[论文解读] Real Time Video Quality Representation Classification of Encrypted HTTP Adaptive Video Streaming - the Case of Safari

Ran Dubin, Amit Dvir+4 more|arXiv (Cornell University)|Feb 1, 2016

Internet Traffic Analysis and Secure E-voting参考文献 5被引用 13

一句话总结

本文提出了一种实时、基于特征的分类方法，用于识别在HTTPS上加密的HTTP自适应流媒体（DASH）中的视频质量表示层，特别针对使用Safari和Flash的YouTube流量。通过分析每个视频分段的一维比特率特征，该方法在不依赖先前或未来数据的情况下，实现了97.18%的平均准确率，用于分类视频质量等级，从而实现有效的流量整形和QoE监控。

ABSTRACT

The increasing popularity of HTTP adaptive video streaming services has dramatically increased bandwidth requirements on operator networks, which attempt to shape their traffic through Deep Packet Inspection (DPI). However, Google and certain content providers have started to encrypt their video services. As a result, operators often encounter difficulties in shaping their encrypted video traffic via DPI. This highlights the need for new traffic classification methods for encrypted HTTP adaptive video streaming to enable smart traffic shaping. These new methods will have to effectively estimate the quality representation layer and playout buffer. We present a new method and show for the first time that video quality representation classification for (YouTube) encrypted HTTP adaptive streaming is possible. We analyze the performance of this classification method with Safari over HTTPS. Based on a large number of offline and online traffic classification experiments, we demonstrate that it can independently classify, in real time, every video segment into one of the quality representation layers with 97.18% average accuracy.

研究动机与目标

• 解决网络运营商在依赖深度包检测（DPI）进行流量整形时，对加密HTTP自适应视频流（DASH）流量进行分类的挑战。
• 实现在端到端加密的YouTube HTTPS流中，实时识别视频质量表示层（如360p、720p）。
• 准确估计客户端播放缓冲区级别，以用于网络优化和QoE监控。
• 开发一种对网络变化（如延迟和丢包）具有鲁棒性，同时保持高准确率的分类方法。
• 为未来在加密自适应流媒体环境中对其他浏览器和协议（如HTTP/2、QUIC）的分类提供基础。

提出的方法

• 该方法独立地对每个视频分段进行分类，使用从网络流量中提取的一维比特率特征，不依赖于过去或未来的分段。
• 它利用从数据包到达时间间隔和有效载荷大小中推导出的统计特征，来估计每个分段的比特率，然后将其映射到已知的质量表示层（如360p、720p）。
• 分类器采用基于阈值的平均比特率映射方法，将每个特征的平均比特率映射到最接近的已知质量层，该方法基于YouTube固定模式和自动模式流的离线训练数据。
• 该方法在Safari（Flash播放器）通过HTTPS收集的离线和在线流量痕迹上进行了评估，使用真实世界中的YouTube视频会话。
• 在不同网络条件下（包括高达10%的丢包率和高达500ms的网络延迟）下测试了鲁棒性，性能通过混淆矩阵和缓冲区估计准确率进行衡量。
• 与朴素比特率分类器和基于恶意软件指纹识别的算法相比，该方法在识别质量层方面表现出更优性能。

实验结果

研究问题

• RQ1 在无法访问明文内容的情况下，是否可以实时分类加密HTTP自适应流媒体（DASH）中的视频质量表示层？
• RQ2 使用Safari通过HTTPS对YouTube流进行比特率分类方法，在识别视频质量等级方面的准确率如何？
• RQ3 在丢包和延迟等网络损伤条件下，该分类方法的鲁棒性如何？
• RQ4 该方法能否以足够高的准确率估计客户端播放缓冲区级别，以用于网络优化？
• RQ5 与替代分类技术（如朴素比特率分类或基于恶意软件指纹识别的方法）相比，该方法在准确率和特征实用性方面表现如何？

主要发现

• 所提出的方法在Safari上通过HTTPS对YouTube固定模式流的分类中实现了97.18%的平均准确率，在自动模式流中为97.14%。
• 分类器对客户端播放缓冲区的估计平均误差为每特征0.035秒，全视频时长的总漂移为0.276秒。
• 与朴素比特率分类器（88.23%）和基于恶意软件指纹识别的方法（时间差准确率为38.26%，比特率准确率为81.46%）相比，该方法显著更准确，较朴素方法提高了8.95%。
• 在3%丢包率下，分类准确率下降20%，在10%丢包率下降至73%，表明对丢包事件较为敏感。
• 在500ms延迟与10%丢包的组合条件下，准确率降至70%，但此类条件会导致视频质量极差（QoE极低），实际影响有限。
• 该方法对高丢包不具鲁棒性，提升对丢包事件的鲁棒性被确定为未来工作的关键方向。