Modeling and design of novel QoE management strategies for adaptive video streaming

dc.contributor.advisorZinner, Thomas
dc.contributor.authorSchwarzmann, Susanna Maria
dc.contributor.grantorTechnische Universität Berlinen
dc.contributor.refereeZinner, Thomas
dc.contributor.refereeSchmid, Stefan
dc.contributor.refereeHohlfeld, Oliver
dc.date.accepted2022-04-25
dc.date.accessioned2022-10-05T13:42:42Z
dc.date.available2022-10-05T13:42:42Z
dc.date.issued2022
dc.description.abstractToday's Internet serves a huge variety of different applications with diverse and ever increasing demands on the underlying network. Among others, current trends towards immersive entertainment, like 8K video streaming or VR gaming, pose new challenges on end-to-end bandwidth volume and have stringent delay requirements. At the same time, the number of users is growing, as well as the users' expectations on the delivered service quality. As a consequence, delivering good Quality of Experience (QoE) becomes an ever more challenging task and - due to the steadily increasing number of providers - the satisfaction of subscribers and users is a substantial factor to remain competitive on the market. As a consequence, QoE management has emerged as a key research topic over the past years and constantly gains importance for several stakeholders in the Internet ecosystem. This monograph examines relevant research questions related to QoE management on the example of HTTP Adaptive Streaming (HAS), which is to date the application contributing the most to the global IP traffic. One of the major challenges of QoE management is to understand the complex interplay of application- and network-specific parameters and their impact on the user satisfaction. The first part of this thesis shows how QoE-relevant performance metrics for HAS can efficiently be retrieved for a given - and potentially huge - input parameter space by means of analytical modeling. More specifically, we use an existing approach relying on discrete-time analysis, which models an HAS client's video buffer, and we extend it so to reflect the HAS-typical quality adaptation behavior. For given input network characteristics, such as the available bandwidth and its variation, as well as for various video- and player-specific settings, like the quality switching thresholds, the model yields probabilistic outputs for the video buffer's filling state. From that, all relevant HAS metrics, e.g., the stalling behavior and the delivered video quality, can be derived, allowing to efficiently tune HAS parameters in accordance with each other, so as to optimize the QoE. The second part quantifies possible positive effects of using variable segment durations for HAS. Instead of relying on a content-agnostic video segmentation strategy with fixed segment durations, the variable approach - proposed by Netflix as shot-based encoding - takes the video content into account by segmenting the video at scene-cuts. This results in segments of different lengths, but promises to reduce the number of costly I-frames during the encoding and hence, to increase the encoding efficiency. However, no comparative study highlighting the impact of this technique on the HAS ecosystem has been conducted, yet. Thus, we first provide a broad investigation on the bitrate reduction that can be achieved with the variable approach. In a second step, we evaluate by means of a measurement study its impact on the streaming performance, taking into account three different adaptation heuristics. Our results show that variable segment durations can significantly reduce the bitrate requirements and - as a result - are capable of increasing the HAS QoE. The third part of this thesis focuses on how mobile network operators (MNOs) can exploit new features provided by the 5G networking architecture, so to overcome current QoE monitoring limitations. More specifically, we propose to make use of Network Functions (NFs) which are introduced with 5G and dedicated for improved analytics, complex computations, and for the interaction with third parties, such as content providers. These capabilities enable a variety of potentials, like, for example, estimating the QoE by applying Machine Learning (ML) techniques. From the perspective of an MNO, we elaborate on the involved challenges of introducing such an ML-based QoE estimation in 5G networks and by means of a simulation-based feasibility study, we demonstrate that the QoE can reliably be estimated solely based on network KPIs. In this scope, we perform a quantitative comparison, addressing the estimation accuracy of different state-of-the-art regression techniques, and discuss them with respect to different relevant qualitative aspects.en
