对实施方式的描述，本发明的上述和其他目的和特征将变得更 加明显，可W最佳地理解本发明。
[0022] 图la是在正常操作模式中确定重新缓冲事件的系统的操作示意图；
[0023] 图化是在学习模式中确定重新缓冲事件的系统的操作示意图；
[0024] 图2显示了用于特征提取的方法的实施方式的细节；
[0025] 图3和4显示了用于在训练模式中获得任务依赖性特征集的方法的实施方式的细 节，W及如何根据训练结果并且根据在线测量确定(多个)冻结发生的快速评估和其长度的 指示；
[0026] 图5显示了完整系统的一种实施方式。
【具体实施方式】
[0027] 需要注意，图中所示各种元件的功能，包括标记为"处理器"的任何功能块，可W通 过使用专用硬件，W及能够执行与合适软件相关的软件的硬件提供。当由处理器提供时，功 能可W由单个专用处理器提供，由单个共享处理器提供，或由多个处理器提供，多个处理器 中的一些可w被共享。此外，术语"处理器"或"控制器"的明确使用不应理解为独指能够运 行软件的硬件，可W非限制性地隐含数字信号处理器(DSP)硬件，网络处理器，特殊应用集 成电路(ASIC)，现场可编程口阵列(FPGA)，用于存储软件的只读存储器(ROM),随机接入存 储器(RAM)和非易失存储器。还可W包括其它常规和/或定制硬件。它们的功能可W通过程 序逻辑的运行实现，通过专业逻辑实现，通过程序控制和专用逻辑的交互实现，甚或通过实 施者可选择的特定技术手动实现，可W从上下文来更具体地理解特定技术。
[0028] 本领域技术人员还可W理解，本文中的任何框图代表体现本发明原理的说明性电 路的概念视图。同样，可W理解的是，任何流程图，流程图表，状态转换图，虚拟码等均代表 各种程序，运些程序随后可W被呈现在计算机可读的介质中，并由计算机或处理器执行，而 不管该计算机或处理器是否被明确地示出。
[0029] 图5和la-b显示了用于确定ht化会话中冻结的系统的实施方式的高级概述。系统 包括多个模块，运些模块可W利用单个处理器实现，或者作为替代选择，可W分布在网络内 的多个物理服务器或处理器之间。
[0030] 网络可W是移动网络或固定网络，或其任意组合。网络概略地由云表示，该云位于 视频服务器和标记为客户端1至客户端N的多个客户端之间。服务器和客户端之间的视频传 输利用了 ht化自适应流媒体协议，意味着针对客户端和服务器之间各个视频会话的每个视 频分段，各个客户端从服务器请求特定的质量，通常W比特率表示。对于一个分段和各个客 户端1至N，运些请求标记为GE化eql至GE化eqN，并且运些请求由各个客户端在图la中的步 骤（1)中发送。为了不使图la超负荷，只显示了每个视频会话的多个连续请求中的一个。运 些GET请求由系统的一种实施方式中包括的第一模块拦截，该模块标记为100。模块100因此 适于拦截，W及在图la-b和4所示的实施方式中，在步骤(2)中未修改地将运些GET请求传输 至视频服务器之前，记录并临时存储从N个客户端向视频服务器发送的运些ht化"GET"请求 的副本。
[0031] 在图la-b所示的实施方式中，模块100因此收集并存储不同视频客户端和视频服 务器之间所有会话的所有连续GET请求的副本，直到运些会话结束。一旦会话结束，记录的 GET请求在步骤(3)中被提供给视频会话解析模块200。
[0032] 在附图未显示的另一种实施方式中，模块100只拦截ht化GET请求，并立即将副本 提供给视频解析模块200,视频解析模块200适于收集和存储运些GET请求。该模块200的主 要功能是解析，因此分析它从记录模块100接收的http GET请求，W及将接收的各个请求分 类为各个客户端的单个视频会话，所述客户端具有相应IP地址或唯一的会话秘钥。通过运 种方式，N个客户端的N各会话的随后的GET数据被分为N个类别，每视频会话一个类别。
