Recomendação de vídeo e política de cache cientes de recursos dos dispositivos dos usuários

• Ana Claudia Bastos Loureiro Monção Universidade Federal de Goiás (UFG) https://orcid.org/0000-0001-9687-0059
• Sand Luz Correa Universidade Federal de Goiás (UFG) https://orcid.org/0000-0003-1863-4661
• Kleber Vieira Cardoso Universidade Federal de Goiás (UFG) https://orcid.org/0000-0001-5152-5323

DOI: https://doi.org/10.5753/courb.2020.12366

Resumo

Recentemente, o acoplamento entre algoritmos de recomendação de vídeo e políticas de manutenção de cache tem mostrado resultados promissores, tanto para melhorar a experiência dos usuários quanto para otimizar o uso de recursos da infraestrutura. No entanto, os recursos disponíveis nos dispositivos dos usuários não têm sido levado em conta nessa abordagem. Neste trabalho, introduzimos esse conceito através da modificação de um modelo e de uma métrica da literatura de forma a capturar a limitação de resolução de cada dispositivo de usuário, assim como a introdução de uma nova métrica para representar a satisfação com a recomendação. Avaliamos a nossa proposta e comparamos com outra solução de estado-da-arte, usando a base de dados do projeto MovieLens. Com exceção do cenário onde todos os vídeos possuem baixa qualidade, a nossa proposta apresenta maior taxa de acerto da cache na maioria das configurações de tamanho de armazenamento. Além disso, nossa proposta melhora de maneira significativa a experiência dos usuários ao permitir que eles usufruam da maior qualidade disponível em seus dispositivos.

Palavras-chave: sistemas de recomendação, cache de vídeo, políticas de cache em servidores MEC, satisfação do usuário, qualidade de serviço, redes sem fio

Referências

Carvalho, M., Silva, V. F., de Britto e Silva, E., Macedo, D. F., deResende, H. C. C., Marquez-Barja, J. M., Both, C. B., Bardini, A. Z., and Wickboldt,J. (2019). Qoe-based video orchestration for 4g networks. In 2019 IEEE 30th An-nual International Symposium on Personal, Indoor and Mobile Radio Communications(PIMRC), pages 1-6.

Chatzieleftheriou, L. E., Karaliopoulos, M., and Koutsopou-los, I. (2017). Caching-aware recommendations: Nudging user preferences towardsbetter caching performance. In IEEE INFOCOM 2017 - IEEE Conference on Compu-ter Communications, pages 1-9.

Chatzieleftheriou, L. E., Karaliopoulos, M., and Koutsopou-los, I. (2019). Jointly Optimizing Content Caching and Recommendations in SmallCell Networks. IEEE Transactions on Mobile Computing, 18(1):125-138.

Cisco VNI (2020). Cisco Visual Networking Index: Forecast and Trends, 2017-2022. https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.pdf, [Ultima visita: 16-Março-2020].

Contreras, L. M., Baliosian, J., Martinez-Julia, P., and Serrat, J.(2020). Computing at the edge, but what edge? In JEEE/IFIP Network Operationsand Management Symposium (NOMS).

ETSI MEC. Multi-acess Edge Computing (MEC). https: //www.etsi.lorg/technologies /multi-access-edge-comput ing. [Última visita: 25-Março-2020].

Gomez-Uribe, C. A. and Hunt, N. (2015). The Netflix Re-commender System: Algorithms, Business Value, and Innovation. ACM Trans. Ma-nage. Inf. Syst., 6(4):13:1-13:19.

Harper, F. M. and Konstan, J. A. (2015). The movielens data-sets: History and context. ACM Trans. Interact. Intell. Syst., 5(4).

Krishnappa, D. K., Zink, M., Griwodz, C., and Halvorsen, P.(2015). Cache-centric video recommendation: An approach to improve the efficiencyof youtube caches. ACM Trans. Multimedia Comput. Commun. Appl., 11(4).

Malandrino, F., Chiasserini, C.-F., Avino, G., Malinverno, M., andKirkpatrick, S. (2020). From Megabits to CPU Ticks: Enriching a Demand Trace inthe Age of MEC.

Nam, H., Kim, K., and Schulzrinne, H. (2016). Qoe matters more than qos: Why people stop watching cat videos. In JEEE INFOCOM 2016 - The 35thAnnual IEEE International Conference on Computer Communications, pages 1-9.

Nandakumar, D., Wu, Y., Wei, H., and Ten-Ami, A. (2019). Onthe accuracy of video quality measurement techniques. In 2019 IEEE 21st Internatio-nal Workshop on Multimedia Signal Processing (MMSP), pages 1-6.

Ndikumana, A., Tran, N. H., Ho, T.M., Han, Z., Saad, W., Niyato,D., and Hong, E. S. (2019). Joint communication, computation, caching, and controlin big data multi-access edge computing. IEEE Transactions on Mobile Computing,pages 1-1.

Qi, K., Chen, B., Yang, C., and Han, S. (2018). Optimizing caching andrecommendation towards user satisfaction. In 2018 10th International Conference onWireless Communications and Signal Processing (WCSP), pages 1-7.

Sasikumar, A., Zhao, T., Hou, I., and Shakkottai, S. (2019). Cache-version selection and content placement for adaptive video streaming in wireless edgenetworks. CoRR, abs/1903.12164.

Sermpezis, P., Kastanakis, S., Pinheiro, J. I., Assis, F., Menas-ché, D., and Spyropoulos, T. (2019). Towards qos-aware recommendations. CoRR,abs/1907.06392.

Tran, T. X., Pandey, P., Hajisami, A., and Pompili, D. (2016). Collabo-rative multi-bitrate video caching and processing in mobile-edge computing networks.CoRR, abs/1612.01436.

Zhou, R., Khemmarat, S., and Gao, L. (2010). The Impact of YouTubeRecommendation System on Video Views. In Proceedings of the 10th ACM SIG-COMM Conference on Internet Measurement, pages 404-410.