Abstract
Ziel dieser Arbeit war es, die Einsatzmöglichkeiten maschinellen Lernens im Bereich
des adaptiven Videostreamings zu analysieren und entsprechende Grundlagen zu
schaffen. Insbesondere zielt die Arbeit darauf ab, im großen Stil Streaming-Daten
synthetisch zu generieren, die als Eingabe für maschinelles Lernen verwendet werden
können. Zu diesem Zweck beginnt die Ausarbeitung damit, Grundlagen und Verfah-
ren zu erklären, sowie eine Auswahl aus verwandten Arbeiten zu treffen, um daraus
wertvolle Ideen abzuleiten. Einer der wichtigsten Begriffe in diesem Zusammenhang
war die Definition und Abstraktion des adaptiven Video-Streamings. Hierbei wurden
verschiedene Streaming-Adapationsalgorithmen modelliert und neu implementiert,
die die Bitrate für die Filmsegemente, die sogenannten Chunks, bestimmen. Ähnlich
wichtig war der Begriff der Quality of Experience, die im weiteren Verlauf der Ar-
beit als Bewertungsmethode für das Streaming-Erlebnis beim Benutzer diente. Es
wurde zu Beginn ein Überblick über die verschiedenen bekannten Verfahren aus
der Literatur gegeben. Anschließend wurden die technischen Details, die möglichen
Eingabeparameter und die Auswirkungen der verschiedenen Bewertungsverfahren
diskutiert. Die Arbeit nutzt lediglich vorhandene QoE-Modelle aus der Literatur.
Die Erstellung und Validierung von neuen QoE-Modellen ist nicht Gegenstand der
aktuellen Arbeit.
Im Hinblick auf verwandte Arbeiten wurden Arbeiten von Orsolic et al. und Mao
et al. herangezogen. Als Ergebnis daraus wurden, mit Blick auf das geplante Vor-
haben, folgende Ziele aufgstellt: einen umfangreichen Datensatz mit dem Verhalten
verschiedener Adaptionsalgorithmen in stark flukturierenden Netzwerken zu generie-
ren, geeignete Kombinationen von Algorithmen zu testen und einen globalen Ansatz
zur Optimierung von Video-Streaming-Vorgängen mit Hilfe von Ensemble-Learning
zu finden.
Das erste Ziel war folglich, einen entsprechend großen inhomogenen Streaming-
Datensatz für zukünftige Forschungsarbeiten bereitzustellen. Ein möglicher Ansatz
bestand darin, dies mit Hilfe von synthetisch generierten Daten zu realisieren. Dazu
wurde die synthetische Erzeugung von Streaming-Daten untersucht, um eine Metho-
de zur schnellen Herstellung von Streaming-Daten zu erhalten. Zu diesem Zweck wur-
de eine Simulation entwickelt, die das Verhalten der Adaptionsalgorithmen BBA0,
FESTIVE und PANDA für ein bestimmtes Video in einem bestimmten Netzwerk,
mittels eines generalisierten Modelles, berechnet. Um die Genauigkeit dieser Simu-
lation zu überprüfen, wurden für jeden Algorithmus drei Streaming-Prozesse real
durchgeführt und in der Simulation nachgestellt. Der Vergleich des simulierten und
realen Streaming-Prozesses zeigte eine gute Übereinstimmung zwischen Simulati-
on und Realität und außerdem, dass ein Adaptionsverfahren umso besser simuliert
werden kann, je mehr es die zeitliche Entwicklung der Parameter berücksichtigt.
Mit dem Begriff Quality of Experience (QoE) wurde eine Möglichkeit zur Bewertung der simulierten Streamingvorgänge genutzt und anschließend wurden gängige
QoE-Verfahren vorgestellt, aus denen eine begründete Auswahl getroffen wurde.
Um mit der Simulation möglichst viele Streaming-Daten zu erzeugen, wurde eine
Toolchain für deren automatisierte Generierung vorgestellt. Die Toolchain umfasst
dabei die automatische Herstellung und Konvertierung von Videos, deren Simulation
durch alle vorgegebenen Netzwerke mittels der drei eingeführten Adaptionsverfah-
ren sowie die Bewertung des simulierten Streamingvorganges mit Hilfe von sieben
vorgegebenen unterschiedlichen QoE-Modellen. Mit dieser Toolchain wurden fast 3
Millionen Streamingprozesse generiert, die auf die einzelnen Verfahren verteilt sind.
Neben der Simulation der herkömmlichen Verfahren wurde eine neue Simulati-
onsmethode trainiert, welche die herkömmlichen Vorgehensweisen der Algorithmen
BBA0, FESTIVE und PANDA kombiniert. Das neue Verfahren fand heraus, dass
man im Schnitt die gleiche durchschnittliche QoE erhält wie das beste herkömmliche
Verfahren, wenn man immer nur die zwei höchsten Bitraten wählt. Aus diesem Ver-
halten ließ sich schlussfolgern, dass die Analyse der verwendeten QoE-Modelle und
deren möglichst optimale Ausprägung auf dem verwendeten Datensatz essentiell für
maschinelles Lernen in diesem Bereich ist.
Aus diesem Grund empfiehlt diese Arbeit, dass bevor weitere maschinelle Lernver-
fahren auf adaptive Streaming-Daten angewendet werden, zuerst die exsistierenden
QoE-Modelle und deren Verhalten genauer untersucht werden sollten. Für diese Un-
tersuchungen stellt die im Rahmen dieser Arbeit entwickelte Toolchain ein wertvolles
Hilfsmittel dar, da sie die schnelle Generierung von Streaming-Daten und deren Be-
wertung anhand von sieben verschiedenen QoE-Modellen ermöglicht.
Links and resources
Tags