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

• Ano de defesa: 2019
• Autor(a) principal: Costa Filho, Roberto Irajá Tavares da
• Orientador(a): Gaspary, Luciano Paschoal
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Redes : Computadores; Vídeo digital; Redes móveis
• Palavras-chave em Inglês: Quality of Service; Video Streaming; Virtual Reality
• Link de acesso: http://hdl.handle.net/10183/195727

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.