[0033] 在该分类之后，N套GET请求数据(每个视频会话一套)在步骤(4)中提供给特征提 取模块300,特征提取模块300适于生成N个视频会话中的每一个的单个特征向量。为此，模 块300已经需要来自训练模块的一些数据，更具体地，表示估算分段长度的参数SegLength， W及表示要考虑的多个相邻分段的参数K，所述参数早前由训练模块500确定。
[0034] 模块300接下来确定2K值的集合，在Κ = 20的情况下，如果所述集合表示为向量，贝U 将构成40个元素的特征向量。
[0035] 但是，Κ也可W为不同值。
[0036] 在图2所示的示例中，描述了Ξ种示例性情况，Κ值的范围为1至3。
[0037]在图2中，左上方的时间线概略显示了一个特定客户端的一个特定视频会话的时 序图。为了不使图超负荷，省略了识别该客户端的索引。该客户端的请求连续分段的连续 GET请求的发生（由视频会话处理模块提供）由从上到下并结束于该时间线上的箭头表示。 每次接收到GET请求，索引j增长。当接收到第一 GET请求时，该索引还在时间线的底部概略 地显示，从值1开始。连续GET请求之间的连续时间间隔由Ij指示，j再次指示与GET发生有关 的时间实例的离散数。假设视频分段长度是固定的，基于该假设，可W根据如，/ 计算一系列K个相邻分段之间的平均分段间持续时间，其中Ij是索引为j+1和j的两个连续 请求之间的时间。
[003引对于k= 1，该值dl, j将总是等于Ij，如同该上时间线(upper timeline)下面显示 的那样。
[0039]根据W下等式计算k个分段窗口的最低估计缓冲时间，其被视为重新缓冲发生的 可能位置：
[0042]为了检测多个冻结，我们还在我们的特征集中包括了第二最低估计缓冲时间。
[0045] 对于k=l，如上所述，针对每个分段只考虑一个相邻分段
等于 两个连续分段j+1与j之间的持续时间。对于j的连续值的du的连续值在每个视频分段下面 概略显示。
[0046] 根据公式(2)
[0047] 针对该特定示例，对于所有du间隔(其为dl,4)中的最长者，索引j对应于4。
[004引根据公式（1)，bi,i的值计算为等于4*SegLength-(ll+12+13+14)。
[0049]运被视为指示在时期（11+12+13+14)内重新缓冲事件最可能发生的时间。
[(K)加]根据公式(4)
[0051] 对于该特定示例。
[0052] 根据公式(2)，b2,i的值计算为3*Seglength-(ll+12+13)。
[0053] 对于该特定示例，并且该示例与具有重新缓冲事件的第二最可能时间实例有关， 并且对于该特定示例。
[0054] 对于k = 3或者更大，可W执行相似的计算，差异将在于相邻间隔的范围，构成检查 冻结发生的窗口，其直接受K的值影响。在图2中运由其他时间线进一步概略地显示。为了不 使附图超负荷，从运些时间线中省略了索引j指示。但是，它和上时间线中指示的类似。
[0055] 总之，对于K的特定值，并且对于特定会话，提取特征向量x = (bi,i，bi,2,…，bi,k, b2,l，b2,2,…b2,k)W表示单个视频会话的高级信息。因此，单个视频会话现在由特征向量表 示，在Κ = 20的情况下，特征的列数等于40。
[0056] 在正常操作期间，Ν个客户端的特征向量被提供给特征选择模块400。在正常操作 体制中，图la中的开关S因此被放到右侧，从而为模块400提供视频会话特征。如图la所示， 在该模块中，它们与从训练模块500接收的数据TDFS相比较。
[0057] 模块400的输出是减少的特征集，表示为RFS，将在稍后段落中结合该模块的操作 一起对此进行解释。
[005引运些WS结果接下来被提供给模块700,模块700使用减少的特征集，W及从模型存 储模块600接收的模型。将在后面的段落中对其操作进行描述。该模块700(表示为冻结评估 模块)的输出将是每个视频会话的简短总结:是否存在冻结，是否存在多个冻结，W及其为 短冻结还是长冻结。更多细节将在后面的段落中提供。运些输出数据接下来被提供给用于 评估运些视频流的质量的模块，例如前述论文中描述的模块。