dc.description.abstractDas heutige Internet wird für eine Vielzahl verschiedenartiger Anwendungen genutzt. Diese haben zum einen sehr diverse Anforderungen an das zugrundeliegende Netz, welche zum anderen auch stetig steigen. Besonders stark ist dieser Trend bei den Unterhaltungsmedien zu beobachten. Ultrahochauflösendes Video Streaming, zum Beispiel in 8K, fordert immer höhere Bandbreiten ein, während Onlinespiele zusätzlich immer striktere Bedingungen bezüglich der maximal auftretenden Paketverzögerungen haben. Können diese Anforderungen vom Netz nicht erfüllt werden, so wird die vom Nutzer subjektiv wahrgenommene Qualität der Anwendung beeinträchtigt. Beispielsweise führt eine zu geringe Bandbreite im Fall von Video Streaming zu Wiedergabeunterbrechungen und schlechter Bildqualität. Wenn bei Voice-over-IP Telefonaten Paketverlust oder -verzögerung auftreten, so wird die Qualität der Sprachübertagung wesentlich gestört. Um die subjektive Wahrnehmung zu quantifizieren, hat sich in den letzten Jahren in der Forschung das Konzept "Quality of Experience" (QoE) etabliert, welches den Grad der (Un)-zufriedenheit des Nutzers eines Services beschreibt. Dieser resultiert aus der Erfüllung der individuellen Erwartung an den Service. Während zum einen die Erwartungshaltung der einzelnen Nutzer stetig dahingehend zunimmt, dass die Anwendungen stabil und ohne Qualitätseinbußen laufen, werden auch die Angebote selbst, wie zum Beispiel Video-on-Demand Plattformen, immer beliebter. So nimmt die tägliche Nutzung von Video Streaming, virtuellen Konferenzen oder auch Cloud Gaming weltweit zu. Diese Trends, gepaart mit den kontinuierlich steigenden Anforderungen heutiger Services an das Netz, stellen sowohl Anwendungs- als auch Netzanbieter vor große Herausforderungen. Zum einen muss die Infrastruktur entsprechend skaliert sein, so dass Applikationen flüssig laufen und den Nutzern eine größtmögliche Zufriedenheit geboten wird, um sie nicht an die Konkurrenz zu verlieren. Zum anderen aber müssen die Anbieter kostengünstig agieren, um wirtschaftlich rentabel zu bleiben, um so am stetig wachsendem Markt konkurrenzfähig zu sein. Um diese Ziele zu vereinen, benötigt es intelligente Mechanismen auf Netz- und Anwendungsebene, die es erlauben, vorhandene Ressourcen möglichst effizient zu nutzen, aber dennoch den verschiedenen Anwendungsanforderungen gerecht zu werden. "Quality of Service" (QoS) Management erlaubt es, relevante Netzwerkparameter wie zum Beispiel Durchsatz oder Paketverzögerungen zu messen und bei Bedarf diese Parameter mit Hilfe verschiedener Steuerungsmechanismen, wie zum Beispiel Bandbreitenreservierung für einzelne Verbindungen, zu verbessern. Zwar ist durch die Verbesserung der Netzwerkparameter von einer Verbesserung der Anwendungsqualität auszugehen, die genaue Auswirkung auf die vom Nutzer wahrgenommene Dienstgüte kann jedoch nur schwer quantifiziert werden. Aus diesem Grund geht QoE Management -- im Vergleich zu QoS Management -- einen Schritt weiter und berücksichtigt bei der Umsetzung von Steuerungsmechanismen weitere Kontextinformationen, wie die spezifischen Anforderungen der laufenden Anwendung, oder das vom Nutzer verwendete Endgerät und dessen Eigenschaften. Somit ermöglicht QoE Management eine gezieltere Anpassung des Netzwerks und der Anwendung, so dass vorhandene Ressourcen effizient genutzt werden, und die Nutzerzufriedenheit maximiert wird. Allerdings ist das eine sehr komplexe Aufgabe, gekoppelt mit einer Vielzahl an Herausforderungen, weshalb sich QoE Management in den letzten Jahren zu einem wichtigen Forschungsfeld entwickelt hat. Elementares Ziel ist es, leistungsfähige und optimierte Lösungen in Bezug auf die drei folgenden Grundbausteine zu entwickeln: Der erste ist die Modellierung und die Abschätzung von QoE. Dieser Baustein befasst sich damit, zu quantifizieren, wie Netzwerkparameter, anwendungsspezifische Einstellungen und die Erwartungshaltung des Nutzers dessen wahrgenommene Dienstgüte beeinflussen. Der zweite nötige Baustein, das QoE Monitoring, beschreibt die Fähigkeit, relevante Parameter im Netz und in der Anwendung, oder direkt die QoE, messen zu können. Schließlich, und das formt den dritten Grundbaustein, benötigt man noch Mechanismen, um das Netz und die Anwendung gezielt steuern zu können, um am Ende die QoE zu verbessern oder ein bestimmtes Level an Nutzerzufriedenheit garantieren zu können. Diese Arbeit adressiert die verschiedenen Herausforderungen von QoE Management, stellt unterschiedliche Lösungsansätze in Bezug auf alle drei Bausteine vor und evaluiert diese im Hinblick auf ihre Umsetzbarkeit und Leistungsfähigkeit. Zunächst stellen wir ein analytisches