Um novo método de gerência ativa de filas para fluxos DASH ao vivo

Abstract

Resumo: A transmissão de fluxos de vídeo tornou-se popular na Internet. Fluxos de vídeo de eventos ao vivo possuem exigências ainda mais restritas quando comparado a transmissão de vídeos sob demanda, sendo mais sensíveis ao atraso, jitter e descarte de pacotes. Minimizar o impacto desses parâmetros é fundamental para manter a qualidade dos vídeos em níveis satisfatórios. A transmissão de fluxos de vídeo de modo dinâmico e adaptativo (DASH, Dynamic Adaptative Streaming over HTTP) é uma das tecnologias mais populares para transmissão de vídeo ao vivo e também de vídeo sob demanda (VoD, Video on Demand), permitindo a transmissão de fluxos adaptativos de acordo com a largura de banda disponível. No DASH, o cliente é responsável por iniciar, gerenciar e manter a conexão com o servidor. A fim de manter a reprodução contínua do vídeo, as aplicações VoD comumente utilizam grandes buffers de recepção. Porém, em transmissões ao vivo, o uso grandes buffers não são permitidos devido ao aumento significativo do atraso. Assim, congestionamentos na rede tendem a degradar a qualidade do vídeo. Os gerenciadores ativos de fila (AQM, Active Queue Management) surgem como alternativa para controlar congestionamentos nas filas dos roteadores, fazendo com que as fontes de tráfego TCP reduzam suas taxas de transmissão. Como consequência, o cliente DASH tende a diminuir a qualidade do segmento do vídeo como forma de reagir ao congestionamento. Segmentos de menor qualidade possuem menor tamanho em bytes e, consequentemente necessitam de menos tempo para serem transmitidos na fila, diminuindo o congestionamento. Nesta tese, dois novos algoritmos de AQMs são propostos. Ambos utilizam as redes neurais LSTM (Long Short Term Memory) para realizar a previsão do atraso na fila, antecipando a ocorrência de futuros congestionamentos. Isto faz com que o cliente DASH diminua a qualidade do segmento, evitando congelamentos da imagem e pausas na reprodução. Considerando o cenário de trabalho e estudo remoto imposto pela COVID-19, os algoritmos propostos destacam-se por melhorar a qualidade de vídeo conferências ao vivo. A avaliação de desempenho dos recentes algoritmos AQMs, para transmissão DASH de vídeo ao vivo, é realizada. Os resultados mostram que os métodos propostos superam os demais AQMs testados, principalmente quando o enlace da rede encontra-se muito congestionado. Os AQMs propostos melhoram a qualidade do vídeo em termos da relação sinal-ruído de pico, da similaridade estrutural e da quantidade e duração de interrupções na imagem.

Abstract: Video streaming currently dominates global Internet traffic. Live video streaming imposes even more strict requirements than video-on-demand (VoD), being more sensitive to delay, jitter, and packet loss. Dynamic Adaptive Streaming over HTTP (DASH) is the most popular technology for live streaming and VoD, and has been massively deployed on the Internet. In DASH, the client probes the network path and adapts the video quality according to instantaneous bandwidth fluctuations. Therefore, DASH is an over-the-top application using unmanaged networks to distribute content with the best possible quality. In order to maintain a seamless playback, VoD applications commonly use large reception buffers. However, the use of large buffers in live streaming services is not allowed because of the induced delay. Hence, network congestion could decrease the user-perceived video quality. Active Queue Management (AQM) arises as an alternative to control the congestion in router’s queue, pressing the TCP traffic sources to reduce their transmission rate in case of incipient congestion. As a consequence, DASH client decreases the quality of the streamed video segment. In this thesis, we evaluate the performance of recent AQM strategies for real-time adaptive video streaming and propose two new AQM algorithms using Long Short Term Memory (LSTM) neural networks to improve the user-perceived video quality. The LSTM forecasts the trend of queue delay to allow earlier packet discard in order to avoid the network congestion. This, in turn, presses the DASH clients to decrease the video quality to avoid freezing in live streaming. Considering the remote work and study scenarios imposed by COVID-19, the proposed methods improve the video quality in live video conferences. The results show that the proposed methods outperform the competing AQM algorithms, mainly in scenarios of congested networks. The proposed AQMs improve the video quality in terms of average peak signal-to-noise ratio, structural similarity and the duration of video freezing.