[0059] 为获得模型，任务依赖性特征集，SegLength和K值，训练模块500首先需要获得训 练数据。为此，开关S转向左侧，与此平行，客户端也必须通过另一个模块800向训练模块提 供与冻结发生有关的数据。
[0060] 对视频会话的训练集没有特定限制，N个客户端和服务器之间的任何ht化自适应 流媒体会话都可W用于该训练目的。系统现在W训练模式运行运一事实也是提供给N个客 户端的信息，因此从此刻开始，它们开始激活它们的冻结检测模块，如图lb所示。该训练模 式指示由虚线箭头表示。该指示通常由网络运营商在启动时提供。通常，在模块接受训练之 后，在某个时间段内它是相当稳定的。
[0061] 但是，如果网络运营商想要检测重新缓冲事件的更新趋势，则它可W开始收集客 户端侧的真实重新缓冲事件(地面实况)并重新训练模型W适应新的趋势。
[0062] 在步骤(0)中提供该控制信号，用于控制开关的位置W及客户端W提供它们的冻 结测量。
[0063] 在正常操作模式中，与分配给训练的会话相关的GET消息也被拦截，记录，解析并 接受特征提取，就如正常操作一样。但是，提取的特征向量(看起来和正常操作中的特征向 量类似)现在通过将开关转向左侧位置而被提供给训练模块。K所采用的值(此时还是未知 的）W迭代方式确定。
[0064] 根据没有任何冻结发生的最长训练集推导SegLength的值。因此，运可W暗示将要 执行的多个迭代，特别是在第一次迭代中不存在无冻结会话的情况下。
[0065] 在IE训练视频会话流送期间发生的冻结被N个客户端通过各个客户端中的冻结检 测模块FD1至FDN检测到。运种冻结检测模块有多种实现方式：
[0066] 第一种是利用视频播放器插入式应用程序。该应用程序可W与客户端(例如，客户 端1)中的视频播放器连接，从而评估播放器的状态(例如，即时缓冲填充水平）。当即时缓冲 填充水平为0时，插入式应用程序将其视为是视频播放器上的图像冻结，接下来向模块800 发送冻结信息报告FR1。该信息包含每个会话的所记录的所有冻结的开始和结束时间。
[0067] 第二种可W在HAS客户端中使用Microsoft Smooth Streaming中的Advanced Logging功能。Advanced Logging中的一个字段是"c-buffercount"，表明在某个时间段(默 认值为30秒）内在帖水平上要求重新缓冲的次数。
[0068] 来自训练集的所有冻结信息(对于客户端1至客户端N，表示为FR1至FRN)的聚合被 表示为"地面实况"。其被提供给训练模块500。
[0069] 训练模块自身适于比较从客户端接收的信息及每个会话的冻结何时发生和持 续多久的指示)与关联的特征向量。
[0070] 我们只对知道每个会话的Ξ个项目感兴趣，即：
[0071] (1)是否存在至少一个冻结？
[0072] (2)是否存在至少一个长冻结？
[0073] (3)是否存在一个W上的冻结？
[0074] 值0或1通过训练模块500归因于运些声明或事件中的每一个。
[0075] 不管何时，可W通过预定阔值确定冻结是长还是短，该预定阔值仍然可W手动输 入，例如，再次通过网络运营商确定的输入信号VT。不同运营商因此可W对冻结的长度具有 不同的容忍度。一些运营商可能认为10秒的冻结是长冻结，并将阔值设为运个值，但是其他 运营商可能认为5秒的冻结是长冻结。
[0076] 学习模块适于分析来自客户端的数据，比较从客户端检测到的冻结和该阔值，W 及确定它们中的至少一个是否超过了该阔值。如果超过，则结果将为"Γ。
[0077] 运在图3中概略地显示，其在上方框中显示了会话1，2,3的特征向量xl，x2和x3，W 及具有针对上述=个问题的结果的逻辑值的关联事件向量。
