Tóm tắt Luận án tiến sĩ Kỹ thuật: Một số giải pháp nâng cao chất lượng streaming thích ứng video trên nền giao thức HTTP

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

NGUYỄN THỊ KIM THOA

MỘT SỐ GIẢI PHÁP NÂNG CAO

CHẤT LƯỢNG STREAMING THÍCH ỨNG VIDEO

TRÊN NỀN GIAO THỨC HTTP

Ngành: Kỹ thuật viễn thông Mã số: 9520208

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

HÀ NỘI - 2019

Công trình này được hoàn thành tại: Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học: PGS.TS Phạm Ngọc Nam

Phản biện 1: Phản biện 2: Phản biện 3:

Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp trường họp tại Trường Đại học Bách khoa Hà Nội

vào hồi . . . giờ, ngày . . . tháng . . . năm . . .

Có thể tìm hiểu luận án tại:

1. Thư viện Tạ Quang Bửu, Trường ĐHBK Hà Nội

2. Thư viện Quốc gia Việt Nam

MỞ ĐẦU

1. Tính cấp thiết của luận án

Hiện nay, streaming video đang trở thành một dịch vụ chính trên mạng Internet nhờ có các kết nối không dây băng thông rộng và các thiết bị di động hiệu suất cao. Thách thức chính của streaming video qua Internet là sự biến động của thông lượng gây ra bởi các mạng không đồng nhất, dẫn đến không thể phát video với tốc độ bit cố định trong suốt một phiên streaming. Do đó, các chuẩn streaming video được phát triển từ năm 2008 đã dựa trên công nghệ streaming thích ứng để cho phép máy chủ/máy khách thích ứng chất lượng video với sự biến động của mạng.

Những năm qua, kỹ thuật phổ biến cho streaming video qua mạng Internet là streaming thích ứng qua giao thức truyền siêu văn bản, viết tắt là HAS (HTTP Adaptive Streaming) [7, 39]. Kỹ thuật này mang lại một số thuận lợi như sau:

• Lợi ích quan trọng của HAS là hiệu quả về chi phí. Do sử dụng HTTP, nhà cung cấp dịch vụ streaming có thể giảm chi phí bằng việc duy trì các máy chủ Web chuẩn thay vì các máy chủ chuyên biệt đắt tiền.

• Sử dụng HTTP, HAS tận dụng cơ sở hạ tầng mạng phân phối rộng lớn ban đầu được tạo ra cho lưu lượng truy cập Web.

• Khi dùng HAS, các gói tin media có thể truyền qua tường lửa và bộ dịch địa chỉ mạng (NAT) dễ dàng.

Do những lợi thế này, HAS được các ứng dụng streaming lớn hiện nay áp dụng bao gồm Netflix, Youtube, Hulu và Amazon Instant Video.

Năm 2012, chuẩn toàn cầu đầu tiên của HAS có tên là MPEG-DASH ra đời cho phép máy khách thay vì máy chủ là thành phần đưa ra quyết định về việc thích ứng chất lượng video. Cụ thể, nhà cung cấp dịch vụ sẽ tạo ra nhiều mức chất lượng (phiên bản video) từ một video gốc. Mỗi mức chất lượng video được chia nhỏ thành các phân đoạn. Trong phiên streaming,

một phương pháp thích ứng chất lượng video đặt tại máy khách có nhiệm vụ quyết định mức chất lượng nên được truy vấn cho mỗi phân đoạn dựa vào tình trạng của mạng và mức sử dụng bộ đệm của máy khách. Năm 2014, phiên bản thứ hai của chuẩn MPEG-DASH ra đời và hiện tại, các chuyên gia MPEG đang hướng tới phiên bản thứ ba cho streaming video đa hướng.

Cho đến nay, chưa có chuẩn nào chỉ ra việc thích ứng chất lượng trong HAS nên được thực hiện như thế nào nhằm nâng cao chất lượng trải nghiệm (QoE). Vì vậy, việc nghiên cứu, đề xuất các giải pháp cải thiện QoE trong HAS đang thu hút sự quan tâm nghiên cứu của cộng đồng khoa học. Tại thời điểm bắt đầu luận án này, đã có một số nghiên cứu liên quan đến QoE trong HAS [19, 32, 36, 50]. Tuy nhiên, các nghiên cứu này vẫn chưa thực sự hiệu quả trong việc cải thiện QoE, đặc biệt là trong bối cảnh streaming video qua mạng di động với thông lượng mạng thường biến động mạnh theo thời gian. Được thúc đẩy bởi tiềm năng chưa được khai thác hết của công nghệ HAS và nhu cầu mạnh mẽ của streaming video qua mạng di động những năm gần đây, luận án đề xuất các giải pháp thích ứng chất lượng video trên nền HTTP để đối phó hiệu quả với sự biến động của thông lượng mạng, từ đó nâng cao QoE của người dùng.

2. Những vấn đề còn tồn tại

Cho đến này, các phương pháp thích ứng chất lượng hầu hết tập trung vào video được mã hóa với tốc độ bit không đổi (CBR) [4, 24, 27, 41]. Các nghiên cứu về streaming thích ứng qua HTTP đối với video được mã hóa với tốc độ bit biến đổi (VBR) còn rất hạn chế. Đặc điểm của video dạng CBR là các phân đoạn video trong cùng một mức chất lượng có tốc độ bit cố định, dẫn đến việc thích ứng chất lượng tương đối đơn giản. Tuy nhiên, video được hiển thị trên màn hình người dùng có chất lượng không ổn định. So với video dạng CBR, video dạng VBR mang lại chất lượng hình ảnh ổn định hơn. Tuy nhiên, sự biến động mạnh của tốc độ bit video VBR trong cùng một mức chất lượng cùng với sự biến động mạnh của thông lượng mạng là thách thức lớn trong HAS. Chính vì vậy, việc nghiên cứu các giải pháp để cải thiện QoE trong streaming một video VBR và streaming đồng thời nhiều video VBR qua HAS đang thu hút sự quan tâm nghiên cứu.

Năm 2015, một phiên bản mới của giao thức HTTP được đề xuất, gọi là HTTP/2, mang nhiều tính ưu việt hơn so với HTTP/1.1 [8]. HTTP/2 giới thiệu một số tính năng mới trong đó có tính năng Server Push. Tính năng này cho phép máy chủ đẩy nhiều tài nguyên tới máy khách hơn yêu cầu trong truy vấn của máy khách. Nhờ vào tính năng này, máy khách sẽ

không phải gửi quá nhiều truy vấn và máy chủ cũng không cần đợi truy vấn từ máy khách mới được gửi dữ liệu. Khi áp dụng tính năng Server Push của HTTP/2 vào streaming thích ứng, nó cho phép máy chủ đẩy nhiều phân đoạn video liên tiếp với cùng một mức chất lượng cho mỗi truy vấn của máy khách, từ đó giảm được overhead liên quan đến số lượng truy vấn của máy khách. Do những lợi ích mà tính năng Server Push của HTTP/2 mang lại cho streaming video, các giải pháp thích ứng chất lượng sử dụng tính năng này đang thu hút sự quan tâm của các nhà khoa học.

3. Mục tiêu nghiên cứu

Đề xuất các giải pháp cải thiện QoE trong streaming video theo yêu cầu (VoD) đối với ba ngữ cảnh cụ thể, đó là: streaming một video VBR qua HTTP, streaming đồng thời nhiều video VBR qua HTTP và streaming một video VBR/CBR qua HTTP/2.

4. Những đóng góp của luận án

• Đề xuất và thực hiện giải pháp cải thiện QoE dựa trên lập trình động ngẫu nhiên (SDP) trong streaming video dạng VBR qua HTTP. Ngoài ra, các mô hình toán học được triển khai để dự đoán các thông số ảnh hưởng đến QoE. Thực nghiệm cho thấy (i) phương pháp đề xuất mang lại QoE tốt hơn so với một số phương pháp streaming thích ứng video dạng VBR hiện tại, (ii) kết quả dự đoán các thông số ảnh hưởng đến QoE bằng mô hình toán khá gần với các thông số được đo đạc từ mô phỏng thực nghiệm.

• Đề xuất và thực hiện giải pháp phân bổ băng thông và cải thiện QoE khi streaming đồng thời nhiều video VBR qua một đường truyền có băng thông hạn chế trên nền giao thức HTTP. Thực nghiệm được thực hiện trong thời gian thực cho thấy phương pháp đề xuất có phân bổ băng thông hợp lý và cải thiện đáng kể QoE, trong điều kiện ràng buộc về tổng lượng băng thông của đường truyền và giới hạn của độ trễ.

