[论文解读] Low-Delay Adaptive Video Streaming Based on Short-Term TCP Throughput Prediction

Konstantin Miller, Abdel-Karim Al-Tamimi+1 more|arXiv (Cornell University)|Mar 10, 2015

Image and Video Quality Assessment参考文献 37被引用 5

一句话总结

本文提出了一种低延迟自适应视频流媒体算法，通过使用简单移动平均（SMA）模型预测短期TCP吞吐量，并利用截断正态分布和Lomax分布对预测误差进行建模，以最小化卡顿和画质波动。该方法实现了接近理想（oracle）的性能，卡顿率约为10^{-4}（平均每30小时跳过一个码率段），在高度动态的无线网络中优于固定裕量方法。

ABSTRACT

Recently, HTTP-Based Adaptive Streaming has become the de facto standard for video streaming over the Internet. It allows the client to adapt media characteristics to varying network conditions in order to maximize Quality of Experience (QoE). In the case of live streaming this task becomes particularly challenging. An important factor than might help improving performance is the capability to correctly predict network throughput dynamics on short to medium timescales. It becomes notably difficult in wireless networks that are often subject to continuous throughput fluctuations. In the present work, we develop an adaptation algorithm for HTTP-Based Adaptive Live Streaming that, for each adaptation decision, maximizes a QoE-based utility function depending on the probability of playback interruptions, average video quality, and the amount of video quality fluctuations. To compute the utility function the algorithm leverages throughput predictions, and dynamically estimated prediction accuracy. We are trying to close the gap created by the lack of studies analyzing TCP throughput on short to medium timescales. We study several time series prediction methods and their error distributions. We observe that Simple Moving Average performs best in most cases. We also observe that the relative underestimation error is best represented by a truncated normal distribution, while the relative overestimation error is best represented by a Lomax distribution. Moreover, underestimations and overestimations exhibit a temporal correlation that we use to further improve prediction accuracy. We compare the proposed algorithm with a baseline approach that uses a fixed margin between past throughput and selected media bit rate, and an oracle-based approach that has perfect knowledge over future throughput for a certain time horizon.

研究动机与目标

• 解决在频繁吞吐量波动的高动态无线网络中实现低延迟自适应视频流媒体的挑战。
• 通过最小化播放中断来提升用户体验质量（QoE），同时平衡视频质量和码率切换。
• 弥补现有研究在自适应流媒体中短期至中长期尺度TCP吞吐量预测方面的空白。
• 准确建模预测误差，并利用其指导动态码率适应决策。
• 开发一种在各种网络条件下（包括恒定与波动吞吐量）均表现良好的实用化适应算法。

提出的方法

• 采用简单移动平均（SMA）作为主要吞吐量预测方法，在所有时间尺度上均优于更复杂的模型。
• 使用截断正态分布建模低估误差的相对分布，使用Lomax分布建模高估误差的相对分布。
• 利用低估与高估误差之间的时序相关性，以提高预测精度。
• 构建基于用户体验质量（QoE）的效用函数，综合考虑卡顿概率、视频质量以及画质波动惩罚。
• 动态估算每个流媒体会话的预测误差边界，以指导码率适应决策。
• 使用从无线网络中采集的真实TCP吞吐量轨迹评估适应性能。

实验结果

研究问题

• RQ1 在无线网络中，哪种时间序列预测方法在短期TCP吞吐量预测中表现最佳？
• RQ2 如何准确建模预测误差，以支持可靠的适应决策？
• RQ3 低估与高估误差之间的时序相关性对预测精度有何影响？
• RQ4 所提出的基于预测的自适应算法在卡顿率和画质方面与固定裕量法和理想（oracle）方法相比表现如何？
• RQ5 该算法是否能在各种网络条件下（包括恒定与高度波动的吞吐量）保持高性能？

主要发现

• 尽管结构简单，简单移动平均（SMA）方法在所有时间尺度上均优于更复杂的预测技术。
• 相对低估误差最适合由截断正态分布建模，而相对高估误差则最适合由Lomax分布表示。
• 尽管整体上低估与高估误差相互平衡，但二者表现出强烈的时序相关性，该特性被用于提升预测精度。
• 所提算法的卡顿率约为10^{-4}，即平均每30小时跳过一个码率段，接近理想性能水平。
• 由于画质波动更小，该算法的画质子效用高于理想方法，表明其具备更优的适应稳定性。
• 固定裕量方法需设置超过0.9的裕量才能达到本方法的卡顿性能，但代价是视频质量显著降低且波动更大。