[0078] 因此，第一会话很清楚没有冻结，不存在长冻结和不存在多个冻结，因为关联的3 个列事件向量为(〇,〇,〇)。
[0079] 第二会话具有至少一个冻结，不存在长冻结，并且存在一个W上的冻结，从事件向 量为(1，〇，1)很清楚可W看出来。
[0080] W类似的方式，第Ξ会话具有至少一个冻结，至少一个长冻结，W及一个W上的冻 结。
[0081] 在下一阶段，训练模块将尝试在3列事件向量和特征向量自己的2K特征之间建立 关联。
[0082] 在图3中，进一步解释了第二任务或事件(是否存在至少一个长冻结）。
[0083] 对于2K个特征中的每一个，例如，图中3个会话的第一特征(在现实中，需要考虑大 约10000个或更多个训练会话），通过相对于事件特征的值确定每个单独特征的信息值，执 行检查。运在图3中概略地显示，其中对于运Ξ个会话，针对第二任务或事件的结果检查第 一特征的信息。和所述程序有关的信息可W在Mitchell,Tom M. (1997)所著的书中找到:机 器学习，Mc-Graw-Hi Π 公司，ISBN 0070428077。
[0084] 接下来获得2K个特征中每一个的信息增益，并且保留5个排名最高的特征，因为它 们代表具有关于第二任务或事件的最高信息内容的特征。
[0085] 对于每个任务或事件重复该程序，由此保留特定任务的特征向量的减少的特征子 集。该信息称为任务依赖性特征集，因此对于第二任务或事件，指示必须保留特征3，8，10， 21和32,如图3所示。标记为TDFS2的该信息稍后提供给特征选择模块400,由此，对于任务2， 输入减少的特征向量或特征集，因此向量仅具有特征3，8，10，21和32。
[0086] 对于其他任务，提供类似减少的信息集。对于每个任务，在训练末模式中，该信息 存储在训练模块500的存储器TDFS中。
[0087] 训练模块的另一个功能是为每个任务提供一组模型。模型意味着将在减少的特征 集的稍后阶段执行一组指令和决定结果，从而根据运些减少的特征集确定是否获得特定事 件或任务的结果。因此，对于事件"长冻结或否"，为来自真实操作模式的减少的特征向量的 稍后应用生成具有伴随决定的一系列操作，从而根据运5个值确定是否存在长冻结。
[0088] 举例来说，所述模型可W利用运本书中描述的原理获得:Quinlan J.R.C4.5,机器 学习程序，Mo;rgan Kaufmann 出版社，1993。
[0089] 训练模型将由此获得的模型存储在模型数据库中。在图la-b中，其被描述为单独 的模块，但是在其他实施方式中，该模型存储器也可W包含在训练模块自身之内。
[0090] 当处于操作模式时，模块700对来自真实数据的减少的特征集执行冻结评估，该模 块因此还使用来自模型数据库的模型信息，并且接下来对减少的特征向量使用运些指令， 从而获得特定任务或事件的结果。
[0091] 运在图4中描述，在在线测试期间（图右侧显示），对于每个任务，在标记为"分类" 的模块中分析减少的特征集，由此获得每个会话W及每个任务的值。Ξ个值接下来再次组 合为在线会话的Ξ列时间向量。该信息接下来被提供给质量评估模块。
[0092] 总之，通过使用从视频会话提取的一些高级特征而不重构会话或手动地设置规 贝1J，获得了识别下面Ξ个任务的简单且自动化的方法:重新缓冲事件的发生，长重新缓冲事 件的存在，W及多个重新缓冲事件的存在。
[0093] 与早前的冻结分析器，例如在尚未公开的欧洲专利申请13305743中提出的冻结分 析器相比，本发明获得了 33倍的速度增长。此外，根据本发明的实施方式不需要人工努力去 发现重构规则。
[0094] 图5显示了包括所有不同模块的完整系统的概览。在该实施方式中，冻结评估模块 适于输出有问题的视频会话(具有至少一个冻结的会话)的指示，进一步将其提供给质量评 估模块。
[0095] 尽管上面结合特定装置描述了本发明的原理，但是，应该清楚的理解，该说明仅仅 作为例子，不对由所附权利要求限定的本发明的保护范围构成限制。