• Đề xuất và thực hiện các thuật toán cải thiện QoE khi streaming video VBR/CBR qua HTTP/2 đồng thời làm giảm overhead liên quan đến số lượng truy vấn của máy khách. Thực nghiêm cho thấy các giải pháp đề xuất cung cấp tốc độ bit video cao, ít sự biến động chất lượng, bộ đệm ổn định, đồng thời giảm đáng kể số lượng truy vấn của máy khách.

Chương 1

TỔNG QUAN VỀ CÔNG NGHỆ HAS VÀ KHẢO SÁT CÁC NGHIÊN CỨU LIÊN QUAN

1.1. Giới thiệu chương

Chương này trình bày cơ sở lý thuyết của công nghệ HAS, các yếu tố ảnh hưởng đến QoE trong HAS và khảo sát các nghiên cứu liên quan đến cải thiện QoE. Đó là cơ sở, động lực cho những đề xuất ở các chương tiếp theo của luận án.

1.2. Tổng quan về công nghệ HAS

1.2.1. Giải thích thuật ngữ

Phần này giải thích ý nghĩa của một số thuật ngữ được sử dụng trong luận án. Băng thông là dung lượng lý thuyết của kết nối tại một thời điểm, được tính bằng số bit trên một giây. Thông lượng là tỉ số giữa kích thước dữ liệu của phân đoạn và khoảng thời gian tải phân đoạn đó. Thời gian trọn vòng (RTT) là Khoảng thời gian từ lúc máy khách gửi truy vấn cho đến khi nó nhận được byte đầu tiên của phân đoạn được truy vấn. Mức sử dụng bộ đệm là lượng video còn lại trong bộ đệm.

1.2.2. Công nghệ streaming video

Trước đây, để xem một video, người dùng phải tải tệp đó về máy tính cá nhân, sau đó video được giải mã và hiển thị trên màn hình. Như vậy, người dùng phải chờ đợi lâu và máy tính tốn tài nguyên bộ nhớ. Kỹ thuật streaming video ra đời đã khắc phục những vấn đề trên. Trong streaming video, máy khách bắt đầu hiển thị video chỉ vài giây sau khi nó bắt đầu

nhận dữ liệu từ máy chủ. Sau đó, máy khách vẫn tiếp tục hiển thị video trong khi đang tải nốt những phần sau của video. Các kỹ thuật streaming video thường được phân loại theo 5 yếu tố: yêu cầu về độ trễ, chế độ mã hóa video, giao thức tầng giao vận, tính thích ứng và vị trí khối thích ứng [21]

1.2.3. Công nghệ HAS

Hình 1.2: Hệ thống HAS

Kiến trúc của một hệ thống HAS gồm máy chủ, mạng phân phối và máy khách (Hình 1.2). Một video gốc được mã hóa thành nhiều mức chất lượng (phiên bản). Mỗi mức chất lượng được chia thành nhiều phân đoạn nhỏ có độ dài bằng nhau. Nội dung video được gửi từ máy chủ tới máy khách thông qua một chuỗi truy vấn/phản hồi. Đối với mỗi truy vấn của máy khách, thuật toán thích ứng chất lượng đặt tại máy khách sẽ quyết định mức chất lượng và số lượng phân đoạn (đối với HTTP/2.0) nên được tải về dựa trên tình trạng của mạng và mức sử dụng bộ đệm của máy khách. Dựa vào truy vấn của máy khách, máy chủ sẽ phản hồi một hay nhiều phân đoạn video với cùng một mức chất lượng. Máy khách lưu những phân đoạn video nhận được vào bộ đệm, sau đó giải mã và hiển thị trên thiết bị của người dùng.

Trong HAS, việc dự đoán thông lượng được dựa vào lịch sử của nó. Cách đơn giản nhất là sử dụng thông lượng (Ti) đo được ngay sau khi một phân đoạn i vừa được tải xong làm thông lượng dự đoán (T e i+1) cho phân đoạn kế tiếp [34, 40], cụ thể T e i+1 = (1 − µ) × Ti với µ là hệ số an toàn nằm trong khoảng [0;1]. Ngoài ra, thông lượng trung bình T s i của một số phân đoạn video đã được tải về cũng được sử dụng để dự đoán thông lượng cho

i−1 + γ × Ti, i > 1,

phân đoạn kế tiếp [4, 39]:

i+1 = T s T e

i =

((1 − γ) × T s Ti, i = 1,

(1.2)

với γ là trọng số nằm trong khoảng [0;1].

1.2.4. Các yếu tố ảnh hưởng đến QoE trong HAS

Hình 1.5: Các yếu tố ảnh hưởng đến QoE trong HAS

Trong HAS, TCP - lớp dưới của HTTP có cơ chế kiểm soát tắc nghẽn và cơ chế truyền lại khi mất gói. Độ trễ do mất gói và jitter đã được chuyển thành sự biến động thông lượng của TCP. Vì vậy, các yếu tố chính ảnh hưởng đến QoE được điều khiển bởi máy khách bao gồm: độ trễ nạp bộ đệm ban đầu, sự gián đoạn video, chất lượng cảm nhận, độ trễ trực tiếp (trong streaming trực tuyến) [20] (Hình 1.5).

1.2.5. Tối đa hóa QoE trong HAS

Các yếu tố ảnh hưởng đến QoE được trình bày trong Phần 1.2.4 không thể được xem xét một cách riêng lẻ. Ví dụ, để tránh gián đoạn video và giảm thiểu số lần chuyển đổi mức chất lượng, máy khách luôn chọn mức chất lượng thấp nhất. Việc này làm giảm chất lượng tổng thể nếu dung lượng mạng cho phép tốc độ bit video cao hơn. Mặt khác, tối đa hóa QoE bằng cách luôn chọn mức chất lượng cao nhất thường dẫn đến số lần gián đoạn rất lớn. Các yếu tố khác như biên độ và tần suất giảm mức chất lượng có

tác động rất lớn đến QoE trong HAS [22, 48]. Nghiên cứu [13] cho thấy số lần và khoảng thời gian mỗi lần gián đoạn video ảnh hưởng nghiêm trọng nhất đến QoE, đặc biệt trong trường hợp streaming trực tiếp. Người dùng sẵn sàng chấp nhận độ trễ ban đầu và sự biến động chất lượng video cao hơn, nếu nó giúp giảm thiểu số lần hoặc khoảng thời gian gián đoạn [16, 35]. Qua những phân tích ở trên có thể kết luận rằng, để tối đa hóa QoE cần: (i) loại bỏ sự gián đoạn video, (ii) tăng tốc độ bit trung bình của video, (iii) giảm số lần giảm mức chất lượng, (iv) giảm biên độ giảm mức chất lượng.

1.3. Khảo sát các giải pháp cải thiện QoE trong

HAS

1.3.1. Các giải pháp thích ứng cho streaming một video

Cho đến nay, các giải pháp thích ứng cho streaming một video có thể được chia thành hai nhóm chính: nhóm giải pháp heuristic [4, 9, 15, 18, 26, 27, 37, 51] và nhóm giải pháp dựa vào mô hình toán học [6, 10, 17, 23, 25, 47, 52, 53].

Các giải pháp thích ứng chất lượng thuộc các nhóm trên hầu hết tập trung vào video CBR. Các nghiên cứu về streaming thích ứng qua HTTP đối với video VBR còn rất hạn chế. Thách thức đối với streaming video dạng VBR đó là, ngoài việc phải ứng phó với sự biến động mạnh của thông lượng mạng còn phải ứng phó với sự biến động mạnh của tốc độ bit video. Hơn nữa, phần lớn các phương pháp thích ứng chất lượng hiện tại là định tính theo nghĩa các thông số ảnh hưởng đến QoE chỉ được biết sau khi kết thúc phiên streaming.

1.3.2. Các giải pháp thích ứng cho streaming đồng thời nhiều

video

Trong HAS, việc thích ứng chất lượng được thực hiện hoàn toàn tại máy khách và mỗi máy khách đều cố gắng tối đa mức chất lượng của riêng mình. Trong mạng được quản lý (chẳng hạn IPTV) cách tiếp cận hướng máy khách sẽ dẫn đến sự tranh chấp băng thông khi chúng cùng chia sẻ một đường truyền có băng thông hạn chế. Hành vi tranh chấp này làm cho việc dự đoán thông lượng thiếu chính xác, dẫn đến chất lượng video trên mỗi máy khách bị biến động mạnh hoặc bộ đệm dễ bị rỗng [1, 3]. Để khắc phục vấn đề trên, có ba nhóm giải pháp: Nhóm giải pháp đặt tại

máy khách [1, 43], nhóm giải pháp đặt tại máy chủ [2, 12, 49] và nhóm giải pháp đặt tại một thành phần của mạng (cache, proxy) [5, 11, 14, 30, 31]. Tuy nhiên, tất cả các giải pháp trên đều tập trung cho video CBR.

