[論文レビュー] TAROT: Towards Optimization-Driven Adaptive FEC Parameter Tuning for Video Streaming

Jashanjot Singh Sidhu, Aman Sahu+1 more|arXiv (Cornell University)|Feb 10, 2026

Network Traffic and Congestion Control被引用数 0

ひとこと要約

TAROTは、冗長性、ブロックサイズ、シンボリゼーションをビデオセグメントごとに適応的に調整する最適化駆動のクロスレイヤFECコントローラを提供し、ストリーミングにおけるオーバーヘッドと品質のバランスを取る。

ABSTRACT

Forward Error Correction (FEC) remains essential for protecting video streaming against packet loss, yet most real deployments still rely on static, coarse-grained configurations that cannot react to rapid shifts in loss rate, goodput, or client buffer levels. These rigid settings often create inefficiencies: unnecessary redundancy that suppresses throughput during stable periods, and insufficient protection during bursty losses, especially when shallow buffers and oversized blocks increase stall risk. To address these challenges, we present TAROT, a cross-layer, optimization-driven FEC controller that selects redundancy, block size, and symbolization on a per-segment basis. TAROT is codec-agnostic--supporting Reed-Solomon, RaptorQ, and XOR-based codes--and evaluates a pre-computed candidate set using a fine-grained scoring model. The scoring function jointly incorporates transport-layer loss and goodput, application layer buffer dynamics, and block-level timing constraints to penalize insufficient coverage, excessive overhead, and slow block completion. To enable realistic testing, we extend the SABRE simulator 1 with two new modules: a high-fidelity packet-loss generator that replays diverse multi-trace loss patterns, and a modular FEC benchmarking layer supporting arbitrary code/parameter combinations. Across Low-Latency Live (LLL) and Video-on-Demand (VoD) streaming modes, diverse network traces, and multiple ABR algorithms, TAROT reduces FEC overhead by up to 43% while improving perceptual quality by 10 VMAF units with minimal rebuffering, achieving a stronger overhead-quality balance than static FECs.

研究の動機と目的

• さまざまな損失、良好性（goodput）、バッファ条件下でのビデオストリーミングの静的FEC設定の非効率を解消する。
• セグメントごとにパラメータを適応させてオーバーヘッドと品質のトレードオフを最適化するクロスレイヤFECコントローラを開発する。
• コーデック独立のFEC方式（リード・ソロモン、RaptorQ、XOR）をサポートし、現実的なテスト環境へ統合する。

提案手法

• 高忠実度のマルチトレースパケット損失ジェネレータを備えたSABREシミュレータを拡張する。
• 任意のコード/パラメータ組み合わせを許容するモジュール式FECベンチマーク層を実装する。
• 輸送損失/良好性、バッファダイナミクス、およびブロックタイミング制約を同時に考慮する細粒度のスコアリングモデルを用いて事前計算済み候補集合を評価する。
• スコアリング関数は不十分なカバレッジ、過剰なオーバーヘッド、遅いブロック完了をペナルティとする。
• Low-Latency LiveおよびVoDモード、異なるネットワークトレース、および異なるABRアルゴリズムで性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ダイナミックなネットワーク条件下で、セグメントごとにFECパラメータを適応的に調整してストリーミング効率を改善するにはどうすればよいか。
• RQ2 最適化駆動のクロスレイヤFECコントローラを用いた場合、静的FEC構成と比べて潜在的なオーバーヘッド削減と品質向上はどれくらいか。
• RQ3 TAROTのコーデック非依存アプローチ（RS、RaptorQ、XOR）は、多様なストリーミングシナリオで堅牢な性能を提供できるか。

主な発見

• FECオーバーヘッドは静的構成と比べて最大で43%削減される。
• 主観的品質は約10のVMAF単位の改善。
• TAROTは最小限の再バッファリングを維持しつつ、静的FECよりもオーバーヘッドと品質のバランスを強化する。