[论文解读] Cloud-Based Video Streaming Services: A Survey

Xiangbo Li, Mahmoud Darwich+2 more|arXiv (Cornell University)|Nov 30, 2020

Image and Video Quality Assessment被引用 4

一句话总结

本综述对基于云的视频流媒体进行了全面分析，详细阐述了从视频采集到交付的完整技术流程，包括转码、封装以及通过CDN的交付。它评估了原生云解决方案在可扩展性、安全性和低延迟流媒体方面的表现，识别出若干关键研究挑战，如智能任务调度、容错能力以及边缘云联邦化，以提升QoE和成本效率。

ABSTRACT

Video streaming, in various forms of video on demand (VOD), live, and 360 degree streaming, has grown dramatically during the past few years. In comparison to traditional cable broadcasters whose contents can only be watched on TVs, video streaming is ubiquitous and viewers can flexibly watch the video contents on various devices, ranging from smart-phones to laptops and large TV screens. Such ubiquity and flexibility are enabled by interweaving multiple technologies, such as video compression, cloud computing, content delivery networks, and several other technologies. As video streaming gains more popularity and dominates the Internet traffic, it is essential to understand the way it operates and the interplay of different technologies involved in it. Accordingly, the first goal of this paper is to unveil sophisticated processes to deliver a raw captured video to viewers' devices. In particular, we elaborate on the video encoding, transcoding, packaging, encryption, and delivery processes. We survey recent efforts in academia and industry to enhance these processes. As video streaming industry is increasingly becoming reliant on cloud computing, the second goal of this survey is to explore and survey the ways cloud services are utilized to enable video streaming services. The third goal of the study is to position the undertaken research works in cloud-based video streaming and identify challenges that need to be obviated in future to advance cloud-based video streaming industry to a more flexible and user-centric service.

研究动机与目标

• 阐明基于互联网的视频流媒体从原始视频到终端设备的复杂技术工作流程。
• 分析云计算如何实现可扩展、灵活且成本效益高的视频流媒体服务。
• 识别基于云的视频流媒体中的关键挑战，包括延迟、容错能力和资源效率。
• 调查视频流媒体与云计算交叉领域的现有研究与工业实践。
• 概述未来研究方向，如用于任务调度的机器学习技术以及联邦化边缘云架构。

提出的方法

• 系统性回顾视频流媒体技术，包括视频压缩、转码、封装（如DASH、HLS、CMAF）以及通过CDN的交付。
• 分析用于视频处理的原生云架构，包括用于转码和封装的虚拟机与容器。
• 评估云基流媒体管道中的安全机制，如DRM和加密。
• 调查为大规模视频存储库和高吞吐量访问优化的云存储解决方案。
• 研究通过边缘计算和分布式数据中心中的内容缓存实现延迟降低的技术。
• 通过综合现有文献，识别故障容错、负载均衡以及在视频流媒体工作负载中集成机器学习方面的研究空白。

实验结果

研究问题

• RQ1 视频流媒体系统如何在多种设备和网络环境下将原始视频转换为可交付的格式？
• RQ2 云计算在实现可扩展且具有弹性的视频流媒体服务中发挥哪些关键作用？
• RQ3 机器学习如何改进基于云的视频处理中的任务调度、资源分配和执行时间估算？
• RQ4 在云环境中构建容错性视频流媒体系统面临哪些挑战与机遇？
• RQ5 联邦化边缘云架构如何降低延迟并提升全球视频交付的成本效率？

主要发现

• 基于云的视频流媒体利用虚拟化和分布式计算技术，动态扩展转码和交付工作负载，降低基础设施成本并提高资源利用率。
• 机器学习技术（如用于预测转码时间的技术）显著改善了云环境中负载均衡和资源分配。
• 视频流媒体中的容错能力需要针对虚拟机/容器故障和视频处理任务故障制定专门策略，而现有解决方案在与QoE感知目标的全面集成方面仍显不足。
• 通过智能地在地理分布的边缘数据中心之间路由视频请求并利用缓存内容，联邦化边缘云架构可降低延迟并提升成本效率。
• 当前CDN和云系统尚未充分挖掘分布式边缘资源的潜力，表明亟需动态、策略驱动的负载分发机制。
• 在视频流媒体任务中集成语义相似性检测，可实现对相似请求的处理结果复用，从而提升多用户环境下的处理效率。