1.3.3. Các giải pháp thích ứng cho streaming qua HTTP/2

Năm 2015, giao thức HTTP/2 ra đời. Giao thức này cung cấp một số tính năng mới, trong đó, tính năng Server Push được sử dụng hiệu quả trong streaming video. Tính năng này cho phép máy chủ đẩy nhiều phân đoạn video cho một truy vấn của máy khách.

Dùng tính năng Server Push trong streaming thích ứng video được đề xuất đầu tiên bởi Wei và cộng sự trong [45]. Họ triển khai chiến lược Push- N, nghĩa là máy khách truy vấn một mức chất lượng cụ thể cho mỗi N phân đoạn. Ngoài ra, chiến lược Push-N được nghiên cứu để giảm overhead liên quan đến truy vấn của máy khách [44] và tiết kiệm năng lượng trong streaming trên thiết bị di động [46]. Tuy nhiên, do số lượng phân đoạn cho mỗi truy vấn là cố định trong toàn bộ phiên streaming dẫn tới máy khách không thể phản ứng nhanh với sự biến động của mạng.

Để khắc phục vấn đề của chiến lược Push-N, một số giải pháp được đề xuất nhằm quyết định số lượng phân đoạn được đẩy cho mỗi truy vấn của máy khách [21, 28]. Tuy nhiên, máy khách phải tải đủ số lượng phân đoạn video đã được truy vấn trước khi gửi một truy vấn mới. Kết quả là, máy khách vẫn cần nhiều truy vấn cũng như sẽ phản ứng chậm với sự giảm thông lượng đột ngột, dẫn đến bộ đệm có nhiều nguy cơ bị rỗng.

Rõ ràng là, nếu máy chủ có thể đẩy liên tiếp nhiều phân đoạn video cho đến khi nhận được truy vấn yêu cầu thay đổi mức chất lượng từ máy khách thì máy khách có thể ứng phó tốt hơn với sự biến động của mạng.

1.4. Kết luận chương

Chương này đã trình bày cơ sở lý thuyết nền tảng của công nghệ HAS và các yếu tố tác động đến QoE trong HAS. Từ đó luận án đi đến kết luận rằng để tối đa hóa QoE cần loại bỏ sự gián đoạn video, tăng tốc độ bit trung bình, hạn chế tần suất và biên độ giảm mức chất lượng. Đây cũng chính là các thông số ảnh hưởng đến QoE, được dùng để đánh giá các giải pháp đề xuất và các giải pháp đối sánh trong luận án. Ngoài ra, các nghiên cứu liên quan cũng được khảo sát kỹ lưỡng. Từ đó, luận án kế thừa những ưu điểm và nghiên cứu, đề xuất các mô hình, thuật toán nhằm cải thiện QoE được thể hiện trong Chương 2, Chương 3 và Chương 4.

Chương 2

CẢI THIỆN QoE TRONG STREAMING THÍCH ỨNG VIDEO DẠNG VBR QUA HAS SỬ DỤNG SDP

2.1. Giới thiệu chương

Chương này đề xuất giải pháp cải thiện QoE trong streaming thích ứng video dạng VBR dùng SDP. Cách tiếp cận của tác giả khác so với các giải pháp đã được nghiên cứu ở một số điểm sau đây. Thứ nhất, giải pháp đề xuất được đánh giá trên băng thông biến động mạnh theo thời gian. Thứ hai, nó hỗ trợ hiệu quả cho streaming video VBR có tốc độ bit biến động rất mạnh. Thứ ba, giải pháp đề xuất các mô hình toán để dự đoán một số thông số QoE trước khi một phiên streaming thực sự bắt đầu.

2.2. Ý tưởng sử dụng SDP trong streaming thích

ứng

Để áp dụng SDP, ta cần xây dựng các trạng thái của hệ thống. Trạng thái của hệ thống được đặc trưng bởi giá trị băng thông, mức sử dụng bộ đệm và mức chất lượng của video tại thời điểm quan sát trạng thái đó. Tổ hợp các giá trị sau khi được rời rạc hóa băng thông, bộ đệm và các mức chất lượng video tạo nên tất cả các trạng thái của hệ thống. Khi hệ thống chuyển từ trạng thái này sang trạng thái khác sẽ sinh ra hàm chi phí. Một vấn đề phạm vi vô hạn được đề xuất để tìm ra tập chính sách tối ưu cho tất cả các trạng thái của hệ thống. Vai trò của tập chính sách này là ánh xạ tham số điều khiển (cụ thể là mức chất lượng video cho phân đoạn kế tiếp) với tất cả các trạng thái của hệ thống. Dựa trên tập chính sách tìm được và mô hình hệ thống được xây dựng, các mô hình toán học được phát triển để dự đoán các thông số ảnh hưởng đến QoE trước mỗi phiên bao gồm mức chất

lượng trung bình, mức sử dụng bộ đệm trung bình, biên độ nhảy mức chất lượng trung bình và xác suất bộ đệm bị rỗng.

2.3. Mô hình hóa hệ thống để áp dụng SDP

2.3.1. Rời rạc hóa băng thông

i,j

Hình 2.3: Mô hình băng thông Markov-Chain gồm W trạng thái

Băng thông được rời rạc hóa thành W mức. Sau đó, W trạng thái băng thông khác nhau BWw (1 ≤ w ≤ W ) được tạo ra từ W mức này. Do băng thông mạng thường biến động mạnh và ngẫu nhiên, luận án sử dụng mô hình chuỗi Markov được minh họa trong Hình 2.3. Mỗi trạng thái được đặc trưng bởi một giá trị băng thông BWw (1 ≤ w ≤ W ). Có một xác suất pij khi băng thông chuyển từ trạng thái này sang trạng thái khác sau mỗi bước thời gian. Tổng các xác suất trong mô hình (P pij ) bằng 1.

2.3.2. Rời rạc hóa bộ đệm

Tương tự như băng thông, bộ đệm được rời rạc hóa thành B mức từ 1 đến Bs tương ứng với số phân đoạn video có trong bộ đệm. Bs là kích thước bộ đệm.

2.4. Mô tả vấn đề và giải pháp

2.4.1. Trạng thái hệ thống

Hệ thống được đặc trưng bởi biến trạng thái sk(bk, bwk, vk) khi một phân đoạn video được tải xong tại giai đoạn k. Tại mỗi trạng thái sk, hệ thống lựa chọn một hành động a tương ứng với mức chất lượng cho phân đoạn tiếp theo. Hệ thống sau đó ngẫu nhiên nhảy sang trạng thái mới sk+1 tại giai đoạn tiếp theo, khi đó sinh ra một chi phí C(sk, a).

2.4.2. Xác suất chuyển trạng thái

Do hệ thống là ngẫu nhiên, có nghĩa là đầu ra của hệ thống ứng với mỗi hành động a là bất định, cho nên xác suất chuyển trạng thái phụ thuộc lựa chọn a cần được xây dựng. Xác suất mà trạng thái sk chuyển đến trạng thái sk+1, với một lựa chọn a được định nghĩa như sau:

(P r {bwk+1|bwk} , bk+1 = ba, vk+1 = a, 0, bk+1 = ba||vk+1 = a.

P r {sk+1|sk, a} = (2.7)

2.4.3. Hàm chi phí

Hàm chi phí được định nghĩa để phạt những yếu tố gây ra sự giảm QoE, đó là: tốc độ bit, sự gián đoạn video và sự biến động mức chất lượng, cụ thể như sau:

C(sk, a) = α × ∆rk + β × ∆bk + γ × ∆qk (2.11)

với ∆rk là sự sai khác giữa băng thông hiện tại và tốc độ bit của phân đoạn tiếp theo được lựa chọn bởi hành động a (∆rk = |bwk − ra|), ∆bk là sự chênh lệch của mức sử dụng bộ đệm hiện tại với mức sử dụng bộ đệm tối ưu (∆bk = |bk − bopt|) và ∆qk là sự sai khác giữa mức chất lượng được lựa chọn với mức chất lượng trước đó (∆qk = (vk − a)2).

