Manapság az internet forgalmi mix nagy hányadát valós idejű médiatartalmak határozzák meg. Ezen forgalmak haladhatnak az interneten, vagy egy szolgáltató menedzselt hálózatán (IPTV vagy Mobil TV szolgáltatás). Az IP protokoll „best-effort” jellege miatt szükségessé válik a médiaforgalmak csomag szintű monitorozása a hálózaton, mely segítségével meghatározhatóak a QoS hálózat minőségi paraméterek. Szolgáltatói szempontból - ezen objektív metrikák ismerete mellett - fontos a nyújtott médiaszolgáltatás szubjektív minőségérzetének ismerete is (Quality of Experience). Mivel a QoE emberi visszajelzésen alapul, ezért vizsgálata sok esetben nehézkes. Egy médiatartalom megfelelően nagyszámú értékelést tartalmazó QoE mérése nagy emberi erőforrást igényel, valamint ilyen típusú minőségellenőrzést csak időszakosan, kampányszerűen lehet kivitelezni, tehát nem alkalmas a szolgáltatás érzeti minőségének folyamatos mérésre. Hatékony megoldást jelenthetnek a becslésen alapuló algoritmusok, melyek a szolgáltatás metaadatainak felhasználásával, valamint a hálózaton objektíven mérhető QoS paraméterek felhasználásával képesek egy közelítő QoE értéket meghatározni az adott képkockára, akár a referencia kép ismerete nélkül is. Videó folyamok esetében az egyes képkockák közötti időbeni függés képcsoportok (Group of Pictures) szintjén jelenik meg, mely egy kulcskerettel (keyframe) kezdődik, valamint az arra hivatkozó mozgásvektorokat is tartalmazó predikciós képkeretekkel folytatódik. Ezen dolgozat H.264 kódolású videó képcsoporton belüli csomagvesztés okozta hibákkal foglalkozik. Így lehetővé válik annak ismerete, hogy különböző mértékű mozgásokat tartalmazó jelenetek esetében, többféle mintázat szerint eldobott predikciós képkeretek, milyen mértékű hibát okoznak a képernyőn. A képi hibák mértékének meghatározásához a roncsolt és a referencia videó képkeretenként megvalósított összehasonlítását SSIM objektív értékelő módszerrel végeztem el, mely jól korrelál a szubjektív QoE értékeléssel. A vizsgálat eredménye segítséget nyújthat valós idejű QoE becslő algoritmusok optimalizálásában.