[论文解读] SENSEI: Aligning Video Streaming Quality with Dynamic User Sensitivity

Xu Zhang, Yiyang Ou+2 more|arXiv (Cornell University)|Aug 11, 2020

Image and Video Quality Assessment参考文献 49被引用 15

一句话总结

SENSEI 提出了一种视频流媒体系统，通过使用众包感知数据为每段视频建立独特的敏感度模式，动态地将视频质量与用户随时间变化的质量敏感度对齐。通过将这种动态敏感度整合到现有的自适应算法中，SENSEI 平均使 QoE 提升 15.1%，或减少 26.8% 的带宽，甚至能够实现反直觉的操作，例如在带宽充足时主动进行重新缓冲。

ABSTRACT

This paper aims to improve video streaming by leveraging a simple observation: users are more sensitive to low quality in certain parts of a video than in others. For instance, rebuffering during key moments of a sports video (e.g., before a goal is scored) is more annoying than rebuffering during normal gameplay. Such dynamic quality sensitivity, however, is rarely captured by current approaches, which predict QoE (quality-of-experience) using one-size-fits-all heuristics that are too simplistic to understand the nuances of video content. Instead of proposing yet another heuristic, we take a different approach: we run a separate crowdsourcing experiment for each video to derive users' quality sensitivity at different parts of the video. Of course, the cost of doing this at scale can be prohibitive, but we show that careful experiment design combined with a suite of pruning techniques can make the cost negligible compared to how much content providers invest in content generation and distribution. Our ability to accurately profile time-varying user sensitivity inspires a new approach: dynamically aligning higher (lower) quality with higher (lower) sensitivity periods. We present a new video streaming system called SENSEI that incorporates dynamic quality sensitivity into existing quality adaptation algorithms. We apply SENSEI to two state-of-the-art adaptation algorithms. SENSEI can take seemingly unusual actions: e.g., lowering bitrate (or initiating a rebuffering event) even when bandwidth is sufficient so that it can maintain a higher bitrate without rebuffering when quality sensitivity becomes higher in the near future. Compared to state-of-the-art approaches, SENSEI improves QoE by 15.1% or achieves the same QoE with 26.8% less bandwidth on average.

研究动机与目标

• 解决现有 QoE 模型和 ABR 算法的局限性，即假设用户对所有视频的敏感度一致。
• 捕捉用户对视频质量敏感度的动态、内容特异性变化，例如在体育赛事或电影的关键时刻敏感度更高。
• 开发一种可扩展、低成本的方法，为每段视频建立动态质量敏感度的画像，而无需依赖通用启发式方法或特定内容的训练。
• 使视频流媒体系统能够主动调整质量——例如在预计未来敏感度上升时降低码率或提前启动重新缓冲——以实现前瞻性质量保护。
• 证明将动态敏感度整合到现有 ABR 算法中，可显著提升 QoE 或减少带宽使用。

提出的方法

• 通过每段视频的众包实验，收集用户对视频片段中质量下降的评分，以捕捉随时间变化的敏感度。
• 设计一种轻量级、可扩展的实验协议，在通过战略性采样和剪枝保持准确性的前提下，最小化成本。
• 从众包数据中推导出每个视频片段的敏感度权重，以表示每段视频独有的动态质量敏感度画像。
• 将这些敏感度权重整合到现有 ABR 算法（如 Pensieve 和 Fugu）的 QoE 目标函数中。
• 扩展 ABR 逻辑，允许执行非标准的自适应操作——例如在带宽充足时启动重新缓冲——以在高敏感度时段提前保护质量。
• 使用真实世界的吞吐量 trace 进行系统验证，并在不同网络条件下测量 QoE 的提升。

实验结果

研究问题

• RQ1 能否使用众包方法准确且可扩展地为单个视频建立动态用户质量敏感度的画像？
• RQ2 与静态或通用启发式方法相比，将视频特定的、随时间变化的敏感度整合到 QoE 建模中，能否显著提升流媒体性能？
• RQ3 在不进行架构重构的前提下，现有 ABR 算法在多大程度上能从动态敏感度画像中受益？
• RQ4 动态敏感度建模能够启用哪些新型自适应操作（如主动重新缓冲）以进一步提升 QoE？
• RQ5 在带宽波动较大的网络条件下，所提出的系统在多大程度上具备鲁棒性，特别是当带宽方差增加时？

主要发现

• 与最先进的 ABR 算法相比，SENSEI 平均使 QoE 提升 15.1%，即使使用相同的底层自适应逻辑。
• 在保持相同 QoE 水平的前提下，SENSEI 平均减少 26.8% 的带宽使用，展现出显著的效率优势。
• 在每分钟视频 31.4 美元的预算下，SENSEI 预测 QoE 的准确度比现有模型高出最多 37.1%。
• 即使在带宽方差增加的网络条件下，系统 QoE 依然保持稳健，且在条件恶化时仍能维持显著优势。
• 超过 50% 的 QoE 提升主要源于对 QoE 目标函数的修改以反映动态敏感度，而非新自适应操作的引入。
• SENSEI 的运行时开销低于 1% 的 CPU 和内存使用率，证实其在实际部署中的可行性。