2.4.4. Giải pháp tìm tập chính sách tối ưu

" C(sk, a) + X sr∈s

Đối với mỗi trạng thái sk, hành động a hợp lý nhất, được gọi là chính sách cho trạng thái sk. Tập π chứa các chính sách cho từng trạng thái sk, là sự ánh xạ giữa tập trạng thái và tập hành động π : s −→ a. Luận án sử dụng thuật toán PI (Policy Iteration) của SDP [42] để tìm ra tập chính sách tối ưu π∗ sao cho tối tiểu hóa hàm giá trị của mỗi trạng thái: # π∗(sk) = argmina P (sr|sk, a) × V (sr) , ∀a ∈ a. (2.13)

Các tập chính sách tìm được giống như một bảng tìm kiếm để ánh xạ mỗi trạng thái với một mức chất lượng tối ưu cho phân đoạn tiếp theo.

2.5. Dự đoán các thông số ảnh hưởng đến QoE

Để dự đoán các thông số ảnh hưởng đến QoE, điểm mấu chốt là cần xác định vectơ xác suất p = [p1, p2, ..., pN ] với pn (1 ≤ n ≤ N ) là xác suất mà

hệ thống ở trạng thái sn trong suốt phiên streaming. Trong phần này, xác suất trạng thái p được tính như sau:

i=1 pti L

p = (2.16)

2 , ..., pti N

1 , pti pti với L là độ dài video và pti = (1 ≤ n ≤ N ) là xác suất mà hệ thống ở trạng thái sn tại thời điểm ti.

(1 ≤ i ≤ L), trong đó pti n

2.5.1. Dự đoán chất lượng video

N X

Mức chất lượng trung bình Av của video được dự đoán bởi:

n=1

Av = vn × pn. (2.17)

2.5.2. Dự đoán sự nhảy mức chất lượng

N X

Biên độ nhảy mức chất lượng trung bình trong một phiên streaming:

n=1

(vn − an) × pn, an ∈ π∗. Asw = (2.19)

2.5.3. Dự đoán mức sử dụng bộ đệm

N X

Mức sử dụng bộ đệm trung bình Ab và xác suất video bị gián đoạn Pund được thể hiện qua 2.7 và 2.8 dưới đây:

n=1

N X

bn × pn, Ab = (2.20)

n=1

Pund = (2.21) bn × pn|bn=1.

2.6. Thực nghiệm và đánh giá

2.6.1. Cài đặt thực nghiệm

Test-bed gồm một máy khách chạy Java 8.0 trên máy tính Window 7 để thực thi thuật toán thích ứng và một máy chủ Apache2 chạy trên Ubuntu

12.04LTS để lưu các phân đoạn video. Băng thông kênh được giả lập bằng Dummynet [33]. RTT được đặt bằng 40ms. Video VBR được sử dụng là Tokyo Olympic [38] có Vmax = 9. Đoạn video được đánh giá gồm 300 phân đoạn. Độ dài mỗi phân đoạn video bằng 2 giây. Băng thông được chia thành 10 mức (W = 10). Xác suất ban đầu po là vectơ 1 × N với các giá trị được đặt là 1/N . Kích thước bộ đệm được đặt là 5 phân đoạn. Mức sử dụng bộ đệm tối ưu được đặt là 4 phân đoạn.

2.6.2. Đánh giá thực nghiệm

1. Đánh giá sự thích ứng. Các giải pháp được đánh giá trên băng thông được lấy từ một mạng di động thực tế [27]. Video Tokyo Olympic gồm 9 phiên bản có độ dài L bằng 300 phân đoạn. Sự thích ứng chất lượng của giải pháp đề xuất, giải pháp SDP và giải pháp BE lần lượt được thể hiện trong Bảng 2.1 Có thể thấy rằng giải pháp BE ít hiệu quả hơn so với giải pháp đề xuất về việc cải thiện QoE. Cụ thể, Aq và Asw của giải pháp BE lần lượt là 7.85 và 0.43 trong khi Aq và Asw của giải pháp đề xuất lần lượt là 7.88 và 0.18. Đối với giải pháp thích ứng dựa trên SDP, rõ ràng thông số ảnh hưởng đến QoE của giải pháp này là xấu nhất với chất lượng trung bình thấp nhất (7.40) và biên độ nhảy mức chất lượng trung bình cao nhất(0.76).

Bảng 2.1: Thống kê kết quả thích ứng của các giải pháp Tham số SDP BE Đề xuất 8.62 8.85 7.40 7.85 0.76 0.43 0.00 0.00 8.52 7.88 0.18 0.00 Ab(s) Aq Asw P rund

2. Đánh giá các mô hình dự đoán các tham số ảnh hưởng đến QoE.

Ngữ cảnh dùng một băng thông có sẵn

Lưu lượng được lấy từ mạng di động [27] được dùng làm băng thông cho mô hình toán trong việc thống kê băng thông đồng thời được dùng trong mô phỏng. Bảng 2.2 thống kê chi tiết các kết quả thực nghiệm trong ba trường hợp lựa chọn giá trị cho phiên bản lớn nhất: Vmax = 7, Vmax = 8 hoặc Vmax = 9. Dễ dàng nhận thấy rằng không có sự khác nhau nhiều giữa thông số chất lượng được dự đoán và thông số chất lượng được đo đạc. Đặc biệt, khi phiên bản lớn nhất (Vmax) càng nhỏ thì hệ thống dự đoán gần như chính xác các thông số ảnh hưởng đến QoE.

Bảng 2.2: Ngữ cảnh dùng một băng thông có sẵn Vmax = 7 Vmax = 8 Vmax = 9 Vmax = 9 Vmax = 7 Vmax = 7 Tham số Vmax = 8 Vmax = 8 Vmax = 9 Dự Mô Dự Mô Dự Mô đoán phỏng đoán phỏng đoán phỏng 9.48 7.64 0.30 0.01 8.77 9.59 8.52 7.73 7.45 7.88 0.18 0.09 0.14 0.00 0.006 0.00 9.8 6.48 0.03 0.00 9.68 6.87 0.02 0.00 Ab(s) Aq Asw P rund

Ngữ cảnh dùng các lưu lượng lịch sử

Ngữ cảnh này sử dụng hai băng thông lịch sử được ghi lại từ hai phiên streaming của máy khách, trong đó một băng thông được dùng cho mô hình toán và một băng thông dùng cho mô phỏng. Bảng 2.3 thống kê chi tiết các kết quả thực nghiệm trong ba trường hợp lựa chọn giá trị cho phiên bản lớn nhất: Vmax = 7, Vmax = 8 hoặc Vmax = 9. Có thể thấy mô hình toán dự đoán khá chính xác các thông số chất lượng video so với mô phỏng.

Bảng 2.3: Ngữ cảnh dùng các lưu lượng lịch sử Vmax = 7 Vmax = 8 Vmax = 9 Vmax = 7 Vmax = 7 Vmax = 8 Vmax = 8 Vmax = 9 Tham số Vmax = 9 Dự Mô Dự Mô Dự Mô đoán phỏng đoán phỏng đoán phỏng 9.52 7.48 0.31 0.00 8.44 7.92 0.19 0.00 9.61 7.27 0.18 0.00 8.85 7.71 0.11 0.00 9.69 6.80 0.08 0.00 9.65 6.98 0.05 0.00 Ab(s) Aq Asw P rund

2.7. Kết luận chương

Trong chương này, luận án đã đề xuất một giải pháp thích ứng chất lượng cho streaming video dạng VBR qua HTTP sử dụng lập trình động ngẫu nhiên (SDP) đồng thời đề xuất các mô hình toán học để dự đoán trước các thông số ảnh hưởng đến QoE. Thực nghiệm trong hai ngữ cảnh offline và trực tuyến cho thấy: (i) giải pháp đề xuất thích ứng tốt với với biến động mạnh của thông lượng mạng và sự biến động của tốc độ bit video, (ii) thông số ảnh hưởng đến QoE được dự đoán bằng mô hình toán tương đối khớp với thông số được đo đạc từ mô phỏng.

Chương 3

GIẢI PHÁP PHÂN BỔ BĂNG THÔNG VÀ CẢI THIỆN QoE TRONG STREAMING ĐỒNG THỜI NHIỀU VIDEO VBR QUA HAS

3.1. Giới thiệu chương

Trong chương này, một mô hình thỏa hiệp giữa chất lượng cảm nhận và độ trễ ban đầu [29] được sử dụng để tìm ra mức chất lượng thích ứng tốt nhất cho một video ứng với một mức băng thông được cấp cho video đó. Sau đó, một thành phần trong mạng đóng vai trò phân bổ băng thông và lựa chọn mức chất lượng video phù hợp cho từng máy khách nhằm cải thiện QoE.

