直播视频流建模：实时分类、QoE推断与现场评估
网络与互联网体系结构
2021-12-07 v1 人工智能
机器学习
摘要
社交媒体、职业体育与电子游戏正推动Twitch和YouTube Live等平台上的直播视频流快速增长。由于客户端播放缓冲通常不过数秒，直播体验极易受短时尺度网络拥塞影响。遗憾的是，识别此类流并为其测量QoE以用于网络管理颇具挑战，因为内容提供商对直播与视频点播(VoD)流大体使用相同分发基础设施，且包检测技术(包括SNI/DNS查询监测)并非总能区分二者。本文中，我们设计、构建并部署了ReCLive：一种基于网络层行为特征进行直播视频检测与QoE测量的机器学习方法。我们的贡献有四：(1)我们分析来自Twitch和YouTube约23,000条视频流，识别其流量轮廓中区分直播与点播流的关键特征，并将流量轨迹作为开放数据公开发布；(2)我们开发基于LSTM的二分类器模型，跨提供商以超95%准确率实时区分直播与点播流；(3)我们开发一种以分辨率和缓冲停滞事件估计直播流QoE指标的方法，总体准确率分别为93%和90%；(4)最后，我们原型化该方案，在实验室训练并部署于服务超7,000订阅者的实际ISP网络中。我们的方法为ISP提供直播视频流的细粒度可见性，使其能测量并改善用户体验。
引用
@article{arxiv.2112.02637,
title = {Modeling Live Video Streaming: Real-Time Classification, QoE Inference, and Field Evaluation},
author = {Sharat Chandra Madanapalli and Alex Mathai and Hassan Habibi Gharakheili and Vijay Sivaraman},
journal= {arXiv preprint arXiv:2112.02637},
year = {2021}
}