Modell vor, welches auf Warteschlangentheorie basiert und in der Lage ist, QoE-relevante Metriken für adaptives Video Streaming effizient zu berechnen. Das Modell nimmt als Eingabe verschiedene netz-, video- und anwendungsspezifische Parameter entgegen. Dazu gehören unter anderem die vorhandene Bandbreite und deren Schwankung, die verfügbaren Videobitraten und die maximale Kapazität des Videopuffers. Die hohe Effizienz des Modells erlaubt es, mit überschaubarem Zeitaufwand eine Vielzahl an verschiedenen Parameterkombinationen zu testen und somit deren Zusammenspiel und Einfluss auf die QoE zu evaluieren. Es kann also benutzt werden, um die einzelnen Einstellungsparameter von adaptivem Streaming so zu optimieren, dass unter verschiedenen Netzwerkbedingungen die vom Nutzer erfahrene Dienstgüte maximiert wird. Des Weiteren untersuchen wir in dieser Arbeit, inwiefern eine effizientere Strategie zur Videosegmentierung die QoE von Streaminganwendungen verbessern kann. Typischerweise wird ein Video für adaptives Streaming - ohne jegliche Berücksichtigung des Videoinhalts - in gleichlange Segmente von wenigen Sekunden Dauer unterteilt und jedes dieser Segmente mit verschiedenen Bitraten codiert. Während der Wiedergabe kann somit die Qualität dynamisch an die aktuell verfügbare Bandbreite angepasst werden. Allerdings verringert eine solche, von der Videostruktur unabhängige Segmentierung, die Effizienz beim Encoding. Berücksichtigt man jedoch die Charakteristiken des zugrundeliegenden Videos und unterteilt das Video an den Stellen, an welchen ein Szenenwechsel stattfindet, dann kann das die Effizienz des Encodings steigern, liefert aber Segmente von variabler Dauer. Zunächst quantifizieren wir unter Einbeziehung verschiedener encodingspezifischer Einflussfaktoren, wie viel Bitrate der variable Ansatz im Vergleich zum konventionellen Ansatz einsparen kann. Wir zeigen, dass das Potenzial von variablen Segmentdauern am stärksten vom gewählten Videoclip selbst abhängt, und dass die Videobitrate bei gleichbleibender Qualität signifikant reduziert werden kann. In einem zweiten Schritt evaluieren wir die Leistungsfähigkeit von variablen Segmentdauern beim Video Streaming selbst. Wir stellen fest, dass die reduzierte Bitrate vor allem in solchen Situationen die QoE deutlich verbessern kann, in denen nur wenig Bandbreite zur Verfügung steht. Der dritte Teil dieser Arbeit bezieht sich auf den Baustein QoE Monitoring und untersucht, wie sich Netzwerkbetreiber maschinelles Lernen zu Nutze machen können, um die QoE basierend auf Telemetriedaten aus dem Netzwerk zu schätzen. Die 5G Netzwerkarchitektur führt neue, dedizierte Netzfunktionen für die Datenanalyse, komplexe Berechnungen, sowie für den Informationsaustausch mit Dritten, zum Beispiel einem Inhaltsanbieter, ein. Diese Netzfunktionen eröffnen eine Vielzahl neuartiger Möglichkeiten, wie zum Beispiel eine zuverlässige Schätzung der QoE im Netz durch die Integration von maschinellem Lernen. Zunächst diskutieren wir die Herausforderungen eines solchen Ansatzes in 5G Netzen und untersuchen die Anwendbarkeit und Leistungsfähigkeit verschiedener Regressionstechniken. Unsere Ergebnisse zeigen, dass gängige Techniken des maschinellen Lernens für QoE Monitoring, welches rein auf Telemetriedaten aus dem Netz beruht, mit hoher Effizienz und Genauigkeit eingesetzt werden können. Der vorgestellte Ansatz kann somit die Grundlage für ein wirkungsvolles QoE Management in zukünftigen Netzwerken bilden.de
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/17438
dc.identifier.urihttps://doi.org/10.14279/depositonce-16219
dc.language.isoenen
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/en
dc.subject.ddc004 Datenverarbeitung; Informatikde
dc.subject.otherquality of experienceen
dc.subject.otherHTTP adaptive streamingen
dc.subject.othermachine learningen
dc.subject.othermobile networksen
dc.titleModeling and design of novel QoE management strategies for adaptive video streamingen
dc.title.translatedModellierung und Design neuartiger QoE Management Strategien für adaptives Video Streamingde
dc.typeDoctoral Thesisen
dc.type.versionacceptedVersionen
tub.accessrights.dnbfreeen
tub.affiliationFak. 4 Elektrotechnik und Informatik>Inst. Telekommunikationssysteme>FG Internet Network Architectures (INET)de
tub.affiliation.facultyFak. 4 Elektrotechnik und Informatikde
tub.affiliation.groupFG Internet Network Architectures (INET)de
tub.affiliation.instituteInst. Telekommunikationssystemede
tub.publisher.universityorinstitutionTechnische Universität Berlinen
Files
Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
schwarzmann_susanna.pdf
Size:
8.79 MB
Format:
Adobe Portable Document Format
Description:
Collections