3.2. Mô hình thỏa hiệp giữa chất lượng video và độ

trễ

Mô hình thỏa hiệp giữa chất lượng cảm nhận và độ trễ đề xuất trong [29] được thực hiện bằng cách thay thế một số phân đoạn có tốc độ bit cao của một mức chất lượng bằng các phân đoạn tương ứng ở mức chất lượng thấp hơn. Mục đích của mô hình là hạ tốc độ bit đại diện và/hoặc giảm độ trễ ban đầu trong khi chất lượng video tổng thể không bị ảnh hưởng nhiều.

Giả sử video C gồm M mức chất lượng {Vi, 1 ≤ i ≤ M }. Mỗi mức chất lượng Vi có chất lượng QPi và gồm N phân đoạn với tốc độ bit {Bij, 1 ≤ j ≤ N }. Các tác giả trong [29] đã định nghĩa một hàm p((cid:15)) như sau. Đặt V ∗ là mức chất lượng thích ứng tương ứng với một hàm p((cid:15)). Tại mỗi phân đoạn, nếu tốc độ bit của nó lớn hơn (cid:15) thì phân đoạn đó được thay thế bởi một phân đoạn tương ứng ở mức chất lượng thấp hơn gần nhất mà có tốc độ bit nhỏ hơn (cid:15).

Ngưỡng tốc độ bit (cid:15) có thể nhận một số giá trị rời rạc. Với mỗi hàm p((cid:15)), ta tìm được một mức chất lượng thích ứng V ∗ có chất lượng Q∗ và độ trễ ban đầu d0∗, với một tốc độ bit đại diện R bằng mức băng thông được cấp. Tìm p((cid:15)) sao cho lợi ích U của người dùng là lớn nhất, với giới hạn độ trễ là DT . Lợi ích U được định nghĩa là hàm bù trừ giữa chất lượng video và độ trễ ban đầu:

U = f (Q∗, d0∗).

(3.2) Mô hình này tìm ra một phiên bản video thích ứng mang lại giá trị lợi ích cao nhất cho người dùng, ứng với một mức băng thông được cấp cho video. Luận án sử dụng mô hình này bối cảnh streaming đồng thời nhiều video qua đường truyền có băng thông giới hạn.

3.3. Streaming đồng thời nhiều video VBR qua HAS

3.3.1. Mô tả vấn đề

Hình 3.2: Hệ thống streaming nhiều video

Kiến trúc hệ thống đề xuất được trình bày trong Hình 3.2 với nhiều video VBR được lưu tại máy chủ. Thông tin về từng video (phiên bản thích ứng, độ trễ ban đầu, lợi ích của người dùng tương ứng với từng mức băng thông có thể được cấp cho từng video) được lưu trong tệp MPD. Một thuật toán tối ưu được đặt tại khối điều khiển với mục đích xác định phiên bản thích ứng cho từng video sao cho tối đa hóa lợi ích trung bình của người dùng.

i (ki) cao nhất, ứng với ngưỡng tốc độ bit (cid:15)∗

i (ki).

i (ki)} cho tất cả các video Vi (ki ∈ [1; Ki] , i ∈ [1; H]) sao cho

Giả sử hệ thống streaming đồng thời H video tới các máy khách. Mỗi video Vi có thể được cấp Ki mức băng thông khác nhau. Băng thông tại mỗi mức ki được ký hiệu bởi ri(ki),(ki ∈ [1; Ki]). Tại mỗi mức băng thông được cấp ri(ki), ta có phiên bản thích ứng tốt nhất V ∗ i (ki) mang lại giá trị lợi ích u∗ Tìm {V ∗ tối đa hóa lợi ích trung bình U , cụ thể:

H X

i (ki)), i ∈ [1; H] , ki ∈ [1; Ki],

i=1

U = max( wi × u∗ (3.10)

H X

với điều kiện

i=1

ri(ki) ≤ RT , i ∈ [1; H] , ki ∈ [1; Ki], (3.11)

i (ki) ≤ DT , i ∈ [1; H] , ki ∈ [1; Ki].

và d0∗ (3.12)

3.3.2. Giải pháp phân bổ băng thông và thích ứng chất lượng

1. Xử lý offline tại máy chủ. Trong khâu này, mô hình thỏa hiệp giữa chất lượng hình ảnh và độ trễ được áp dụng cho tất cả các mức băng thông khác nhau có thể được cấp cho từng video. Do đó, ta có thể tạo ra một cơ sở dữ liệu chứa những thông tin của tất cả các phiên bản thích ứng tốt nhất tương ứng với tất cả các mức băng thông khác nhau có thể được cấp cho tất cả các video. Cơ sở dữ liệu này được lưu tại máy chủ, trong tệp MPD của các video và được cung cấp cho khối điều khiển.

2. Xử lý trực tuyến tại khối điều khiển. Dựa trên tệp MPD của tất cả các video, thuật toán tại khối điều khiển tìm phiên bản thích ứng cùng với băng thông được cấp cho từng video sao cho tối đa hóa lợi ích U trong biểu thức (3.2) thỏa mãn (3.3) và (3.4).

3.3.3. Kết quả thực nghiệm và đánh giá

Trước hết, tác giả so sánh phương pháp đề xuất với phương pháp CSM về lợi ích trung bình của người dùng khi streaming 5 video. Kết quả thể hiện trên hình 3.5.

Tiếp theo, tác giả đánh giá sự tối ưu cũng như thời gian chạy của thuật toán xử lý trực tuyến được đề xuất so với thuật toán Viterbi (Hình 3.7). Cả hai thuật toán được triển khai trên C++ và thời gian chạy được đo trên Window 8.1 notebook với CPU Intel i5-1.7GHz và bộ nhớ 6GB. Số luồng video (H) thay đổi từ 5 đến 15 và được lựa chọn ngẫu nhiên từ 5 video trên. Giả sử rằng băng thông được cấp là Rc = 800 ∗ H(kbps).

Hình 3.8 thể hiện thời gian chạy của thuật toán đề xuất với các số lượng video khác nhau. Có thể thấy, thời gian chạy của thuật toán đề xuất chỉ

Hình 3.5: So sánh giá trị lợi ích trung bình của phương pháp đề xuất và phương pháp CSM.

Hình 3.7: Thời gian chạy của thuật toán đề xuất và thuật toán Viterbi

Hình 3.8: Thời gian chạy của thuật toán đề xuất

tính bằng đơn vị ms ngay cả khi số lượng luồng video lên đến hàng nghìn. Do đó, thuật toán đề xuất có thể được dùng trong hệ thống streaming lớn.

3.4. Kết luận chương

Trong chương này, một thuật toán offline thực hiện tại máy chủ để tìm ra các phiên bản thích ứng tốt nhất tương ứng với các mức băng thông được cấp cho video. Sau đó, một thuật toán online được thực hiện tại khối điều khiển trong một thành của mạng để phân bổ băng thông và lựa chọn phiên bản thích ứng phù hợp nhất cho tất cả máy khách nhằm tối đa hóa QoE.

Chương 4

ỨNG DỤNG TÍNH NĂNG SERVER PUSH CỦA HTTP/2

ĐỂ CẢI THIỆN QoE TRONG STREAMING VIDEO QUA HAS

4.1. Giới thiệu chương

Năm 2015, giao thức HTTP/2 ra đời cung cấp một số tính năng mới trong đó tính năng Server Push có thể được sử dụng hiệu quả trong streaming video. Trong chương này, tác giả đề xuất hai phương pháp thích ứng chất lượng video dùng tính năng Server Push. Thứ nhất, tác giả lần đầu tiên đề xuất một phương pháp thích ứng chất lượng trong streaming video qua HTTP/2 với video dạng VBR. Thứ hai, tác giả đề xuất một cách tiếp cận hiệu quả hơn nữa khi sử dụng tính năng Server Push cho HAS. Phương pháp này có tên là Full Push, được áp dụng cho video dạng CBR.

4.2. Giải pháp cải thiện QoE trong streaming video

VBR qua HTTP/2

4.2.1. Giải pháp thích ứng chất lượng

Quyết định mức chất lượng

Giả sử rằng, sau khi gửi truy vấn i để yêu cầu Ni phân đoạn video tại mức chất lượng Ii, máy khách nhận được tất cả N i phân đoạn video, mỗi phân đoạn có độ dài τ giây. Mức sử dụng bộ đệm hiện tại là Bi, thông lượng hiện tại là Ti. Khi đó, máy khách sẽ quyết định mức chất lượng Ii+1 và số lượng phân đoạn Ni+1 cho truy vấn tiếp theo i + 1.

