[논문 리뷰] Optimized Video Streaming over Cloud: A Stall-Quality Trade-off

Abubakr O. Al-Abbasi, Vaneet Aggarwal|arXiv (Cornell University)|2018. 06. 22.

Image and Video Quality Assessment참고 문헌 25인용 수 4

한 줄 요약

이 논문은 오류 복구 저장을 사용하는 클라우드 기반 영상 전송을 위한 이중 단계 확률적 스케줄링 및 품질 적응형 스트리밍 프레임워크를 제안한다. 볼록 조합을 통한 스탠딩 시간과 영상 품질의 공동 최적화를 통해 기준 대비 뚜렷한 QoE 향상을 달성하였으며, 실제 클라우드 테스트베드에서 분석적 경계가 검증되었다.

ABSTRACT

As video-streaming services have expanded and improved, cloud-based video has evolved into a necessary feature of any successful business for reaching internal and external audiences. In this paper, video streaming over distributed storage is considered where the video segments are encoded using an erasure code for better reliability. There are multiple parallel streams between each server and the edge router. For each client request, we need to determine the subset of servers to get the data, as well as one of the parallel stream from each chosen server. In order to have this scheduling, this paper proposes a two-stage probabilistic scheduling. The selection of video quality is also chosen with a certain probability distribution. With these parameters, the playback time of video segments is determined by characterizing the download time of each coded chunk for each video segment. Using the playback times, a bound on the moment generating function of the stall duration is used to bound the mean stall duration. Based on this, we formulate an optimization problem to jointly optimize the convex combination of mean stall duration and average video quality for all requests, where the two-stage probabilistic scheduling, probabilistic video quality selection, bandwidth split among parallel streams, and auxiliary bound parameters can be chosen. This non-convex problem is solved using an efficient iterative algorithm. Evaluation results show significant improvement in QoE metrics for cloud-based video as compared to the considered baselines.

연구 동기 및 목표

• 클라우드 기반 영상 스트리밍 시스템에서 영상 스탠딩 시간을 최소화하면서 평균 영상 품질을 극대화하는 문제를 해결하기 위해.
• 오류 복구된 콘텐츠에서 효율적인 데이터 검색을 위해 서버와 병렬 스트림을 동시에 선택할 수 있는 확장 가능한 스케줄링 전략을 설계하기 위해.
• 다운로드 시간의 순서 통계량의 모멘트 생성 함수를 사용하여 평균 스탠딩 시간을 모델링하고 경계를 설정하기 위해.
• 확률적 스케줄링, 영상 품질 선택, 대역폭 할당 및 보조 파라미터를 공동 최적화하여 QoE 향상을 도모하기 위해.
• 제안된 프레임워크를 실제 클라우드 테스트베드에서 평가하고 기준 알고리즘과 비교하기 위해.

제안 방법

• 이중 단계 확률적 스케줄링을 제안: 먼저 n개의 오류 복구 서버 중 k개를 선택하고, 선택된 각 서버에서 d_j개의 병렬 스트림 중 하나를 선택한다.
• 영상 품질 선택을 위한 이산 확률 분포를 사용하며, 큐 상태와 독립적으로 하여 분석을 단순화한다.
• 코딩된 청크의 다운로드 시간을 실제 네트워크 행동을 반영하는 이동 지수 확률 변수로 모델링한다.
• k개의 병렬 스트림에 걸친 다운로드 시간의 순서 통계량을 사용하여 영상 세그먼트의 재생 시간을 특성화한다.
• 순서화된 다운로드 시간의 모멘트 생성 함수를 사용하여 평균 스탠딩 시간의 상한선을 유도한다.
• 평균 스탠딩 시간과 평균 영상 품질의 볼록 조합을 최소화하는 비볼록 최적화 문제를 제시하며, 효율적인 반복 알고리즘으로 해결한다.

실험 결과

연구 질문

• RQ1 오류 복구 클라우드 스토리지 환경에서 이중 단계 확률적 스케줄링 전략은 어떻게 스탠딩 시간을 최소화하면서 높은 영상 품질을 유지할 수 있는가?
• RQ2 병렬 스트림 할당과 품질 선택은 평균 스탠딩 시간과 평균 영상 품질에 어떤 영향을 미치는가?
• RQ3 순서 통계량과 모멘트 생성 함수를 사용하여 평균 스탠딩 시간에 대한 해석 가능한 분석 경계를 도출할 수 있는가?
• RQ4 다양한 최적화 가중치에 따라 평균 스탠딩 시간과 평균 영상 품질 간의 트레이드오프는 어떻게 변화하는가?
• RQ5 실제 클라우드 테스트베드 조건에서 제안된 알고리즘이 기존 기준 대비 얼마나 뛰어난 성능을 보이는가?

주요 결과

• 제안된 알고리즘은 PSP-QTB, PEA-QTB, PEB-QTA와 같은 기준 방법에 비해 평균 스탠딩 시간을 뚜렷이 감소시키며, 분석적 경계가 실제 테스트베드 측정치와 매우 유사하게 일치한다.
• d_j < 50인 경우, 병렬 스트림 수가 증가함에 따라 평균 스탠딩 시간은 급격히 감소하지만, 평균 영상 품질은 거의 증가하지 않는다.
• d_j > 50인 경우, 평균 스탠딩 시간은 0으로 유지되며, 평균 영상 품질은 크게 증가하여 임계값을 초과하면 수익 감소 현상이 나타남을 시사한다.
• 최적화 파라미터 θ를 통해 평균 스탠딩 시간과 평균 영상 품질 간의 트레이드오프를 효과적으로 조정할 수 있어, 서비스 제공자가 원하는 QoE 수준을 선택할 수 있다.
• 500명의 동시 사용자, (5,3) 오류 복구 코드, 8초 세그먼트 조건에서의 테스트베드 평가 결과, 분석 모델이 실제 성능을 잘 예측함을 확인하였다.
• 모든 고려된 기준 대비 평균 스탠딩 시간과 평균 영상 품질 모두에서 제안된 알고리즘이 뛰어난 성능을 보이며, 클라우드 환경에서의 강건성과 확장성을 입증하였다.