Adaptação Automática de Pipelines de Video Analytics com Suporte de Observabilidade

• Luan I. F. Santos UFC
• Francisco A. de A. Gomes UFC
• Michel S. Bonfim UFC
• José G. R. Maia UFC
• Fernando A. M. Trinta UFC
• Paulo A. L. Rego UFC

DOI: https://doi.org/10.5753/sbrc.2025.6389

Resumo

A expansão das câmeras urbanas impulsionou o monitoramento de tráfego, permitindo a detecção de eventos em tempo real. No entanto, a dinâmica das cidades exige que os sistemas de Video Analytics (VA) sejam adaptáveis a mudanças inesperadas. Em Edge Computing, onde os recursos são limitados, a eficiência no processamento é crucial. Este trabalho propõe a adaptação automática de pipelines de VA com suporte de observabilidade. A abordagem ajusta resolução, FPS e modelo de inferência para equilibrar precisão e desempenho. Um ciclo MAPE-K analisa métricas e aplica ajustes em tempo real, otimizando CPU e GPU e reduzindo gargalos. Experimentos mostram que a adaptação melhora a eficiência e estabilidade do sistema.

Palavras-chave: Análise de Vídeo, Pipeline, Microsserviço, Observabilidade

Referências

Faye, Y., Faticanti, F., Jain, S., and Bronzino, F. (2024). Videojam: Self-balancing architecture for live video analytics. In 2024 IEEE/ACM Symposium on Edge Computing (SEC), pages 149–163. IEEE.

Kosinska, J., Balis, B., Konieczny, M., Malawski, M., and Zielinski, S. (2023). Towards the observability of cloud-native applications: The overview of the state-of-the-art. IEEE Access.

Mi, L., Yuan, T., Wang, W., Dai, H., Sun, L., Zheng, J., Chen, G., and Fu, X. (2024). Accelerated neural enhancement for video analytics with video quality adaptation. IEEE/ACM Transactions on Networking.

Oliveira, D., Bhering, F., Obraczka, K., Passos, D., and Albuquerque, C. (2024). Uma arquitetura para roteamento dinamico de vídeos por multicaminhos em IoT. In Anais do XLII Simposio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 545–558, Porto Alegre, RS, Brasil. SBC.

Padmanabhan, A., Agarwal, N., Iyer, A., Ananthanarayanan, G., Shu, Y., Karianakis, N., Xu, G. H., and Netravali, R. (2023). Gemel: Model merging for memory-efficient, real-time video analytics at the edge. In 20th USENIX Symposium on Networked Systems Design and Implementation (NSDI 23), pages 973–994.

Ravindran, A. A. (2023). Internet-of-things edge computing systems for streaming video analytics: Trails behind and the paths ahead. IoT, 4(4):486–513.

Redmon, J. (2016). You only look once: Unified, real-time object detection. In CVPR Proceedings. IEEE.

Sun, L., Wang, W., Yuan, T., Mi, L., Dai, H., Liu, Y., and Fu, X. (2024). Biswift: Bandwidth orchestrator for multi-stream video analytics on edge. In IEEE INFOCOM 2024-IEEE Conference on Computer Communications, pages 1181–1190. IEEE.

Thome, M., Prestes, A., Gomes, R., and Mota, V. (2020). Um arcabouço para detecção e alerta de anomalias de mobilidade urbana em tempo real. In Anais do XXXVIII Simposio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 784–797, Porto Alegre, RS, Brasil. SBC.

Usman, M., Ferlin, S., Brunstrom, A., and Taheri, J. (2022). A survey on observability of distributed edge & container-based microservices. IEEE Access, 10:86904–86919.

Wang, X., Shen, M., and Yang, K. (2024). On-edge high-throughput collaborative inference for real-time video analytics. IEEE Internet of Things Journal.

Wang, Y., Liu, Z., Zhao, Y., Wang, X., and Qiu, C. (2023). Enabling real-time video analytics with adaptive sampling and detection-based tracking in edge computing. In GLOBECOM 2023 - 2023 IEEE Global Communications Conference, pages 3554–3559.

Wong, M., Ramanujam, M., Balakrishnan, G., and Netravali, R. (2024). MadEye: Boosting live video analytics accuracy with adaptive camera configurations. In 21st USENIX Symposium on Networked Systems Design and Implementation (NSDI 24), pages 549–568.

Xu, R., Razavi, S., and Zheng, R. (2023). Edge video analytics: A survey on applications, systems and enabling techniques. IEEE Communications Surveys & Tutorials.

Zhang, L., Zhang, Y., Wu, X., Wang, F., Cui, L., Wang, Z., and Liu, J. (2022). Batch adaptive streaming for video analytics. In IEEE INFOCOM 2022-IEEE Conference on Computer Communications, pages 2158–2167. IEEE.

Zhang, L., Zhong, Y., Liu, J., and Cui, L. (2023). Resource and bandwidth-aware video analytics with adaptive offloading. In 2023 IEEE 20th International Conference on Mobile Ad Hoc and Smart Systems (MASS), pages 107–115. IEEE.

Zhang, Q., Sun, H., Wu, X., and Zhong, H. (2019). Edge video analytics for public safety: A review. Proceedings of the IEEE, 107(8):1675–1696.