Để lựa chọn mức chất lượng cho truy vấn tiếp theo, cần thiết phải dự đoán thông lượng tương lai. Do tốc độ bit của video VBR biến động mạnh

nên cần sử dụng phương pháp dự đoán thông lượng đáp ứng nhanh để kịp thời ứng phó [40]. Theo đó, thông lượng tại thời điểm nhận xong Ni phân đoạn video của truy vấn hiện tại i được dùng làm thông lượng dự đoán cho truy vấn kế tiếp.

Do tốc độ bit của video dạng VBR biến động rất mạnh, máy khách chỉ biết tốc độ bit của các phân đoạn đã được nhận, và chúng thuộc về các mức chất lượng video khác nhau. Do đó, sau khi nhận được phân đoạn có chỉ số j, cần dự đoán (i) tốc độ bit của các phân đoạn thuộc các mức chất lượng khác nhau tại cùng một chỉ số j và (ii) tốc độ bit tại phân đoạn j + 1 của tất cả các mức chất lượng. Các công việc này được thực hiện lần lượt bởi phương pháp dự đoán tốc độ bit nội dòng và phương pháp dự đoán tốc độ bit liên dòng được đề xuất trong [40].

Sau khi dự đoán thông lượng và tốc độ bit video, mức chất lượng video được quyết định tăng, giữ ổn định hoặc giảm tương ứng với ba khoảng giá trị với các ngưỡng [0; Blow], [(Blow; Bhigh] và [Bhigh; Bmax] với Bmax là kích thước của bộ đệm.

Quyết định số lượng phân đoạn cho mỗi truy vấn Số lượng phân đoạn Ni+1 được lựa chọn để tối thiểu hóa hàm chi phí C. Đây là tổng của chi phí liên quan đến truy vấn Crq và chi phí liên quan đến bộ đệm Cbf .

C = α × Crq + (1 − α) × Cbf , (4.4)

với

, Crq = (4.5) 1 Ni+1

, Cbf = (4.6) Ni+1 × τ Bi − Blow

và α, (1 − α) lần lượt là trọng số của Crq và Cbf .

4.2.2. Kết quả thực nghiệm và đánh giá

Phương pháp đề xuất được đánh giá và so sánh với hai phương pháp đó là Push-N được trình bày trong [44] và phương pháp AGG được đề xuất trong [28]. Trong phương pháp Push-N, số lượng phân đoạn cho mỗi truy vấn được cố định là N phân đoạn. Trong phương pháp AGG, tốc độ bit được quyết định là tốc độ bit cao nhất mà nhỏ hơn thông lượng mạng dự đoán.

Bảng 4.2: Thống kê kết quả thích ứng Tham số AGG Đề xuất

250

Số lượng truy vấn Mức chất lượng tb Số lần giảm mức chất lượng 48 Mức sử dụng bộ đệm nhỏ nhất 12.9 12.6 Push-N N=1 N=2 N=3 N=4 180 125 167 500 5.62 5.68 5.68 5.70 5.74 35 35 73 5.7 9.9 26 4.0 173 5.8 18 11

Thống kê về kết quả thích ứng được trình bày trong Bảng 4.1. Thống kê cho biết số lượng truy vấn, tốc độ bit trung bình, sự giảm mức chất lượng và mức sử dụng bộ đệm.

Bảng 4.1 cho thấy phương pháp đề xuất vượt trội hơn các phương pháp khác trong việc cân bằng giữa sự thích ứng chất lượng và overhead liên quan đến lượng truy vấn.

4.3. Một cách sử dụng hiệu quả tính năng Server

Push

4.3.1. Mô tả chung

Hình 4.7: Cơ chế hoạt động của tính năng Server Push trong giải pháp đề xuất.

Hoạt động của hệ thống đề xuất được thể hiện trong Hình 4.1. Máy khách gửi truy vấn quyết định mức chất lượng cho các phân đoạn sắp tải về. Máy chủ đẩy liên tục phân đoạn cho đến khi nhận được truy vấn mới của máy khách. Cần quyết định bitrate mới tại thời điểm sau khi nhận nốt

k phân đoạn của bitrate cũ. Quyết định bitrate dựa vào thông lượng dự đoán và mức sử dụng bộ đệm.

Giả sử sau khi tải xong phân đoạn Si có chỉ số mức chất lượng là Ii, máy khách gửi truy vấn để thay đổi mức chất lượng cho các phân đoạn tiếp theo. Khi đó, máy khách có thể phải nhận thêm k phân đoạn với tốc độ bit cũ cho đến khi máy chủ nhận được truy vấn của máy khách. Do đó, máy khách cần quyết định tốc độ bit mới cho các phân đoạn bắt đầu từ phân đoạn Si+k+1, không phải là phân đoạn kế tiếp Si+1 như các phương pháp khác đã thực hiện.

i+1, luận án sử dụng phối hợp cả hai cách dự đoán thông lượng được trình bày trong 1.2.3, đó là thông lượng của phân đoạn vừa được tải xong Ti và thông lượng trung bình T s

i+1.

Do máy chủ đẩy liên tiếp các phân đoạn sau khi nó nhận được truy vấn của máy khách, hiện tượng tràn bộ đệm có thể xảy ra nếu tốc độ bit của các phân đoạn được tải về cao hơn tốc độ hiển thị video. Để tránh tràn bộ đệm, thông báo steady state được máy khách gửi tới máy chủ khi mức sử dụng bộ đệm hiện tại lớn hơn Bmax − RT T giây. Khi đó, máy chủ sẽ 2 định kỳ gửi từng phân đoạn video tới máy khách sau mỗi khoảng thời gian là độ dài một phân đoạn. Khi mức sử dụng bộ đệm nhỏ hơn hoặc bằng Bmax − RT T giây, thông báo loading state sẽ được gửi và sau đó máy chủ 2 đẩy liên tục các phân đoạn video tới máy khách. Để dự đoán thông lượng T e

4.3.2. Thuật toán thích ứng chất lượng

Để quyết định mức chất lượng cho mỗi truy vấn, luận án đề xuất bốn trường hợp, đó là tăng, giữ ổn định, giảm và trường hợp nguy hiểm tương ứng khi máy khách tăng, duy trì, giảm hoặc lựa chọn mức chất lượng thấp nhất. Khi đó, bộ đệm được chia thành bốn khoảng giá trị bởi các ngưỡng Bmin, Blow và Bhigh (Bmin < Blow < Bhigh < Bmax) với Bmax là kích thước bộ đệm. Khoảng bộ đệm từ Blow đến Bhigh được coi là khoảng an toàn với tốc độ bit video được duy trì ổn định. Khi mức sử dụng bộ đệm tương lai thấp hơn hoặc cao hơn khoảng này, tốc độ bit sẽ được giảm hoặc tăng tương ứng.

4.3.3. Thực nghiệm và đánh giá kết quả

Tất cả các phương pháp được đánh giá khi streaming đoạn video gồm 550 phân đoạn, với RTT bằng 100ms và băng thông được mô tả ở trên. Hình 4.2 thể hiện kết quả thích ứng của các phương pháp. Để rõ ràng, sự so sánh tốc độ bit của tất cả các phương pháp được thể hiện trong Hình 4.2a, 4.2b,

(a) Push 1, Push 8 and phương pháp đề xuất.

(b) Push 4, Push 12 and phương pháp đề xuất.

Hình 4.10: Kết quả thích ứng của tất cả các phương pháp.

4.2c. Hình 4.2d thể hiện sự thay đổi mức sử dụng bộ đệm của các phương pháp trong suốt phiên streaming.

4.4. Kết luận chương

Trong chương đã trình bày hai đề xuất sử dụng tính năng Server Push của HTTP/2 trong streaming thích ứng video. Đề xuất thứ nhất được áp dụng cho streaming video dạng VBR. Trong đề xuất này, máy khách quyết định mức chất lượng và số lượng phân đoạn cho mỗi truy vấn. Trong đề xuất thứ hai, một cách tiếp cận mới của tính năng Server Push áp dụng cho streaming video dạng CBR có tên là Full Push, được triển khai trong đó máy khách chỉ quyết định mức chất lượng cho mỗi truy vấn. Một thuật toán thích ứng dựa trên thông lượng và mức sử dụng bộ đệm tương lai được đề xuất để quyết định mức chất lượng phù hợp với điều kiện mạng. d

KẾT LUẬN

Các kết quả đóng góp của luận án cũng như hướng phát triển tiếp theo của luận án sẽ được nghiên cứu sinh trình bày dưới đây. A: Một số kết quả đạt được

1. Đề xuất phương pháp thích ứng chất lượng khi streaming video dạng VBR qua giao thức HTTP dựa vào lập trình động ngẫu nhiên (SDP) nhằm cải thiện QoE. Xây dựng các mô hình toán học để dự đoán các thông số ảnh hưởng đến QoE trước mỗi phiên.

