[논문 리뷰] ANT: Learning Accurate Network Throughput for Better Adaptive Video Streaming

Jiaoyang Yin, Yiling Xu외 4명|arXiv (Cornell University)|2021. 04. 26.

Image and Video Quality Assessment참고 문헌 32인용 수 5

한 줄 요약

이 논문은 K-평균 군집화와 DNN를 사용하여 역행적 전송률 추적을 구분되는 네트워크 조건으로 분류하는 딥러닝 기반의 네트워크 조건 인식 모델인 ANT를 제안한다. 이를 통해 전용 강화학습(RL)-기반 ABR 모델의 동적 선택이 가능해지며, 평균/표준편차 통계 자료에 의존하지 않고 전송률 역학을 정확히 포착함으로써 다양한 네트워크 환경에서 QoE를 각각 Pensive 대비 65.5% 향상시키고 Oboe 대비 31.3% 향상시킨다.

ABSTRACT

Adaptive Bit Rate (ABR) decision plays a crucial role for ensuring satisfactory Quality of Experience (QoE) in video streaming applications, in which past network statistics are mainly leveraged for future network bandwidth prediction. However, most algorithms, either rules-based or learning-driven approaches, feed throughput traces or classified traces based on traditional statistics (i.e., mean/standard deviation) to drive ABR decision, leading to compromised performances in specific scenarios. Given the diverse network connections (e.g., WiFi, cellular and wired link) from time to time, this paper thus proposes to learn the ANT (a.k.a., Accurate Network Throughput) model to characterize the full spectrum of network throughput dynamics in the past for deriving the proper network condition associated with a specific cluster of network throughput segments (NTS). Each cluster of NTS is then used to generate a dedicated ABR model, by which we wish to better capture the network dynamics for diverse connections. We have integrated the ANT model with existing reinforcement learning (RL)-based ABR decision engine, where different ABR models are applied to respond to the accurate network sensing for better rate decision. Extensive experiment results show that our approach can significantly improve the user QoE by 65.5% and 31.3% respectively, compared with the state-of-the-art Pensive and Oboe, across a wide range of network scenarios.

연구 동기 및 목표

• 기존 ABR 알고리즘의 동적이고 이질적인 네트워크 조건에서의 성능 저하 문제를 해결하기 위해.
• 평균 및 표준편차에 의존하지 않고 시간에 따른 네트워크 전송률 역학을 정확히 모델링하여 적응형 비디오 스트리밍에서 QoE를 향상시키기 위해.
• 실시간 네트워크 조건 분류 기반으로 전용 RL 모델을 선택하는 조건 인식 ABR 의사결정 시스템을 개발하기 위해.
• 세분화된 네트워크 조건 인식을 통해 다양한 네트워크 유형(예: WiFi, 4G, 유선)에 대한 보다 우수한 적응성을 확보하기 위해.
• 정확한 네트워크 감지 기반의 동적 모델 전환을 활용하여 Pensive 및 Oboe와 같은 최신 학습 기반 ABR 방법을 능가하기 위해.

제안 방법

• ANT 모델은 과거 네트워크 전송률 추적을 다섯 개의 구분되는 네트워크 조건 군집(NTS)으로 그룹화하기 위해 K-평균 군집화를 사용한다. 이는 일반적인 연결 행동을 대표한다.
• 과거 전송률 시계열을 특징 벡터로 매핑하는 깊은 신경망(DNN)을 학습시켜 시간적 역학을 포착하며, 평균 및 표준편차와 같은 단순 통계 자료를 대체한다.
• 각 네트워크 조건 군집은 전용 RL 기반 ABR 의사결정 모델과 연결되어 조건별로 특화된 비트레이트 적응이 가능하다.
• DNN가 학습한 특징 표현을 사용해 실시간 네트워크 조건 분류 기반으로 적절한 ABR 모델을 동적으로 선택한다.
• 기존 RL 프레임워크(A3C, DDPG 등)와 통합되며, 공개 및 텐센트 제공 네트워크 추적 데이터를 사용해 학습 및 평가를 수행한다.
• 기존에 보지 못한 또는 모호한 네트워크 조건을 처리하기 위해 추가로 '불확실한' ABR 모델을 도입하여 시스템의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 DNN 기반 접근 방식이 ABR 의사결정을 위한 네트워크 조건 변화 인식에서 전통적 통계(평균/표준편차)를 능가할 수 있는가?
• RQ2 조건별 전용 ABR 모델 간의 동적 전환은 단일 통합 모델을 사용하는 것보다 QoE를 향상시키는가?
• RQ3 ANT는 다양한 네트워크 유형(예: WiFi, 4G, 유선)에서 최신 ABR 알고리즘과 비교해 어떻게 성능을 내는가?
• RQ4 정확한 네트워크 조건 인식이 빠른 전송률 변동 기간 동안 QoE 저하를 어느 정도 감소시키는가?
• RQ5 시스템은 이전에 경험하지 못한 네트워크 조건에 직면했을 때도 높은 성능을 유지할 수 있는가?

주요 결과

• ANT는 다양한 네트워크 환경에서 최신 기술인 Pensive 대비 사용자 QoE를 65.5% 향상시켰다.
• ANT는 평균 및 표준편차를 사용해 조건을 탐지하는 Oboe 대비 QoE를 31.3% 향상시켰다.
• DNN 기반의 조건 인식 모듈은 전통적 통계 방법에 비해 네트워크 조건 변화 탐지에서 뚜렷한 성능 향상을 보였다.
• 조건별 전용 ABR 모델의 사용은 특히 전송률의 급격한 변동 기간 동안 더 안정적이고 고화질의 비디오 스트리밍을 가능하게 했다.
• '불확실한' ABR 모델의 포함은 새로운 또는 모호한 네트워크 조건에 직면했을 때의 강건성을 향상시켰다.
• 공개 및 텐센트 제공 네트워크 추적 데이터를 활용한 광범위한 실험을 통해 ANT의 효과성과 일반화 능력이 실제 네트워크 환경에서 검증되었다.