Um Modelo Sensível a Adaptação para Previsão de QoE na Transmissão de Vídeos ao Vivo
Resumo
As transmissões de vídeo ao vivo já romperam a fronteira da escala global e agora enfrentam um novo desafio: oferecer alta qualidade de experiência (QoE) de maneira uniforme para todos os seus clientes. Para atacar este problema, diversas abordagens utilizam informações históricas relacionadas ao desempenho de transmissão para inferir a qualidade de experiência (QoE) de suas futuras sessões. Isso permite que os recursos necessários para cada tipo de cliente sejam melhor estimados, antes mesmo do início da sessão. No entanto, o sucesso de tais esquemas depende de uma previsão acurada de QoE: estudos anteriores utilizam métricas de desempenho como taxa de interrupções e bitrate médio e alcançam acurácia de previsão de 70%. No presente trabalho apresentamos uma nova abordagem, que correlaciona a QoE do cliente com seu fluxo de adaptação de bitrate. Nós mostramos que esse conjunto de métricas proporciona uma acurácia de previsão de 81%. Também apresentamos um estudo de caso para alocação de clientes usando o previsor e constatamos um potencial para aumento da QoE geral se comparado a alocação padrão empregada pelo provedor.
Referências
Balachandran, A., Sekar, V., Akella, A., Seshan, S., Stoica, I., and Zhang, H. (2013). Developing a predictive model of quality of experience for internet video. SIGCOMM Comput. Commun. Rev., 43(4):339–350.
Breiman, L., Friedman, J., Olshen, R., and Stone, C. (1984). Classification and Regression Trees. Wadsworth and Brooks, Monterey, CA.
da Costa Filho, R. I. T., Lautenschlager, W., Kagami, N., Roesler, V., and Gaspary, L. P. (2016). Network fortune cookie: Using network measurements to predict video streaming performance and qoe. In 2016 IEEE Global Communications Conference (GLOBECOM), pages 1–6.
Dobrian, F., Sekar, V., Awan, A., Stoica, I., Joseph, D., Ganjam, A., Zhan, J., and Zhang, H. (2011). Understanding the impact of video quality on user engagement. In Proceedings of the ACM SIGCOMM 2011 Conference, SIGCOMM ’11.
Guarnieri, T., ´Italo Cunha, Almeida, J., Drago, I., and Vieira, A. B. (2017). Characterizing QoE in large-scale live streaming. In Proc. of the IEEE GLOBECOM.
Ho, T. K. (1998). The random subspace method for constructing decision forests. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(8):832–844.
Jiang, J., Sun, S., Sekar, V., and Zhang, H. (2017). Pytheas: Enabling data-driven quality of experience optimization using group-based exploration-exploitation. In 14th USENIX Symposium on Networked Systems Design and Implementation (NSDI 17), pages 393–406, Boston, MA. USENIX Association.
Krishnan, S. S. and Sitaraman, R. K. (2013). Video stream quality impacts viewer behavior: Inferring causality using quasi-experimental designs. IEEE/ACM Transactions on Networking, 21(6):2001–2014.
Liu, X., Dobrian, F., Milner, H., Jiang, J., Sekar, V., Stoica, I., and Zhang, H. (2012). A case for a coordinated internet video control plane. ACM SIGCOMM Computer Communication Review, 42.
Mao, H., Netravali, R., and Alizadeh, M. (2017). Neural adaptive video streaming with pensieve. In Proceedings of the Conference of the ACM Special Interest Group on Data Communication, SIGCOMM ’17, pages 197–210.
Norris, J. R. (1998). Markov chains. Cambridge series in statistical and probabilistic mathematics. Cambridge University Press.
Seufert, M., Egger, S., Slanina, M., Zinner, T., Hoßfeld, T., and Tran-Gia, P. (2015). A survey on quality of experience of http adaptive streaming. IEEE Communications Surveys Tutorials, 17(1):469–492.
Sun, Y., Yin, X., Jiang, J., Sekar, V., Lin, F., Wang, N., Liu, T., and Sinopoli, B. (2016). Cs2p: Improving video bitrate selection and adaptation with data-driven throughput prediction. In Proceedings of the 2016 ACM SIGCOMM Conference, SIGCOMM ’16, pages 272–285. ACM.