2. Đề xuất giải pháp phân bổ băng thông và cải thiện QoE khi streaming đồng thời nhiều video VBR qua một đường truyền có băng thông giới hạn.

3. Đề xuất các giải pháp streaming video dạng VBR và video dạng CBR qua giao thức HTTP/2 sử dụng tính năng Server Push để giảm overhead liên quan đến số lượng truy vấn, đồng thời cải thiện QoE.

B: Luận án đề xuất các hướng phát triển tiếp theo như sau

• Có thể dựa vào các thông số ảnh hưởng đến QoE được dự đoán trước mỗi phiên streaming để hiệu chỉnh lại các tham số đầu vào hệ thống (trạng thái hệ thống, hàm chi phí), nhằm cải thiện chất lượng

• Sử dụng một số tính năng khác của HTTP/2 trong streaming video như chấm dứt luồng (stream termination), ưu tiên luồng (stream prioritization) để cải thiện QoE.

• Các giải pháp để triển khai công nghệ thực tế ảo vào video 360 độ trên HAS.

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN

A. Các công trình công bố là kết quả trực tiếp của luận án

[C1 ] Anh H. Duong, Thoa Nguyen, Thang Vu, Tung T. Do, Nam Pham Ngoc, Truong Cong Thang, "SDP-based Adaptation for Quality Control in Adaptive Streaming," Inter- national Conference on Communications, Management and Telecommunications (Com- ManTel), Danang, Vietnam, pp. 194 – 199, 2015.

[C2 ] Thoa Nguyen, Thang Vu, Duc V. Nguyen, Nam Pham Ngoc, Truong Cong Thang, "QoE Optimization for Adaptive Streaming with Multiple VBR Videos," in International Conference on Communications, Management and Telecommunications (ComManTel), Danang, Vietnam, pp. 189 – 193, 2015.

[J1 ] Thoa Nguyen, Thang Vu, Nam Pham Ngoc, Truong Cong Thang, "SDP-based Quality Adaptation and Performance Prediction in Adaptive Streaming of VBR Videos," Journal of Advances in Multimedia, Volume 2017, pp. 1-12. (Scopus).

[J2 ] Nguyen Thi Kim Thoa, Nguyen Minh, Nguyen Hai Dang, Pham Hong Thinh, Pham Ngoc Nam, "Adaptation method for streaming of VBR video over HTTP2," The Journal of Science & Technology, 2017.

[J3 ] Thoa Nguyen, Nguyen Hai Dang, Nguyen Minh, Pham Ngoc Nam, Hung T. Le, Truong Cong Thang, "An Efficient Server Push Approach for Video Streaming Over HTTP2", IEICE Transaction on Communication (SCI), Vol.E101-B,No.11, 2018.

[J4 ] 2018, Nguyen Thi Kim Thoa, Pham Hong Thinh, Pham Ngoc Nam, 2018, "QoE Opti- mization Based on Quality-delay Trade-off Model for Adaptive Streaming with Multiple VBR Videos", The Journal of Science & Technology, được chấp nhận đăng.

B. Các công trình công bố có liên quan đến luận án

[J5 ] Hung T. Le, Thoa Nguyen, Nam Pham Ngoc, Anh T. Pham, Truong Cong Thang, "HTTP/2 Push-based Low-delay Live Streaming over Mobile Networks with Stream Ter- mination," IEEE Transactions on Circuits and Systems for Video Technology, 2018.

[C3 ] Thinh Pham Hong, An Nguyen Duc, Thoa Nguyen, Truong Thu Huong, Nam Pham Ngoc, "Adaptation method for Streaming of CBR video over HTTP Based on Sofware Defined Networking," in The 2017 International Conference on Advanced Technologies for Communications (ATC), Hanoi, Vietnam.

TÀI LIỆU THAM KHẢO

[1] Akhshabi, S., L. Anantakrishnan, A. C. Begen, and C. Dovrolis (2012). What happens when http adaptive streaming players compete for band- width? In Proceedings of the 22Nd International Workshop on Network and Operating System Support for Digital Audio and Video, NOSSDAV ’12, New York, NY, USA, pp. 9–14. ACM.

[2] Akhshabi, S., L. Anantakrishnan, C. Dovrolis, and A. C. Begen (2013). Server-based traffic shaping for stabilizing oscillating adaptive stream- ing players. In Proceeding of the 23rd ACM Workshop on Network and Operating Systems Support for Digital Audio and Video, NOSSDAV ’13, New York, NY, USA, pp. 19–24. ACM.

[3] Akhshabi, S., A. C. Begen, and C. Dovrolis (2011). An experimental evaluation of rate-adaptation algorithms in adaptive streaming over http. In Proceedings of the Second Annual ACM Conference on Multimedia Systems, MMSys ’11, New York, NY, USA, pp. 157–168. ACM.

[4] Akhshabi, S., S. Narayanaswamya, A. C. Begen, and C. Dovrolisa (2012, Apr.). An experimental evaluation of rate-adaptive video players over http. Signal Processing: Image Communication 27 (4), 271–287.

[5] Ameur, C. B., E. Mory, and B. Cousin (2015, June). Evaluation of In 2015 gateway-based shaping methods for http adaptive streaming. IEEE International Conference on Communication Workshop (ICCW), pp. 1777–1782.

[6] Balachandran, A., V. Sekar, A. Akella, S. Seshan, I. Stoica, and H. Zhang (2013, August). Developing a predictive model of quality of ex- perience for internet video. SIGCOMM Comput. Commun. Rev. 43 (4), 339–350.

[7] Begen, A. C., T. Akgul, and M. Baugher (2011, Mar.). Watching video over the web: Part i: Streaming protocols. IEEE Internet Comput- ing 15 (2), 54–63.

[8] Belshe, M., R. Peon, and M. Thomson (2015, May). transfer protocol version 2 (rfc 7540). Hyper- [Online] Available: text http://datatracker.ietf.org/doc/rfc7540/.

[9] Benno, S., A. Beck, J. Esteban, L. Wu, and R. Miller (2013, Dec.). Wilo: A rate determination algorithm for has video in wireless networks and low-delay applications. In IEEE Globecom Workshops 2013, pp. 512–518.

[10] Bokani, A., M. Hassan, and S. Kanhere (2013, Dec.). Http-based adap- tive streaming for mobile clients using markov decision process. In Proc. 20th International Packet Video Workshop (PV 2013), pp. 1–8.

[11] Bouten, N., J. Famaey, S. Latré, R. Huysegems, B. D. Vleeschauwer, W. V. Leekwijck, and F. D. Turck (2012, Oct). Qoe optimization through in-network quality adaptation for http adaptive streaming. In 2012 8th international conference on network and service management (cnsm) and 2012 workshop on systems virtualiztion management (svm), pp. 336–342.

[12] Cicco, L. D., S. Mascolo, and D. Calamita (2013, June). A resource allocation controller for cloud-based adaptive video streaming. In 2013 IEEE International Conference on Communications Workshops (ICC), pp. 723–727.

[13] Conviva (2014). Viewer experience report. Technical report.

[14] Essaili, A. E., D. Schroeder, E. Steinbach, D. Staehle, and M. Shehada (2015, June). Qoe-based traffic and resource management for adaptive http video delivery in lte. IEEE Transactions on Circuits and Systems for Video Technology 25 (6), 988–1001.

[15] Evensen, K., A. Petlund, H. Riiser, P. Vigmostad, D. Kaspar, C. Gri- wodz, and P. Halvorsen (2011, Jun.). Mobile video streaming using location-based network prediction and transparent handover. In Proc. 21st International Workshop on Network and Operating Systems Sup- port for Digital Audio and Video (NOSSDAV ’11), pp. 21–26.

[16] Hoßfeld, T., S. Egger, R. Schatz, M. Fiedler, K. Masuch, and C. Lorentzen (2012, Jul.). Initial delay vs. interruptions: Between the

In Proc. 4th International Workshop on devil and the deep blue sea. Quality of Multimedia Experience (QoMEX 2012), pp. 1–6.

[17] Jarnikov, D. and T. Ozcelebi (2010, July). Client intelligence for adap- In 2010 IEEE International Conference on tive streaming solutions. Multimedia and Expo, pp. 1499–1504.

[18] Jiang, J., V. Sekar, and H. Zhang (2014, Feb). Improving fairness, effi- ciency, and stability in http-based adaptive video streaming with festive. IEEE/ACM Transactions on Networking 22 (1), 326–340.

