Models for predicting the quality of experience of cloud gaming services
| dc.contributor.advisor | Möller, Sebastian | |
| dc.contributor.author | Zadtootaghaj, Saman | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Möller, Sebastian | |
| dc.contributor.referee | Martini, Maria | |
| dc.contributor.referee | Atzori, Luigi | |
| dc.date.accepted | 2021-07-06 | |
| dc.date.accessioned | 2021-12-07T13:02:08Z | |
| dc.date.available | 2021-12-07T13:02:08Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | The gaming industry is one of the largest in the entertainment markets for the past several decades and is steadily growing with the introduction of emerging technologies such as hardware video encoding and the new generation of broadband cellular networks, 5G. With these advancements, a new gaming paradigm called cloud gaming has emerged that makes gaming possible at any time, on any device, and at any place. Cloud gaming shifts the heavy computational tasks such as rendering to the cloud resources and streams a compressed video of players' gameplay back to the client in real-time. Similar to other telecommunication services, cloud gaming is prone to network and compression degradations such as blockiness, blurring, and network latency. These degradations could negatively affect the Quality of Experience (QoE) of users. Therefore, it is of high interest for service and network providers to measure and monitor the QoE of cloud gaming services to potentially improve the satisfaction of their customers. The present thesis aims at the development of a gaming quality model to predict the gaming QoE of players that could be used for planning the network service or quality monitoring of cloud gaming services. The model is developed following a modular structure approach that keeps the different types of impairment separately. Such a modular structure allows developing a sustainable model as each component can be updated by advances in that specific research area or technology. The gaming quality model takes into account two modules of video quality and input quality. The latter considers the interactivity aspects of gaming. The video quality module offers a series of models that differ depending on the level of access to the video stream information, allowing high flexibility for service providers regarding the positions of measuring points within their system. Before the development of the video quality module, multiple state-of-the-art image and video quality models are evaluated with gaming content. Results revealed a poor performance of No-Reference (NR) models. Thus, a special focus was given to the development of NR models for gaming content. In sum, two planning models, one bitstream model, and three NR models were developed. The models cover typical video compression as well as transmission errors. For their development, either a direct modeling approach or a multidimensional approach was used. The latter approach allows getting insight into diagnostic information of causes for impaired video quality. Among the NR models, two deep learning-based models are proposed that outperform the well-known traditional Full-Reference and NR image/video quality metrics on gaming content. In order to consider the interactivity aspects of gaming, in addition to the video related impairment factors, the impact of network parameters such as delay and packet loss was assessed. To further increase the accuracy of the proposed gaming quality model, a classification of video games according to their sensitivity towards delay and frameloss, as well as video complexity, was proposed. Parts of the core model resulted in the ITU-T Rec. G.1072 that represents a planning model predicting the QoE of cloud gaming services. In summary, the main contributions of the thesis are (1) creation of multiple image/video and cloud gaming quality datasets, (2) development of a gaming video classification, and (3) development of a series of gaming QoE models to predict the gaming QoE depending on the level of access to the video stream information. | en |
