[论文解读] Mobile Instant Video Clip Sharing: Modeling and Enhancing View Experience

Lei Zhang, Feng Wang+1 more|arXiv (Cornell University)|Dec 24, 2014

Caching and Content Delivery参考文献 16被引用 3

一句话总结

本文提出了一种新颖的调度框架，通过建模移动即时短视频分享平台（如Twitter的Vine）中独特的观看行为，并优化预取缓存与实时下载调度，以提升用户体验。基于trace驱动的仿真结果表明，与基线方法相比，该方法在保持近零播放中断的同时，实现了超过90%的货币成本和能耗节省。

ABSTRACT

With the rapid development of wireless networking and mobile devices, anytime and anywhere data access becomes readily available nowadays. Given the crowdsourced content capturing and sharing, the preferred content length becomes shorter and shorter, even for such multimedia data as video. A representative is Twitter's Vine service, which, mainly targeting mobile users, enables them to create ultra-short video clips and instantly post and share with their followers. In this paper, we present an initial study on this new generation of instant video clip sharing service enabled by mobile platforms and explore the potentials towards its further enhancement. We closely investigate its unique mobile interface, revealing the key differences between Vine-enabled anytime anywhere data access patterns and that of traditional counterparts. We then examine the scheduling policy to maximize the user watching experience as well as the efficiency on the monetary and energy costs. We show that the generic scheduling problem involves two subproblems, namely, pre-fetching scheduling and watch-time download scheduling, and develop effective solutions towards both of them. The superiority of our solution is demonstrated by extensive trace-driven simulations. To the best of our knowledge, this is the first work on modeling and optimizing the instant video clip sharing on mobile devices.

研究动机与目标

• 对移动即时短视频分享平台（如Vine）特有的观看行为——批量观看、被动观看和屏幕滑动——进行建模与分析。
• 解决在带宽和能耗受限的移动环境中维持高质量视频播放的挑战。
• 设计一种调度框架，在最大化用户观看体验的同时最小化货币与能耗成本。
• 识别并解决两个关键子问题：移动短视频分享中的预取调度与观看时间下载调度。

提出的方法

• 作者将观看体验建模为一个通用的调度问题，分解为预取调度与观看时间下载调度两个子问题。
• 提出一种基于热度与无线感知的预取策略，利用常规和机会性WiFi接入点主动缓存视频。
• 设计一种基于手势的预测模型，利用用户操作模式（如拖拽和滑动）估算未来的视频观看时长。
• 系统根据预测的观看行为与网络状况，实时动态调整下载调度。
• 该方案整合用户移动模式与上下文感知技术（如静止状态、WiFi可用性）以触发机会性预取。
• 采用真实世界trace数据，在大规模仿真中对框架进行评估，并与基线方法（如Sequential Download, SeqD）进行对比。

实验结果

研究问题

• RQ1 移动用户在即时短视频分享中的观看行为与传统视频消费模式有何不同？
• RQ2 在移动设备上对超短时长视频片段维持高质量播放的关键性能瓶颈是什么？
• RQ3 如何优化预取策略以减少播放中断，同时最小化能耗与货币成本？
• RQ4 用户输入手势（如滑动）在多大程度上可用于预测视频观看时长并改进调度决策？
• RQ5 集成上下文感知传感与移动模型是否能进一步提升移动环境中视频预取的效率？

主要发现

• 所提方案在各种带宽条件下，均显著降低了播放中断率，优于基线方法。
• 即使在网络波动较大的情况下，系统仍能将播放中断率保持在接近零的水平，优于Sequential Download (SeqD) 基线。
• 在相同性能条件下，与SeqD基线相比，该方法在货币成本与能耗方面均实现了超过90%的节省。
• 结合基于热度的预取与基于手势的观看时长预测，可实现更稳定高效的调度。
• 该方案在不同网络条件下均表现出稳健性能，显著提升了用户体验与成本效率。
• 利用上下文感知传感（如通过WiFi检测静止状态）可实现无感机会性预取，且不干扰用户体验。