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

Chia sẻ: Trần Văn Yan | Ngày: | Loại File: PDF | Số trang:33

Thêm vào BST

Báo xấu

28
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục đích nghiên cứu của đề tài là 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.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: 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, 1
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 2
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. 3
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 4
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 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. Nội dung video Mã hóa video Bộ phận thích Phân đoạn ứng chất lượng Hiển thị video Giải mã Truy vấn video Phiên bản 3 Internet Bộ đệm Phiên bản 2 Máy Phản hồi Máy Phiên bản 1 chủ khách Hình 1.2: Hệ thống HAS 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 (Ti+1 e ) cho phân e = (1 − µ) × T với µ là hệ số an toàn nằm đoạn kế tiếp [34, 40], cụ thể Ti+1 i trong khoảng [0;1]. Ngoài ra, thông lượng trung bình Tis của một số phân đoạn video đã được tải về cũng được sử dụng để dự đoán thông lượng cho 5
phân đoạn kế tiếp [4, 39]: ( s + γ × T , i > 1, (1 − γ) × Ti−1 e i Ti+1 = Tis = (1.2) Ti , i = 1, với γ là trọng số nằm trong khoảng [0;1]. 1.2.4. 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). Các yếu tố tác động đến QoE trong HAS Độ trễ Sự gián Chất lượng Độ trễ nạp bộ đệm đoạn video video trực �ếp ban đầu Tần suất Khoảng Biên độ Sự biến gián đoạn thời gian chất lượng động chất gián đoạn lượng Tần suất Biên độ biến biến động động chất chất lượng lượng Hình 1.5: Các yếu tố ảnh hưởng đến QoE trong HAS 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 6
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 7
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. 8
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 9
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 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. P Tổng các xác suất trong mô hình ( pij ) bằng 1. i,j Hình 2.3: Mô hình băng thông Markov-Chain gồm W trạng thái 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). 10
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, P r {sk+1 |sk , a} = (2.7) 0, bk+1 = ba ||vk+1 = a. 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 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: " # ∗ X π (sk ) = argmina C(sk , a) + P (sr |sk , a) × V (sr ) , ∀a ∈ a. (2.13) sr ∈s 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 11
hệ thống ở trạng thái sn trong suốt phiên streaming. Trong phần này, xác suất trạng thái p được tính như sau: PL ti i=1 p p= (2.16) L h i với L là độ dài video và pti = pt1i , pt2i , ..., ptNi (1 ≤ i ≤ L), trong đó ptni (1 ≤ n ≤ N ) là xác suất mà hệ thống ở trạng thái sn tại thời điểm ti . 2.5.1. Dự đoán chất lượng video Mức chất lượng trung bình Av của video được dự đoán bởi: N X Av = vn × pn . (2.17) n=1 2.5.2. Dự đoán sự nhảy mức chất lượng Biên độ nhảy mức chất lượng trung bình trong một phiên streaming: N (vn − an ) × pn , an ∈ π ∗ . X Asw = (2.19) n=1 2.5.3. Dự đoán mức sử dụng bộ đệm 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 X Ab = bn × pn , (2.20) n=1 N X Pund = bn × pn |bn =1 . (2.21) n=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
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 Ab (s) 8.62 8.85 8.52 Aq 7.40 7.85 7.88 Asw 0.76 0.43 0.18 P rund 0.00 0.00 0.00 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. 13
Bảng 2.2: Ngữ cảnh dùng một băng thông có sẵn Tham số Vmax = 9 Vmax = 8 Vmax = 7 Dự Mô Dự Mô Dự Mô đoán phỏng đoán phỏng đoán phỏng Ab (s) 9.48 8.52 9.59 8.77 9.8 9.68 Aq 7.64 7.88 7.45 7.73 6.48 6.87 Asw 0.30 0.18 0.14 0.09 0.03 0.02 P rund 0.01 0.00 0.006 0.00 0.00 0.00 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 Tham số Vmax = 9 Vmax = 8 Vmax = 7 Dự Mô Dự Mô Dự Mô đoán phỏng đoán phỏng đoán phỏng Ab (s) 9.52 8.44 9.61 8.85 9.69 9.65 Aq 7.48 7.92 7.27 7.71 6.80 6.98 Asw 0.31 0.19 0.18 0.11 0.08 0.05 P rund 0.00 0.00 0.00 0.00 0.00 0.00 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. 14
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() như sau. Đặt V ∗ là mức chất lượng thích ứng tương ứng với một hàm p(). Tại mỗi phân đoạn, nếu tốc độ bit của nó lớn hơn 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 . 15
Ngưỡng tốc độ bit có thể nhận một số giá trị rời rạc. Với mỗi hàm p(), 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() 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 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. Khối điều khiển Backbone Bo�leneck Các máy khách Các máy chủ Tòa nhà, trường học Hình 3.2: Hệ thống streaming nhiều video 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 Vi∗ (ki ) mang lại giá trị lợi ích u∗i (ki ) cao nhất, ứng với ngưỡng tốc độ bit ∗i (ki ). Tìm {Vi∗ (ki )} cho tất cả các video Vi (ki ∈ [1; Ki ] , i ∈ [1; H]) sao cho tối đa hóa lợi ích trung bình U , cụ thể: 16
H wi × u∗i (ki )), i ∈ [1; H] , ki ∈ [1; Ki ], X U = max( (3.10) i=1 với điều kiện H X ri (ki ) ≤ RT , i ∈ [1; H] , ki ∈ [1; Ki ], (3.11) i=1 và d0∗i (ki ) ≤ DT , i ∈ [1; H] , ki ∈ [1; Ki ]. (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 17
CSM Đề xuất 5 4.5 4 3.5 Lợi ích (MOS) 3 2.5 2 1.5 1 2000 3000 4000 5000 6000 7000 8000 9000 10000 Băng thông (kbps) Hình 3.5: So sánh giá trị lợi ích trung bình của phương pháp đề xuất và phương pháp CSM. 100000 Thời gian chạy (ms) 1000 10 0.1 0.001 3 5 7 9 11 13 15 Số lượng video Hình 3.7: Thời gian chạy của thuật toán đề xuất và thuật toán Viterbi 200 180 160 Thời gian chạy (ms) 140 120 100 80 60 40 20 0 0 5000 10000 15000 20000 25000 30000 35000 Số lượng video 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. 18