[论文解读] Modeling QoE of Video Streaming in Wireless Networks with Large-Scale Measurement of User Behavior

Yuedong Xu, Zhujun Xiao+4 more|arXiv (Cornell University)|Apr 6, 2016

Image and Video Quality Assessment参考文献 15被引用 3

一句话总结

本文提出了一种新颖的分析框架，通过利用大规模用户行为测量数据，对无线视频流媒体中的用户体验质量（QoE）进行建模，揭示了观看时长遵循超指数分布。基于此洞察，作者通过常规微分方程在差别化处理器共享（DPS）调度下推导出阻塞概率的闭式表达式，使网络运营商能够优化调度权重，从而分别改善短时和长时观看的QoE。

ABSTRACT

Unraveling quality of experience (QoE) of video streaming is very challenging in bandwidth shared wireless networks. It is unclear how QoE metrics such as starvation probability and buffering time interact with dynamics of streaming traffic load. In this paper, we collect view records from one of the largest streaming providers in China over two weeks and perform an in-depth measurement study on flow arrival and viewing time that shed light on the real traffic pattern. Our most important observation is that the viewing time of streaming users fits a hyper-exponential distribution quite well. This implies that all the views can be categorized into two classes, short and long views with separated time scales. We then map the measured traffic pattern to bandwidth shared cellular networks and propose an analytical framework to compute the closed-form starvation probability on the basis of ordinary differential equations (ODEs). Our framework can be naturally extended to investigate practical issues including the progressive downloading and the finite video duration. Extensive trace-driven simulations validate the accuracy of our models. Our study reveals that the starvation metrics of the short and long views possess different sensitivities to the scheduling priority at base station. Hence, a better QoE tradeoff between the short and long views has a potential to be leveraged by offering them different scheduling weights. The flow differentiation involves tremendous technical and non-technical challenges because video content is owned by content providers but not the network operators and the viewing time of each session is unknown beforehand. To overcome these difficulties, we propose an online Bayesian approach to infer the viewing time of each incoming flow with the "least" information from content providers.

研究动机与目标

• 通过从中国主要流媒体提供商获取的大规模用户行为测量数据，理解移动视频流媒体的真实流量模式。
• 解决在带宽共享的蜂窝网络中，视频流时长和受欢迎程度各不相同的情况下，预测缓冲区阻塞的挑战。
• 开发一种实用的QoE度量分析模型——特别是阻塞概率，使网络运营商能够用于资源分配。
• 在内容提供商输入极少的前提下，实现对短时和长时视频观看流的差异化处理。
• 提出一种贝叶斯推断方法，使网络运营商能够仅通过内容提供商提供的有限信息，实时估计观看时长类别。

提出的方法

• 从大规模视频提供商收集了两周的真实流媒体观看记录，以分析流到达和观看时长模式。
• 发现观看时长符合超指数分布，表明存在两类不同的用户：短时观看和长时观看，具有不同的时间尺度。
• 利用常微分方程（ODEs）构建分析模型，以在差别化处理器共享（DPS）调度下计算阻塞概率。
• 将基础模型扩展至处理实际场景，如渐进式下载和有限视频时长。
• 提出一种在线贝叶斯推断方法，利用内容提供商提供的最少信息，估计新到达流的观看时长类别。
• 通过使用真实流量轨迹的大量trace驱动仿真，验证了模型的准确性。

实验结果

研究问题

• RQ1 在真实世界的移动视频流媒体中，用户观看时长的实际分布是什么？
• RQ2 观看时长的超指数特性如何影响带宽共享无线网络中的缓冲区阻塞概率？
• RQ3 在DPS调度下，能否基于现实的流量模式推导出阻塞概率的闭式分析模型？
• RQ4 调度优先级如何对短时与长时视频观看的QoE产生不同的影响？
• RQ5 内容提供商可以向网络运营商共享何种最少信息，以实现有效的QoE感知调度？

主要发现

• 移动视频流媒体中的观看时长最适合用超指数分布建模，表明存在两类不同的用户：短时观看和长时观看。
• 短时观看的阻塞概率对调度优先级的敏感度显著高于长时观看，使其对QoE改进更敏感。
• 将短时观看的调度权重提高2倍，可显著降低其阻塞风险，而对长时观看的阻塞概率仅造成轻微增加。
• 所提出的基于ODE的分析模型在预测阻塞概率方面具有高精度，经trace驱动仿真验证。
• 贝叶斯推断方法能够仅通过内容提供商提供的最少信息，有效将新到达的流分类为短时或长时观看类别。
• 该框架具有通用性，可扩展用于建模渐进式下载和有限视频时长，从而增强实际适用性。