【主权项】
1. 一种用于在网络节点中确定客户端与服务器之间的http自适应流视频会话中是否 存在重新缓冲事件的方法，所述方法包括在操作模式中的以下步骤： -收集所述视频会话的随后的http GET消息； -提取所述视频会话的特征向量； -比较所述特征向量与在早前执行的训练模式中确定的任务依赖性特征集，从而获得 所述视频会话的减少的特征集； -从所述减少的特征集中获得所述视频会话是否包括重新缓冲事件的指示。2. 如权利要求1所述的方法，其中所述任务依赖性特征集被进一步使得能够确定是否 存在超过预定持续时间限制的重新缓冲事件。3. 如权利要求1或2所述的方法，其中在所述训练模式中，所述客户端适于监控重新缓 冲事件，并将所述信息提供给所述网络节点，由此通过比较训练期间所述视频会话的特征 向量与来自所述客户端的实时重新缓冲数据来获得所述任务依赖性特征集，并且从所述特 征向量中提取至少一个最有可能的特征，该最有可能的特征最广泛地指示重新缓冲事件。4. 如权利要求3所述的方法，其中在所述训练模式中，确定包括一系列步骤的模型以在 所述操作模式期间进一步应用于所述减少的特征集，从而从所述减少的特征集中获得是否 存在重新缓冲事件的指不。5. -种用于确定客户端与服务器之间的http自适应流媒体视频会话中是否存在重新 缓冲事件的系统，所述系统适于以操作模式和训练模式运行，所述系统适于在所述操作模 式中： -收集所述视频会话的随后的http GET消息； -提取所述视频会话的特征向量； -比较所述特征向量和在早前执行的训练模式中确定的任务依赖性特征集，从而获得 所述视频会话的减少的特征集； -从所述减少的特征集中获得所述视频会话是否包括重新缓冲事件的指示，并且在所 述系统的输出端提供所述信息。6. 如权利要求5所述的系统，该系统还适于确定所述重新缓冲事件的持续时间是否超 过预定阈值。7. 如权利要求5或6所述的系统，该系统适于在训练模式中接收由所述客户端提供的训 练视频会话的重新缓冲事件的实时数据，比较所述实时数据与训练期间所述视频会话的特 征向量，从所述特征向量中提取至少一个最有可能的特征，该最有可能的特征最广泛地指 示重新缓冲事件。8. 如权利要求7所述的系统，该系统适于在所述训练模式中，确定包括一系列步骤的模 型以在所述操作模式期间进一步应用于所述减少的特征集，从而从所述减少的特征集中获 得是否存在重新缓冲事件的指示。9. 用于在服务器与多个客户端之间传输http自适应流媒体视频会话的网络的网络节 点，所述网络节点包括如权利要求5至8中任意一项权利要求所述的系统。10. -种适于执行如权利要求1至4中任意一项权利要求所述的方法的计算机程序。11. 一种包括如权利要求10所述的程序的计算机可读存储介质。
【文档编号】H04N21/24GK106063281SQ201580011826
【公开日】2016年10月26日
【申请日】2015年3月3日 公开号201580011826.0, CN 106063281 A, CN 106063281A, CN 201580011826, CN-A-106063281, CN106063281 A, CN106063281A, CN201580011826, CN201580011826.0, PCT/2015/54348, PCT/EP/15/054348, PCT/EP/15/54348, PCT/EP/2015/054348, PCT/EP/2015/54348, PCT/EP15/054348, PCT/EP15/54348, PCT/EP15054348, PCT/EP1554348, PCT/EP2015/054348, PCT/EP2015/54348, PCT/EP2015054348, PCT/EP201554348
【发明人】T·吴, 楼喆, R·胡瑟格姆斯, B·德弗莱斯朔韦尔
【申请人】阿尔卡特朗讯公司