[论文解读] Optimized Video Streaming over Cloud: A Stall-Quality Trade-off

Abubakr O. Al-Abbasi, Vaneet Aggarwal|arXiv (Cornell University)|Jun 22, 2018

Image and Video Quality Assessment参考文献 25被引用 4

一句话总结

本文提出了一种基于分层编码存储的云视频传输两阶段概率调度与质量自适应流媒体框架。通过凸组合联合优化卡顿时长与视频质量，该方法在基线方法上实现了显著的QoE提升，其分析边界已在真实云测试平台上得到验证。

ABSTRACT

As video-streaming services have expanded and improved, cloud-based video has evolved into a necessary feature of any successful business for reaching internal and external audiences. In this paper, video streaming over distributed storage is considered where the video segments are encoded using an erasure code for better reliability. There are multiple parallel streams between each server and the edge router. For each client request, we need to determine the subset of servers to get the data, as well as one of the parallel stream from each chosen server. In order to have this scheduling, this paper proposes a two-stage probabilistic scheduling. The selection of video quality is also chosen with a certain probability distribution. With these parameters, the playback time of video segments is determined by characterizing the download time of each coded chunk for each video segment. Using the playback times, a bound on the moment generating function of the stall duration is used to bound the mean stall duration. Based on this, we formulate an optimization problem to jointly optimize the convex combination of mean stall duration and average video quality for all requests, where the two-stage probabilistic scheduling, probabilistic video quality selection, bandwidth split among parallel streams, and auxiliary bound parameters can be chosen. This non-convex problem is solved using an efficient iterative algorithm. Evaluation results show significant improvement in QoE metrics for cloud-based video as compared to the considered baselines.

研究动机与目标

• 为解决在基于云的视频流媒体系统中最小化视频卡顿时长并最大化平均视频质量的挑战。
• 设计一种可扩展的调度策略，同时选择服务器与并行流，以高效地从分层编码内容中检索数据。
• 利用下载时间顺序统计量的矩生成函数，对平均卡顿时长进行建模与边界界定。
• 联合优化概率调度、视频质量选择、带宽分配及辅助参数，以提升QoE。
• 在真实云测试平台上评估所提出的框架，并与基线算法进行对比。

提出的方法

• 提出两阶段概率调度：首先从n个分层编码服务器中选择k个，然后为每个选中的服务器选择d_j个并行流之一。
• 采用离散概率分布进行视频质量选择，与队列状态无关，以简化分析。
• 将编码数据块的下载时间建模为平移指数随机变量，以反映真实网络行为。
• 利用k个并行流下载时间的顺序统计量表征视频分段的播放时间。
• 通过有序下载时间的矩生成函数，推导出平均卡顿时长的上界。
• 建立一个非凸优化问题，最小化平均卡顿时长与平均视频质量的凸组合，通过高效迭代算法求解。

实验结果

研究问题

• RQ1 如何通过两阶段概率调度策略，在分层编码云存储中最小化卡顿时长，同时保持高视频质量？
• RQ2 并行流分配与质量选择对平均卡顿时长与平均视频质量有何影响？
• RQ3 能否利用顺序统计量与矩生成函数，推导出平均卡顿时长的可处理分析边界？
• RQ4 平均卡顿时长与平均视频质量之间的权衡如何随不同优化权重变化？
• RQ5 在真实云测试平台条件下，所提算法相较于现有基线方法的性能提升程度如何？

主要发现

• 所提算法相比基线方法（如PSP-QTB、PEA-QTB、PEB-QTA）显著降低了平均卡顿时长，且分析边界与真实测试平台测量结果高度吻合。
• 当d_j < 50时，平均卡顿时长随并行流数量增加而急剧下降，而平均视频质量仅略有提升。
• 当d_j > 50时，平均卡顿时长保持为零，平均视频质量显著提高，表明超过某一阈值后收益递减。
• 通过优化参数θ，平均卡顿时长与平均视频质量之间的权衡可有效调节，使服务提供商能够选择期望的QoE水平。
• 在500个并发用户、(5,3)分层编码与8秒分段的测试平台评估中，分析模型能准确预测实际性能表现。
• 该算法在平均卡顿时长与平均视频质量两方面均优于所有对比基线方法，展现出在云环境中卓越的鲁棒性与可扩展性。