论文部分内容阅读
随着移动互联网技术的不断发展,网页中的内容越来越丰富,网页字节数量不断增加,这给浏览器快速加载网页带来了巨大挑战。目前衡量网页加载的用户浏览体验(Web QoE)有很多,较为流行的研究是提高网页的首屏加载时长(Above the Fold Time,AFT)。本文将AFT作为现有网页加载中衡量网页浏览体验的研究指标,不同于整体加载时长(Page Load Time,PLT),由于移动设备的普及及发展,受限于移动设备屏幕尺寸,AFT对比于整体加载时长能够更加直观反应用户体验。目前的研究中有一些技术可以降低AFT,然而这类技术依然存在一些不足:1)现有工作通过提升硬件的计算能力、网络的带宽的方式降低AFT,无法对影响AFT的因素进行建模理论分析。2)目前还没有一套成熟的不影响用户正常浏览网页的AFT测量系统。3)目前在的AFT优化系统复杂度过高、不易在终端应用。本文针对上述研究中存在的缺陷,提出了一种新型的轻量级基于网页重构的AFT优化系统,该系统能够对网页加载的AFT带来明显优化。本文主要有三个方面工作:1)对Web QoE建模,理论上分析影响网页AFT的关键因素。2)对于AFT的测量,设计实现一套轻量级的不影响用户浏览体验的网页AFT测量的工具。3)设计并实现一套轻量级首屏加载时长优化系统,能够给网页加载带来AFT优化。在系统设计实现上,本文主要有三点贡献:1)从理论角度分析影响首屏加载时间的关键因素,设计实现了一套轻量级的首屏加载时间测量工具;2)针对关键路径上的JavaScript与CSS文件执行,引入机器学习分类算法预测出JavaScript执行对首屏的影响,基于预测结果调整网页结构;针对CSS文件存在的样式被弃用问题,对CSS文件进行优化;完成基于网页重构的首屏加载优化系统设计。3)实现了基于网页重构的首屏加载时长优化系统。最后,本文从系统的预测模型的预测精度以及在不同网络状态下对系统的优化空间两个方面对系统进行测试。其中,针对预测模型的测试,本文采取10折交叉验证的方式对预测系统从不同的特征维度对模型进行测试,结果表明本文预测模型的预测精度高达95%,能够很好完成预测任务。针对系统优化空间的测试,结果表明在网络条件极好时,系统优化后的AFT平均降低30.3%;在网络条件处于好与一般状态时,系统优化后的AFT平均降低25%;在网络条件差时,系统优化后的AFT平均降低19.6%;PLT平均降低10%。