[论文解读] Dashlet: Taming Swipe Uncertainty for Robust Short Video Streaming

Zhuqi Li, Yaxiong Xie+2 more|arXiv (Cornell University)|Apr 27, 2022

Image and Video Quality Assessment被引用 6

一句话总结

Dashlet 是一种新颖的视频流媒体系统，通过基于粗粒度滑动统计信息，以贪婪算法最小化重新缓冲和带宽浪费，实现非顺序预缓冲视频分片，从而提升短视频应用中的用户体验质量（QoE）。其性能达到理想状态（oracle）QoE的77–99%，在码率奖励方面优于TikTok 43.9–45.1倍，同时将浪费的数据减少了30%。

ABSTRACT

Short video streaming applications have recently gained substantial traction, but the non-linear video presentation they afford swiping users fundamentally changes the problem of maximizing user quality of experience in the face of the vagaries of network throughput and user swipe timing. This paper describes the design and implementation of Dashlet, a system tailored for high quality of experience in short video streaming applications. With the insights we glean from an in-the-wild TikTok performance study and a user study focused on swipe patterns, Dashlet proposes a novel out-of-order video chunk pre-buffering mechanism that leverages a simple, non machine learning-based model of users' swipe statistics to determine the pre-buffering order and bitrate. The net result is a system that achieves 77-99% of an oracle system's QoE and outperforms TikTok by 43.9-45.1x, while also reducing by 30% the number of bytes wasted on downloaded video that is never watched.

研究动机与目标

• 为应对短视频流媒体中用户滑动行为不可预测且非线性的问题，该问题会破坏传统ABR算法所假设的顺序播放机制。
• 减少因用户提前滑动导致未观看的分片被缓冲而造成的重新缓冲和带宽浪费。
• 设计一种系统，根据预期滑动时机和网络状况动态优先下载分片，且无需依赖复杂的机器学习模型。
• 在不依赖复杂预测模型的前提下，实现接近理想oracle系统的高QoE，同时对滑动和网络预测误差具有鲁棒性。

提出的方法

• Dashlet 使用非机器学习模型，利用粗粒度滑动分布数据——特别是每段视频的平均滑动时间——来优先处理分片缓冲。
• 它建立一个连续函数，基于下载时间、播放时间以及视频起始/结束处的滑动可能性，估算预期的重新缓冲延迟。
• 系统应用贪婪算法，选择当前时间窗口内最优的分片缓冲序列，以最小化可能滑动序列下的预期重新缓冲时间。
• 它与传统ABR算法集成，为选定的分片分配码率，以最大化整体QoE。
• 缓冲序列根据实时网络吞吐量和客户端缓冲状态动态更新。
• 它避免对整段视频预先承诺码率，并确保无网络空闲时间，从而提升效率。

实验结果

研究问题

• RQ1 当用户滑动行为不可预测且非线性时，如何优化短视频流媒体中的分片缓冲？
• RQ2 何种粒度的滑动模式信息足以显著提升QoE，而无需依赖复杂预测模型？
• RQ3 当滑动时机或网络吞吐量估计存在误差时，系统性能如何？
• RQ4 非机器学习的启发式方法能否在QoE和带宽效率方面超越TikTok等商业系统？
• RQ5 系统在滑动分布和网络预测不准确的情况下，其鲁棒性如何？

主要发现

• Dashlet 达到了基于模型预测控制（MPC）的oracle系统77.3–98.6%的QoE，表现出接近最优的性能。
• 在码率奖励方面，其性能优于TikTok 43.9–45.1倍，平均视频质量提升85.3–246.2%。
• 通过避免下载未观看的视频分片，系统将带宽浪费减少了30%。
• 即使滑动分布估计误差高达50%，仍有83.7%的Dashlet缓冲决策保持不变，表明其具有高度鲁棒性。
• 当滑动时机估计误差达50%时，Dashlet在高估情况下维持91%的QoE，在低估情况下维持87%的QoE。
• 当网络预测误差达50%时，QoE分别下降至88%（高估）和76%（低估），表明系统对滑动误差的容忍度高于对网络误差的容忍度。