[19] Joseph, V. and G. de Veciana (2014, April). Nova: Qoe-driven opti- mization of dash-based video delivery in networks. In IEEE INFOCOM 2014 - IEEE Conference on Computer Communications, pp. 82–90.

[20] Le, H. T. (2017). Quality Improvement for HTTP Adaptive Streaming over Mobile Networks. Ph. D. thesis, University of Aizu.

[21] Le, H. T., T. Vu, N. P. Ngoc, A. T. Pham, and T. C. Thang (2017). Seamless mobile video streaming over http/2 with gradual quality tran- sitions. IEICE Transactions on Communications (accepted).

[22] Lewcio, B., B. Belmudez, A. Mehmood, M. W¨altermann, and S. M¨oller (2011, May). Video quality in next generation mobile networks – percep- tion of time-varying transmission. In 2011 IEEE International Workshop Technical Committee on Communications Quality and Reliability (CQR), pp. 1–6.

[23] Li, Z., A. C. Begen, J. Gahm, Y. Shan, B. Osler, and D. Oran (2014). Streaming video over http with consistent quality. In Proceedings of the 5th ACM Multimedia Systems Conference, MMSys ’14, New York, NY, USA, pp. 248–258. ACM.

[24] Liu, C., I. Bouazizi, and M. Gabbouj (2011, Feb.). Rate adaptation for adaptive http streaming. In Proc. Second Annual ACM Conference on Multimedia Systems (MMSys ’11), pp. 169–174.

[25] Miller, K., D. Bethanabhotla, G. Caire, and A. Wolisz (2015, Aug). A control-theoretic approach to adaptive video streaming in dense wireless networks. IEEE Transactions on Multimedia 17 (8), 1309–1322.

[26] Miller, K., E. Quacchio, G. Gennari, and A. Wolisz (2012, May). Adap- tation algorithm for adaptive streaming over http. In 2012 19th Inter- national Packet Video Workshop (PV), pp. 173–178.

[27] M¨uller, C., S. Lederer, and C. Timmerer (2012). An evaluation of dynamic adaptive streaming over http in vehicular environments. In Proc. 4th Workshop on Mobile Video (MoVid ’12), pp. 37–42.

[28] Nguyen, D. V., H. T. Le, P. N. Nam, A. T. Pham, and T. C. Thang IEICE (2016). Adaptation method for video streaming over http/2. Communications Express 5 (3), 69–73.

[29] Nguyen, D. V., D. M. Nguyen, H. T. Tran, N. P. Ngoc, A. T. Pham, and T. C. Thang (2015, Jan). Quality-delay tradeoff optimization in multi- bitrate adaptive streaming. In 2015 IEEE International Conference on Consumer Electronics (ICCE), pp. 66–67.

[30] Petrangeli, S., J. Famaey, M. Claeys, S. Latré, and F. De Turck (2015, October). Qoe-driven rate adaptation heuristic for fair adaptive video streaming. ACM Trans. Multimedia Comput. Commun. Appl. 12 (2), 28:1–28:24.

[31] Pu, W., Z. Zou, and C. W. Chen (2012, May). Video adaptation proxy for wireless dynamic adaptive streaming over http. In 2012 19th International Packet Video Workshop (PV), pp. 65–70.

[32] Qadir, S., A. A. Kist, and Z. Zhang (2014, April). Qoe-aware cross- layer architecture for video traffic over internet. In 2014 IEEE REGION 10 SYMPOSIUM, pp. 522–526.

[33] Rizzo, L. (1997, Jan.). Dummynet: A simple approach to the evalu- ation of network protocols. SIGCOMM Comput. Commun. Rev. 27 (1), 31–41.

[34] Romero, L. R. (2011). A dynamic adaptive http streaming video ser- vice for google android. Master’s thesis, School of Information and Com- munication Technology (ICT), Royal Institute of Technology (KTH), Stockholm, Sweden.

[35] Singh, K. D., Y. Hadjadj-Aoul, and G. Rubino (2012, Jan.). Quality of experience estimation for adaptive http/tcp video streaming using h.264/avc. In 2012 IEEE Consumer Communications and Networking Conference (CCNC), pp. 127–131.

[36] Song, W. and D. W. Tjondronegoro (2014, Apr.). Acceptability-based qoe models for mobile video. IEEE Transactions on Multimedia 16 (3), 738–750.

[37] Sun, Y., X. Yin, J. Jiang, V. Sekar, F. Lin, N. Wang, T. Liu, and B. Si- nopoli (2016, 08). Cs2p: Improving video bitrate selection and adaptation with data-driven throughput prediction.

[38] H264/AVC Video Trace Library. [Online] Available: http://trace.eas.asu.edu/h264/. Accessed: 2015-10-30.

[39] Thang, T. C., Q.-D. Ho, J. W. Kang, and A. T. Pham (2012, Feb.). Adaptive streaming of audiovisual content using mpeg dash. IEEE Trans- actions on Consumer Electronics 58 (1), 78–85.

[40] Thang, T. C., H. T. Le, H. X. Nguyen, A. T. Pham, J. W. Kang, and Y. M. Ro (2013, Dec.). Adaptive video streaming over http with dynamic resource estimation. Journal of Communications and Networks 15 (6), 635–644.

[41] Thang, T. C., H. T. Le, A. T. Pham, and Y. M. Ro (2014, Apr.). An evaluation of bitrate adaptation methods for http live streaming. IEEE Journal on Selected Areas in Communications, 32 (4), 693–705.

[42] Thomas H. Cormen, Charles E. Leiserson, R. L. R. and C. Stein (2009). Introduction to Algorithms (3rd Edition). MIT Press and McGraw-Hill.

[43] Villa, B. J., P. E. Heegaard, and A. Instefjord (2012). Improving fair- ness for adaptive http video streaming. In R. Szabó and A. Vidács (Eds.), Information and Communication Technologies, Berlin, Heidelberg, pp. 183–193. Springer Berlin Heidelberg.

[44] Wei, S. and V. Swaminathan (2014a, Sept). Cost effective video streaming using server push over http 2.0. In 2014 IEEE 16th Inter- national Workshop on Multimedia Signal Processing (MMSP), pp. 1–5.

[45] Wei, S. and V. Swaminathan (2014b, Mar.). Low latency live video streaming over http 2.0. In Proc. 24th International Workshop on Net- work and Operating System Support for Digital Audio and Video (NOSS- DAV ’14), pp. 37–42.

[46] Wei, S., V. Swaminathan, and M. Xiao (2015, Oct). Power efficient mobile video streaming using http/2 server push. In Proc. 17th Inter- national Workshop on Multimedia Signal Processing (MMSP2015), pp. 1–6.

[47] Yin, X., V. Sekar, and B. Sinopoli (2014). Toward a principled frame- work to design dynamic adaptive streaming algorithms over http. In Proceedings of the 13th ACM Workshop on Hot Topics in Networks, HotNets-XIII, New York, NY, USA, pp. 9:1–9:7. ACM.

[48] Yitong, L., S. Yun, M. Yinian, L. Jing, L. Qi, and Y. Dacheng (2013, June). A study on quality of experience for adaptive streaming service. In 2013 IEEE International Conference on Communications Workshops (ICC), pp. 682–686.

[49] Zhang, D., H. He, and W. Li (2016, June). Bitrate allocation among multiple video streams to maximize profit in content delivery networks. Personal Ubiquitous Comput. 20 (3), 385–396.

[50] Zhao, M., X. Gong, J. Liang, W. Wang, X. Que, and S. Cheng (2015, March). Qoe-driven cross-layer optimization for wireless dynamic adap- tive streaming of scalable videos over http. IEEE Transactions on Cir- cuits and Systems for Video Technology 25 (3), 451–465.

[51] Zhou, C., C.-W. Lin, X. Zhang, and Z. Guo (2014, Apr.). A control- theoretic approach to rate adaption for dash over multiple content dis- tribution servers. IEEE Transactions on Circuits and Systems for Video Technology 24 (4), 681–694.

[52] Zhou, C., X. Zhang, L. Huo, and Z. Guo (2012, Nov). A control- theoretic approach to rate adaptation for dynamic http streaming. In 2012 Visual Communications and Image Processing, pp. 1–6.

[53] Zhu, X., Z. Li, R. Pan, J. Gahm, and H. Hu (2013, Sept). Fixing multi- client oscillations in http-based adaptive streaming: A control theoretic approach. In 2013 IEEE 15th International Workshop on Multimedia Signal Processing (MMSP), pp. 230–235.