[논문 리뷰] Dashlet: Taming Swipe Uncertainty for Robust Short Video Streaming

Zhuqi Li, Yaxiong Xie외 2명|arXiv (Cornell University)|2022. 04. 27.

Image and Video Quality Assessment인용 수 6

한 줄 요약

Dashlet은 짧은 영상 애플리케이션에서 사용자 스와이프의 예측 불가능성을 고려해, 개략적인 스와이프 통계를 기반으로 순서를 무시한 채로 비디오 청크를 사전 버퍼링함으로써 경험 품질(QoE)을 향상시키는 혁신적인 비디오 스트리밍 시스템이다. 재버퍼링과 낭비되는 대역폭을 최소화하기 위해 탐욕 알고리즘을 사용한다. 이 시스템은 오라클 QoE의 77–99%를 달성하며, TikTok보다 비트레이트 보상에서 43.9–45.1배 뛰어나며, 낭비되는 데이터를 30% 줄였다.

ABSTRACT

Short video streaming applications have recently gained substantial traction, but the non-linear video presentation they afford swiping users fundamentally changes the problem of maximizing user quality of experience in the face of the vagaries of network throughput and user swipe timing. This paper describes the design and implementation of Dashlet, a system tailored for high quality of experience in short video streaming applications. With the insights we glean from an in-the-wild TikTok performance study and a user study focused on swipe patterns, Dashlet proposes a novel out-of-order video chunk pre-buffering mechanism that leverages a simple, non machine learning-based model of users' swipe statistics to determine the pre-buffering order and bitrate. The net result is a system that achieves 77-99% of an oracle system's QoE and outperforms TikTok by 43.9-45.1x, while also reducing by 30% the number of bytes wasted on downloaded video that is never watched.

연구 동기 및 목표

• 사용자 스와이프가 예측 불가능하고 선형적이지 않은 짧은 영상 스트리밍 환경에서 기존 ABR 알고리즘의 순차적 재생을 전제로 하는 한계를 해결하기 위해.
• 조기 스와이프로 인해 시청되지도 않는 청크를 버퍼링하면서 발생하는 재버퍼링과 대역폭 낭비를 줄이기 위해.
• 복잡한 머신러닝 모델에 의존하지 않고, 예상 스와이프 시점과 네트워크 조건에 기반해 다이내믹하게 청크 다운로드 우선순위를 설정하는 시스템을 설계하기 위해.
• 이deal 오라클 시스템에 비해 높은 QoE를 달성하면서도 스와이프 및 네트워크 예측 오류에 강건한 성능을 내기 위해.

제안 방법

• Dashlet은 비머신러닝 모델을 사용하여, 특히 각 비디오당 평균 스와이프 시간을 포함한 개략적인 스와이프 분포 데이터를 활용해 청크 버퍼링 우선순위를 정한다.
• 다운로드 시간, 재생 시간, 비디오 시작/종료 시점의 스와이프 가능성에 기반해 예상 재버퍼링 지연을 추정하는 연속 함수를 수립한다.
• 다양한 스와이프 시퀀스에 대한 예상 재버퍼링을 최소화하기 위해 현재 시간 윈도우 내에서 버퍼링할 최적의 청크 시퀀스를 탐욕 알고리즘으로 선택한다.
• 선택된 청크에 대해 기존 ABR 알고리즘을 통합하여 비트레이트를 할당함으로써 전체 QoE를 극대화한다.
• 실시간 네트워크 대역폭과 클라이언트 버퍼 상태에 따라 버퍼 시퀀스를 동적으로 갱신한다.
• 전체 비디오에 걸쳐 비트레이트를 사전 확정하지 않으며, 네트워크의 유휴 시간을 방지함으로써 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 사용자 스와이프가 예측 불가능하고 비선형적인 짧은 영상 스트리밍 환경에서 비디오 청크 버퍼링을 어떻게 최적화할 수 있는가?
• RQ2 복잡한 예측 모델이 필요 없이도 상당한 QoE 향상을 이끌어내기 위해 스와이프 패턴 정보의 어느 수준이 충분한가?
• RQ3 스와이프 시점 또는 네트워크 대역폭 예측 오류가 발생할 경우 시스템의 성능은 어떻게 되는가?
• RQ4 비머신러닝 기반 히우리스틱 접근 방식이 TikTok과 같은 상용 시스템보다 QoE 및 대역폭 효율성에서 뛰어나게 성능을 낼 수 있는가?
• RQ5 스와이프 분포 및 네트워크 예측의 부정확성에 대해 시스템은 어느 정도 강건한가?

주요 결과

• Dashlet은 모델 예측 제어(MPC) 기반 오라클 시스템의 QoE의 77.3–98.6%를 달성하여 거의 최적의 성능을 보였다.
• 비트레이트 보상에서 TikTok보다 43.9–45.1배 뛰어나며, 평균 영상 품질은 85.3–246.2% 높았다.
• 시청되지도 않는 비디오 청크의 다운로드를 피함으로써 대역폭 낭비를 30% 줄였다.
• 스와이프 분포 추정치가 최대 50% 어긋나더라도 Dashlet의 83.7% 버퍼링 결정이 그대로 유지되어 높은 강건성을 보였다.
• 스와이프 시점 예측 오류가 50%일 경우, 오버예측 시 87%, 언더예측 시 91%의 전체 QoE를 유지했다.
• 네트워크 예측 오류가 50%일 경우, 오버예측 시 QoE가 88%, 언더예측 시 76%로 떨어졌으며, 스와이프 오류에 비해 네트워크 오류에 더 강건함을 보였다.