场景描述：
场景1：校园网
用户规模：5000-100000人
问题表象：学校网管或运维不了解学生在用什么，体验如何，等到学生投诉到更高层时候才知晓，经常面临来自上层的压力
场景2：网吧
用户规模：50～200人，数据来源：http://www.doc88.com/p-9042852875906.html
问题表象：业主不了解顾客游戏的体验如何，希望能够实时了解
两者都希望在出现故障时能够自动定位原因甚至是解决，至少提供解决建议，如果能预报是更好不过，这样可以减轻技术维护压力，避免不良口碑和经济损失
深度分析：
1 应用识别的需求
校园网中，网管老师在日常管理或向领导汇报时，经常需要了解学生在使用网络做什么，比例是多少，包括玩游戏（用于引流和网络建设规划，97%以上高校是至少双线出口），这里涉及游戏业务识别的需求。
（应用案例 http://max.book118.com/html/2017/0317/95817804.shtm）
网吧场景也类似（用于做引流，目前五成以上网吧采用双线保障），目的是为了提高用户游戏质量
这里的游戏，指需要联网进行的游戏，不含单机游戏（无需联网），也不包含云游戏（暂时未成气候，带宽要求也完全不同数量级，普通网络游戏一般占用带宽不大，在5k-50kBps左右，例如CS 34kBps，WCIII 5kBps，LOL 15-20KBps）
目前网游最常见分类是按模式，如下所示
ACT,AVG,PUZ,CAG,FTG,LVG,TCG,TAB,MSC,SPG,SLG,STG,RPG,RCG,RTS,ETC,WAG,SIM,S·RPG,A·RPG,FPS,MUD,MMORPG
中文意义见 https://zhidao.baidu.com/question/1830487078983772060.html
业界进展：识别出游戏名称，以深信服识别类型最多，千万级URL库和2500多种应用的应用特征识别库，以及每2周更新迭代一次，准确率号称最高，但没有具体数据
该方法的缺点是需要人工分析识别手段，并且需要人工更新识别库，目前业界暂无智能识别方案（目前来看，各家产品的识别率可以满足客户需求）
准确率:准确率理想目标是100%，但目前没有技术可以达到这个要求
实时性:由于目前游戏时间一般在10分钟以上，所以实时性不需要非常高，但目前游戏识别技术基本上都在第一个载荷报文经过设备时就可以检测出来，无需累计一定量才能识别，属于实时识别
2 体验度量的需求
高校网管在汇报时，经常困扰与没有量化的数据，领导不关心设备本身运行如何，更关心学生使用如何，至少是整体情况；在面对学生投诉体验不好比如游戏卡顿时，又无法知道该学生网络使用的历史情况
90%顾客到网吧就是玩游戏，因此网吧业主最关心就是顾客的游戏体验，但又无法人工逐个去询问；如果不知道用户游戏体验，就无法对网络进行改进，被动等反馈；传统的调查问卷耗时耗人，也偏主观，故障统计属于事后措施，时效性差；
从游戏群体数目来看，重点是要对主流网络游戏(多人联机在线竞技游戏MOBA，第一人称射击类游戏FPS，角色扮演游戏RPG，其中MOBA加FPS占到80%)做到度量，包含不同平台（手机，pc，平板）
业界进展：不同于网页浏览、语音、视频体验度量，QOE标准制定者itu对于游戏的标准还在进行中，没有公开发布的文档，预计2018才完成
目前友商还未发现有实现针对游戏体验度量的功能，即没有产品化的例子可参考
学术界目前主要有3种方法
(1) 还是通过网络qos参数与主观打分数值拟合的方法来进行游戏度量。优点是可以细化度量，比如分为5类；实施简单，通过qos参数带入拟合公式即可得到mos值；缺点是数据采集耗时耗人工
mos受被调查者影响，波动大；不同游戏对网络要求不同，比如即时战略游戏 和角色扮演游戏对网络要求比第一人称射击游戏低，比如QuakeIV要求100ms内，WCIII则允许800ms。
即使同一游戏在不同场景中网络要求也不同，比如LOL中团战场景下网络要求和其他场景下就不同
因此可见，各游戏的qos参数和mos关系不同，无法泛化
(2) 根据用户游戏时间来判断是否提前离开，得到体验接受度。优点是可以适配任何游戏；缺点是只能给出可接受和不可接受2档;需要事先采集游戏平均时间和网络qos参数来判断是否提前离开(注：http://www.doc88.com/p-9042852875906.html调查中反映只有9%离开游戏是因为网络问题)
(3) 采集网络qos参数和游戏中对象信息（位置，移动）差异性。优点是根据视觉因素为基准比较，体验更准确；缺点是需要从客户端即游戏界面维度采集数据，实施更复杂
通过ping服务器ip来获取游戏的度量体验，本质上也属于方法1，但qos参数是通过icmp的延迟和丢包率计算取得，和游戏实际报文的qos参数相差大，准确率89%（注：只测了一款游戏，只有19个样本，都是在网络好情况下测试的，该准确率没有参考意义）
方法1虽然业界最流行，但没有普适性，方法2，3都只做到基于某款游戏的定性分析，没有量化分析和成果,也没有泛化
准确率:主要问题在于体验受到人的差异性影响，虽然qos参数和mos有研究证明存在0.92的相关性系数，但是没有发现有信服的准确率数据
实时性:由于游戏实时性，一旦出现异常可能就掉线或者角色失败，所以需要实时度量出游戏体验，即在1min内能够提供度量数据
问题总结：
1目前业界还没有普通认可的标准，已有研究要么局限在某个特定游戏上，或者只是定性分析，因此首先需要定义一个用户在游戏（范围只考虑MOBA，RPG，FPS，下同）中体验好坏的标准，包括哪些影响因素，也就是涉及什么参数（例如：类型，名称，平台，网络延迟，丢包，抖动，时长，经验，场景等等），如何计算，计算结果形式（可接受/不可接受，MOS，百分制等）
2目前没有一种通用或普适的技术手段方法，能够测量出每个用户玩某一游戏的实时（按分钟粒度）体验，规模或者场景是高校和网吧，由于游戏种类会不断更新，采用的度量算法或技术需要自动适应这种变化
3目前没有一种通用或普适的技术手段方法，能够测量出某个场景下（高校和网吧）用户整体玩游戏的实时（按分钟粒度）体验，由于游戏种类会不断更新，采用的度量算法或技术需要自动适应这种变化（注：问题3可以不依赖于问题2的解决技术或方法）