From 2D to next generation VR/AR videos : enabling efficient streaming via QoE-aware mobile networks

Abstract

Ranging from traditional video streaming to Virtual Reality (VR) videos, the demand for video applications to mobile devices is booming. To deal with the massive traffic produced by video applications, mobile operators rely on offloading technologies such as Small Cells, Content Delivery Networks and, shortly, Cloud Edge and 5G Device to Device communications. Although these techniques are fundamental for improving network efficiency, they produce a multitude of paths through which the user traffic can be forwarded. Most importantly, such an increased path diversity does not provide any guarantee regarding user’s Quality of Experience (QoE). Thus, a critical problem arises about how to handle the increasing video traffic while managing the interplay between infrastructure optimization and QoE. Solving this issue is remarkably difficult, and recent investigations do not consider the large-scale context of mobile operator networks. In a nutshell, the problem of dynamic provisioning of QoE-aware paths can be decomposed into two fundamental functions: (i) QoE measurement or estimation and (ii) path selection on a programmable network. To address the problem of QoE estimation, we propose a model to predict video streaming quality based on the observation of performance indicators of the underlying IP network. To accomplish this objective, the proposed model leverages lightweight active measurements and machine learning techniques. In a further step, we introduce a novel QoE-aware path deployment heuristic for large-scale SDN-based mobile networks. The scheme relies on both a polynomial-time algorithm for composing multiple QoS metrics and a scalable QoS to QoE translation strategy. Obtained results show that the proposed methods for video streaming performance prediction produce accurate estimates. As a consequence, our approach for QoE-aware path selection outperformed state-of-the-art techniques approaches by reducing impaired videos in aggregate QoE by at least 37% and lowering accumulated video stall length four times. Based on the lessons learned with QoE prediction for traditional video streaming, we finally explore the VR video domain by introducing PERCEIVE and VR-EXP. PERCEIVE is a two-stage method for predicting the perceived quality of adaptive VR videos when streamed through mobile networks. By means of machine learning techniques, our approach is able to predict the playout performance of adaptive VR video and use this information to model and estimate QoE. In turn, VR-EXP consists of an experimentation platform that allows in-depth evaluation of state-of-the-art VR video optimization techniques. VR-EXP relies on software-based emulation to assess the interplay between a set of VR video optimization techniques and different levels of network performance.

Desde o streaming de vídeo tradicional até os vídeos de Realidade Virtual (VR), a demanda por aplicativos de vídeo para dispositivos móveis está crescendo rapidamente. Para lidar com o tráfego massivo produzido por tais aplicativos, as operadoras de telefonia móvel contam com tecnologias de offloading, tais como Small Cells, Content Delivery Networks e, em breve, Cloud Edge e 5G Device to Device. Embora essas técnicas sejam fundamentais para melhorar a eficiência da rede, elas produzem uma infinidade de caminhos pelos quais o tráfego do usuário pode ser encaminhado. No entanto, a expansão da diversidade de caminhos não fornece nenhuma garantia em relação ao incremento na Qualidade da Experiência (QoE) do usuário. Assim, surge um problema fundamental que consiste em como lidar com o crescente tráfego de vídeo enquanto se gerencia a interação entre otimização de infraestrutura e QoE. Resolver esse problema é notavelmente difícil, e investigações recentes não consideram o contexto de grande escala característico das redes de operadoras de telefonia móvel. Em suma, o problema do provisionamento dinâmico de caminhos sensíveis à QoE pode ser decomposto em duas funções fundamentais: (i) medição ou estimativa de QoE e (ii) provisionamento dinâmico de caminhos em uma rede programável. Para abordar o problema da estimativa de QoE, propomos um modelo para prever a qualidade do streaming de vídeo com base na observação dos indicadores de desempenho da rede IP subjacente. Para atingir esse objetivo, o modelo proposto utiliza medições ativas leves e técnicas de aprendizado de máquina. Em uma etapa adicional, introduzimos uma heurística inovadora para provisionamento de caminhos sensíveis à QoE em redes móveis de larga escala e baseadas em SDN. O método é baseado em dois componentes principais. O primeiro consiste em um algoritmo de tempo polinomial para compor múltiplas métricas de QoS. Já o segundo componente implementa uma estratégia escalável para tradução de QoS para QoE. Os resultados obtidos mostram que os métodos propostos para previsão de desempenho de streaming de vídeo produzem estimativas precisas. Como consequência, nossa abordagem para a seleção de caminhos sensíveis à QoE superou os métodos considerados como estado da arte ao reduzir a quantidade vídeos com QoE degradado em pelo menos 37 %, bem como diminuir o tempo de congelamento da reprodução de vídeo em quatro vezes. Com base nas lições aprendidas com a predição de QoE para streaming de vídeo tradicional, finalmente exploramos o domínio de vídeos VR introduzindo PERCEIVE e VR-EXP. PERCEIVE consiste em um método de dois estágios para predizer a qualidade percebida de vídeos VR adaptativos quando transportados por redes móveis. Por meio de técnicas de aprendizado de máquina, nossa abordagem é capaz de prever o desempenho de reprodução de vídeos VR e utilizar essas informações para modelar e estimar QoE. Por sua vez, VR-EXP consiste em uma plataforma de experimentação que permite uma avaliação detalhada de técnicas de otimização para vídeos VR. VR-EXP emprega emulação baseada em software para avaliar a interação entre um conjunto de técnicas de otimização e diferentes níveis de desempenho de rede.