| dc.description.abstract | Die Videospielebranche ist seit vielen Jahrzehnten einer der größten Unterhaltungsmärkte und wächst stetig mit der Einführung neuer Technologien wie Hardware-Videokodierung und der neuen Generation von Breitband-Mobilfunknetzen, 5G. Mit diesen Fortschritten ist ein neues Spielparadigma namens Cloud Gaming entstanden, das das Spielen jederzeit, auf jedem Gerät und an jedem Ort ermöglicht. Cloud Gaming verlagern die umfangreichen Rechenaufgaben wie das Rendern auf die Cloud-Ressourcen und streamt ein komprimiertes Video der Spielszenen von Spielern in Echtzeit an den Client zurück. Ähnlich wie bei anderen Telekommunikationsdiensten ist Cloud Gaming anfällig für Verschlechterungen wie Blockbildung, Unschärfe und Netzwerklatenz, die durch Übertragungsnetzwerke und Komprimierungen entstehen. Diese Verschlechterungen können sich negativ auf das Nutzungserleben (Quality of Experience, QoE) der Benutzer auswirken. Daher ist es für Dienst- und Netzwerkanbieter von großem Interesse, die QoE von Cloud-Gaming-Diensten zu messen und zu überwachen, um möglicherweise die Zufriedenheit ihrer Kunden zu verbessern. Die vorliegende Arbeit zielt auf die Entwicklung eines Gaming-Qualitätsmodells zur Vorhersage der Gaming-QoE von Spielern ab, das zur Planung des Netzwerkdienstes oder zur Qualitätsüberwachung von Cloud-Gaming-Diensten verwendet werden kann. Das Modell wurde nach einem modularen Strukturansatz entwickelt, bei dem die verschiedenen Arten von Beeinträchtigungen getrennt voneinander behandelt werden. Eine solche modulare Struktur ermöglicht die Entwicklung eines nachhaltigen Modells, da jede Komponente durch Fortschritte in diesem spezifischen Forschungsbereich oder dieser Technologie aktualisiert werden kann. Das Qualitätsmodell berücksichtigt zwei Module für die Videoqualität und Eingabequalität. Letzteres berücksichtigt die Interaktivitätsaspekte des Spielens. Das Videoqualitätsmodul bietet eine Reihe von Modellen, die sich je nach Zugriff auf die Videostream-Informationen unterscheiden. Dies ermöglicht Dienstanbietern eine hohe Flexibilität hinsichtlich der Positionen der Messpunkte in ihrem System. Vor der Entwicklung des Videoqualitätsmoduls wurden mehrere moderne Bild- und Videoqualitätsmodelle mit Spielinhalten untersucht. Die Ergebnisse zeigten eine schlechte Leistung von No-Reference-Modellen. Ein besonderer Schwerpunkt lag daher auf der Entwicklung solcher Modelle für Spielinhalte. Insgesamt wurden zwei Planungsmodelle, ein Bitstream-Modell und drei No-Reference-Modelle entwickelt. Die Modelle decken typische Videokomprimierungs- sowie Übertragungsfehler ab. Für ihre Entwicklung wurde entweder ein direkter Modellierungsansatz oder ein mehrdimensionaler Ansatz verwendet. Der letztere Ansatz ermöglicht es, Einblicke in diagnostische Informationen über Ursachen für eine beeinträchtigte Videoqualität zu erhalten. Unter den No-Reference-Modellen werden zwei auf Deep-Learning basierende Modelle vorgeschlagen, die die bekannten traditionellen Full-Referenz- und No-Reference-Metriken für Bild- / Videoqualität bei Spielinhalten übertreffen. Um die Interaktivitätsaspekte des Spielens zu berücksichtigen, werden zusätzlich zu den videobezogenen Beeinträchtigungsfaktoren die Auswirkungen von Netzwerkparametern wie Verzögerung und Paketverlust untersucht. Um die Genauigkeit des vorgeschlagenen Spielqualitätsmodells weiter zu erhöhen, wird eine Klassifizierung von Videospielen nach ihrer Empfindlichkeit gegenüber Verzögerung und Frame-Verlusten sowie nach ihrer Videokomplexität vorgeschlagen. Teile des Kernmodells führten zur ITU-T Rec. G.1072, das ein Planungmodell darstellt, das die QoE für Cloud Gaming-Dienste vorhersagt. Zusammenfassend sind die Hauptbeiträge der Arbeit (1) die Erstellung mehrerer Datensätze der Messung von Video- und Cloud Gaming-Qualität, (2) die Entwicklung einer Klassifikation von Videospielen, und (3) die Entwicklung einer Reihe von Gaming-QoE-Modellen zur Vorhersage der Gaming-QoE in Abhängigkeit vom Zugriff auf Videostream-Informationen. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/13721 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-12497 | |
| dc.language.iso | en | en |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 000 Informatik, Informationswissenschaft, allgemeine Werke | de |
| dc.subject.ddc | 600 Technik, Technologie | de |
| dc.subject.other | Quality of Experience (QoE) | en |
| dc.subject.other | Quality of Service (QoS) | en |
| dc.subject.other | cloud gaming | en |
| dc.subject.other | quality prediction models | en |
| dc.subject.other | user studies | en |
| dc.subject.other | Qualität des Nutzungserlebens | de |
| dc.subject.other | Qualität der Dienstleistung | de |
| dc.subject.other | Cloud-Gaming | de |
| dc.subject.other | Qualitätsvorhersagemodelle | de |
| dc.subject.other | Nutzerstudien | de |
| dc.title | Models for predicting the quality of experience of cloud gaming services | en |
| dc.title.translated | Modelle zur Vorhersage des Nutzungserlebens von Cloud-Gaming-Diensten | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 4 Elektrotechnik und Informatik::Inst. Softwaretechnik und Theoretische Informatik::Quality and Usability Lab | de |
| tub.affiliation.faculty | Fak. 4 Elektrotechnik und Informatik | de |
| tub.affiliation.group | Quality and Usability Lab | de |
| tub.affiliation.institute | Inst. Softwaretechnik und Theoretische Informatik | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |