基于体验质量、利用吞吐量预测的低延迟直播流媒体

近年来，基于 HTTP 的自适应流媒体已成为互联网上视频流媒体的事实标准。它允许客户端动态适配媒体特性到网络条件，以确保高体验质量，即在合理质量变化水平下最大化视频质量的同时最小化播放中断。在直播流媒体情况下，由于延迟约束，该任务变得尤其具有挑战性。如果客户端使用无线网络，其中吞吐量受到显著波动，挑战进一步增加。因此，直播流通常表现出高达 30 秒的延迟。在本工作中，我们引入一种用于基于 HTTP 的直播流媒体的适配算法，称为 LOLYPOP（Low-Latency Prediction-Based Adaptation，基于低延迟预测的适配），其设计用于以数秒的传输延迟运行。为实现此目标，LOLYPOP 利用从 1 到 10 秒的多个时间尺度上的 TCP 吞吐量预测，以及预测误差分布的估计。除了满足延迟约束外，该算法通过最大化平均视频质量（作为跳过片段数和质量切换次数的函数）来启发式地最大化体验质量。为选择高效的预测方法，我们研究了在 IEEE 802.11 无线接入网络中若干时间序列预测方法的性能。我们在将传输延迟限制为 3 秒的大量实验条件下评估了 LOLYPOP，对比了文献中称为 FESTIVE 的最先进适配算法。我们观察到平均视频质量比 FESTIVE 高出最多 3 倍。我们还观察到 LOLYPOP 能够在体验质量空间中达到更广阔的区域，因此更好地适应用户配置文件或服务提供商要求。