[论文解读] ANT: Learning Accurate Network Throughput for Better Adaptive Video Streaming

Jiaoyang Yin, Yiling Xu+4 more|arXiv (Cornell University)|Apr 26, 2021

Image and Video Quality Assessment参考文献 32被引用 5

一句话总结

该论文提出ANT，一种基于深度学习的网络状况识别模型，通过K-means聚类和深度神经网络（DNN）将历史吞吐量轨迹分类为不同的网络状况，从而实现对专用强化学习（RL）-基础自适应比特率（ABR）模型的动态选择。该方法通过准确捕捉吞吐量动态而非依赖均值/标准差统计量，在多样化网络场景下使QoE分别较Pensive和Oboe提升65.5%和31.3%。

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.

研究动机与目标

• 解决现有ABR算法在动态、异构网络条件下性能下降的问题。
• 通过准确建模时间维度的网络吞吐量动态特性，而非依赖均值和标准差，提升自适应视频流媒体的QoE。
• 开发一种状况感知的ABR决策系统，根据实时网络状况分类选择专用的RL模型。
• 通过细粒度的网络状况识别，实现对多种网络类型（如WiFi、蜂窝、有线）的更好适应。
• 通过基于准确网络感知的动态模型切换，超越最先进的基于学习的ABR方法（如Pensive和Oboe）

提出的方法

• ANT模型使用K-means聚类将历史网络吞吐量轨迹划分为五个不同的网络状况簇（NTS），代表典型的连接行为。
• 训练一个深度神经网络（DNN），将过去的吞吐量序列映射为捕捉时间动态的特征向量，取代均值和标准差等简单统计量。
• 每个网络状况簇均关联一个专用的基于RL的ABR决策模型，实现基于状况的速率自适应。
• 系统基于DNN学习的特征表示，通过实时网络状况分类动态选择合适的ABR模型。
• 该方法可集成至现有RL框架（如A3C、DDPG），并使用公开及腾讯提供的网络轨迹进行训练与评估。
• 引入一个额外的“不确定”ABR模型，以处理未见过或模糊的网络状况，提升鲁棒性。

实验结果

研究问题

• RQ1 基于DNN的方法是否能在ABR决策中优于传统统计方法（如均值/标准差）来识别网络状况变化？
• RQ2 与使用单一通用模型相比，动态切换至基于状况的ABR模型是否能提升QoE？
• RQ3 ANT在多种网络类型（如WiFi、4G、有线）下相较于最先进的ABR算法表现如何？
• RQ4 准确的网络状况识别在吞吐量快速波动期间能在多大程度上减少QoE下降？
• RQ5 当遇到此前未见过的网络状况时，系统能否保持高性能？

主要发现

• 在多样化网络场景下，ANT相较于最先进的Pensive算法，用户QoE提升65.5%。
• ANT相较依赖平均值和标准差进行状况检测的Oboe，实现31.3%的QoE提升。
• 基于DNN的状况识别模块在检测网络状况变化方面显著优于传统统计方法。
• 使用基于状况的ABR模型可带来更稳定、更高质量的视频流媒体体验，尤其在吞吐量动态波动期间表现更优。
• 引入“不确定”ABR模型显著增强了在新型或模糊网络状况下的系统鲁棒性。
• 通过公开及腾讯提供的网络轨迹进行的大量实验，验证了ANT在真实网络环境中的有效性与泛化能力。