Avaliação de desempenho de uma arquitetura de vídeo sob demanda usando rede de filas fechada
Resumo
O serviço de streaming vem recebendo uma grande visibilidade ultimamente, obtendo cada vez mais usuários. Essa notoriedade é devido ao contexto atual do mundo, onde com a pandemia ocasionada pelo COVID-19, levou a população a aderir mais pelo entretenimento oferecido pelas plataformas de vídeo sob demanda. No entanto, para suportar essa alta demanda pelos seus serviços, é viável ter uma avaliação a respeito do desempenho neste tipo de arquitetura, a fim de evitar gargalos que podem estragar a experiência dos usuários. Este artigo propõe um modelo de filas fechadas para avaliação de desempenho. Tal modelo nos permite calcular algumas métricas como, tempo médio de resposta (MRT) e utilização dos componentes, bem como realizar simulações em diferentes cenários. O modelo proposto permite que o projetista avalie previamente o comportamento deste tipo de infraestrutura sem a necessidade de gastos prévios, possibilitando uma simulação precisa antes da sua implantação. E com os resultados das simulações, foi possível identificar alguns fatores que prejudicam o desempenho do modelo, bem como sua melhor configuração.
Referências
Bagci, K. T., Sahin, K. E., and Tekalp, A. M. (2016). Queue-allocation optimization for adaptive video streaming over software dened networks with multiple service-levels. In 2016 IEEE International Conference on Image Processing (ICIP), pages 1519–1523. IEEE.
Dantas, J., Matos, R., Araujo, J., Oliveira, D., Oliveira, A., and Maciel, P. (2016). Hierarchical model and sensitivity analysis for a cloud-based vod streaming service. In 2016 46th Annual IEEE/IFIP International Conference on Dependable Systems and Networks Workshop (DSN-W), pages 10–16. IEEE.
De Cicco, L. and Mascolo, S. (2013). An adaptive video streaming control system: Modeling, validation, and performance evaluation. IEEE/ACM Transactions on Networking, 22(2):526–539.
Duanmu, Z., Rehman, A., and Wang, Z. (2018). A quality-of-experience database for adaptive video streaming. IEEE Transactions on Broadcasting, 64(2):474–487.
Hoque, S. and Miranskyy, A. (2018). Architecture for analysis of streaming data. In 2018 IEEE International Conference on Cloud Engineering (IC2E), pages 263–269. IEEE.
Irawan, Y. and Surantha, N. (2020). Performance evaluation of queue algorithms for video-on-demand application. In 2020 International Conference on Information Management and Technology (ICIMTech), pages 966–971. IEEE.
Juluri, P., Tamarapalli, V., and Medhi, D. (2015). Measurement of quality of experience of video-on-demand services: A survey. IEEE Communications Surveys & Tutorials, 18(1):401–418.
Niu, D., Liu, Z., Li, B., and Zhao, S. (2011). Demand forecast and performance prediction in peer-assisted on-demand streaming systems. In 2011 Proceedings IEEE INFOCOM, pages 421–425. IEEE.
Silva, R. (2021). Um ano depois do início da pandemia, plataformas de streaming contabilizam ganhos.
Wu, D., Hou, Y. T., Zhu, W., Zhang, Y.-Q., and Peha, J. M. (2001). Streaming video over the internet: approaches and directions. IEEE Transactions on circuits and systems for video technology, 11(3):282–300.
Zhao, H., Wang, J., Wang, Q., and Liu, F. (2019). Queue-based and learning-based dynamic resources allocation for virtual streaming media server cluster of multi-version vod system. Multimedia Tools and Applications, 78(15):21827–21852.
