[논문 리뷰] SENSEI: Aligning Video Streaming Quality with Dynamic User Sensitivity

Xu Zhang, Yiyang Ou외 2명|arXiv (Cornell University)|2020. 08. 11.

Image and Video Quality Assessment참고 문헌 49인용 수 15

한 줄 요약

SENSEI는 사용자의 시간에 따라 변하는 품질 민감도를 보다 정확히 반영하기 위해 군중 기반 인지 데이터를 활용해 각 비디오의 고유한 민감도 패턴을 프로파일링하는 비디오 스트리밍 시스템을 제안한다. 이 동적 민감도를 기존의 적응형 비트레이트 제어 알고리즘에 통합함으로써, SENSEI는 평균적으로 QoE를 15.1% 향상시키거나 대역폭을 26.8% 절감할 수 있으며, 네트워크 대역폭이 충분한 경우에도 예측적으로 재버퍼링을 수행하는 등 직관에 어긋나는 조치를 가능하게 한다.

ABSTRACT

This paper aims to improve video streaming by leveraging a simple observation: users are more sensitive to low quality in certain parts of a video than in others. For instance, rebuffering during key moments of a sports video (e.g., before a goal is scored) is more annoying than rebuffering during normal gameplay. Such dynamic quality sensitivity, however, is rarely captured by current approaches, which predict QoE (quality-of-experience) using one-size-fits-all heuristics that are too simplistic to understand the nuances of video content. Instead of proposing yet another heuristic, we take a different approach: we run a separate crowdsourcing experiment for each video to derive users' quality sensitivity at different parts of the video. Of course, the cost of doing this at scale can be prohibitive, but we show that careful experiment design combined with a suite of pruning techniques can make the cost negligible compared to how much content providers invest in content generation and distribution. Our ability to accurately profile time-varying user sensitivity inspires a new approach: dynamically aligning higher (lower) quality with higher (lower) sensitivity periods. We present a new video streaming system called SENSEI that incorporates dynamic quality sensitivity into existing quality adaptation algorithms. We apply SENSEI to two state-of-the-art adaptation algorithms. SENSEI can take seemingly unusual actions: e.g., lowering bitrate (or initiating a rebuffering event) even when bandwidth is sufficient so that it can maintain a higher bitrate without rebuffering when quality sensitivity becomes higher in the near future. Compared to state-of-the-art approaches, SENSEI improves QoE by 15.1% or achieves the same QoE with 26.8% less bandwidth on average.

연구 동기 및 목표

• 기존 QoE 모델과 ABR 알고리즘의 한계를 해결하기 위해, 다양한 비디오 간에 동일한 사용자 민감도를 가정하는 것에 기반한 제약을 해결한다.
• 스포츠나 영화의 핵심 순간과 같이 비디오의 내용에 따라 변화하는 사용자 품질 민감도의 동적 변동성을 캡처한다.
• 일반적인 히ュ리스틱이나 콘텐츠 특화 학습에 의존하지 않고도, 각 비디오에 대해 스케일러블하고 비용 효율적인 방식으로 동적 품질 민감도를 프로파일링하는 방법을 개발한다.
• 향후 민감도가 증가할 것으로 예상될 경우, 예를 들어 높은 대역폭 기간 동안에도 비디오 품질을 낮추거나 조기에 재버퍼링을 시작함으로써 사전에 품질을 유지할 수 있도록 비디오 스트리밍 시스템을 능동적으로 조정할 수 있도록 한다.
• 기존 ABR 알고리즘에 동적 민감도를 통합함으로써 QoE를 크게 향상시키거나 대역폭 사용을 줄일 수 있음을 입증한다.

제안 방법

• 비디오 청크 단위로 품질 저하에 대한 사용자 평가를 수집하기 위해 비디오별 군중 기반 실험을 수행하여 시간에 따라 변화하는 민감도를 캡처한다.
• 정확도를 유지하면서도 비용을 최소화하기 위해 전략적 샘플링과 프루닝을 활용한 경량이고 확장 가능한 실험 프로토콜을 설계한다.
• 군중 기반 데이터에서 청크 별 민감도 가중치를 유도하여 각 비디오 고유의 동적 품질 민감도 프로파일을 표현한다.
• 기존 ABR 알고리즘(예: Pensieve 및 Fugu)의 QoE 목적 함수에 이러한 민감도 가중치를 통합한다.
• 기존 ABR 논리에 비표준 적응 조치(예: 높은 대역폭 기간 동안 재버퍼링을 시작함)를 허용하여 향후 민감도가 높아질 것으로 예상되는 구간에서 품질을 사전에 유지할 수 있도록 확장한다.
• 실제 네트워크 대역폭 트레이스를 사용하여 시스템을 검증하고, 다양한 네트워크 조건 하에서 QoE 향상 수준을 측정한다.

실험 결과

연구 질문

• RQ1 군중 기반 방법을 통해 개별 비디오에 대해 정확하고 확장 가능한 방식으로 동적 사용자 민감도를 프로파일링할 수 있는가?
• RQ2 비디오 특화의 시간에 따라 변화하는 민감도를 QoE 모델링에 통합할 경우, 정적 또는 일반 히ュ리스틱 대비 스트리밍 성능이 얼마나 향상되는가?
• RQ3 기존 ABR 알고리즘이 아키텍처적 대대적 개선 없이도 동적 민감도 프로파일을 얼마나 잘 활용할 수 있는가?
• RQ4 동적 민감도 모델링을 통해 QoE 향상을 위해 새로운 적응 조치(예: 예측적 재버퍼링)를 얼마나 효과적으로 구현할 수 있는가?
• RQ5 특히 대역폭 변동성이 증가할 경우, 제안된 시스템의 성능은 얼마나 견고한가?

주요 결과

• SENSEI는 동일한 기반 적응 논리 사용 조건에서 최신 기술 대비 평균적으로 QoE를 15.1% 향상시킨다.
• SENSEI는 동일한 QoE 수준을 유지하면서 평균적으로 대역폭 사용을 26.8% 절감하여 뚜렷한 효율성 향상을 보였다.
• 비디오 1분당 31.4달러의 예산으로 SENSEI는 기존 모델 대비 QoE 예측 정확도를 최대 37.1% 더 높게 예측할 수 있었다.
• 대역폭 변동성이 증가하는 조건에서도 SENSEI의 QoE는 견고하게 유지되며, 네트워크 조건 악화 상황에서도 뚜렷한 성능 향상을 유지한다.
• QoE 향상의 대부분(50% 이상)은 새로운 적응 조치가 아닌, 동적 민감도를 반영하도록 QoE 목적 함수를 수정함으로써 발생한다.
• SENSEI의 런타임 오버헤드는 CPU 및 RAM 사용량 모두 1% 미만으로, 실세계 구현에 대한 실용성을 확인한다.