Procjena iskustvene kvalitete strujanja videa

Autor: Irena Oršolić

Internet kontinuirano raste i evoluira — raste broj povezanih uređaja, nove i unaprijeđene usluge zahtijevaju sve više resursa te im se sve češće pristupa u pokretu. U golemim količinama prometa koji prolazi globalnim mobilnim mrežama, najveći udio generiraju popularne usluge strujanja videa — YouTube, Netflix, Amazon Prime, Facebook Watch, Twitch i sl. Prema izvještaju „The Mobile Internet Phenomena Report“ kompanije Sandvine iz 2020., 65% prometa u globalnim mobilnim mrežama, u smjeru prema korisnicima, čini upravo promet koji generiraju usluge strujanja videa. Istovremeno se bilježi znatno povećanje sveukupne količine mobilnog prometa, a predviđanja kompanije Ericsson („Ericsson Mobility Report“, 2020.) govore o očekivanom povećanju od 4.5 puta do 2026. godine.

Imajući u vidu ove zahtjeve, potrebna su skalabilna rješenja i efikasno upravljanje mrežom i uslugama, kako bi se postigle zadovoljavajuće performanse u uvjetima ograničenih resursa. Postavlja se pitanje čime uopće opisati performanse usluga te kako ih mjeriti i pratiti, s ciljem optimiranja parametara mreže i usluge. Povijesno gledano, performanse telekomunikacijskih usluga su se opisivale jednostavnim i lako mjerljivim parametrima poput kašnjenja u mreži. Kvaliteta današnjih višemedijskih usluga ima mnogo složeniji odnos s navedenim parametrima, a način na koji opisujemo performanse uključuje faktore povezane sa sustavom, korisnikom i kontekstom te je na koncu bitan doživljaj kvalitete od strane krajnjih korisnika, tj. iskustvena kvaliteta (engl. Quality of Experience, QoE).

Istraživanja u području iskustvene kvalitete imaju za cilj objasniti utjecaj mrežnih, aplikacijskih i ljudskih faktora na iskustvo krajnjih korisnika. U Laboratoriju za istraživanje iskustvene kvalitete višemedijskih usluga (MUEXlab) bavimo se modeliranjem iskustvene kvalitete višemedijskih usluga te primjenom razvijenih modela u svrhu upravljanja mrežom i uslugama.

Jedan od ciljeva istraživanja u području iskustvene kvalitete jest objasniti utjecaj raznoraznih mrežnih i aplikacijskih faktora na QoE. U tu svrhu se provode korisničke studije u kojima sudionici ispitivanja ocjenjuju svoje iskustvo korištenja zadane usluge (najčešće ocjenom 1–5) u određenim uvjetima, tj. predefiniranim scenarijima. Iz prikupljenih rezultata mogu se izvesti QoE modeli, na temelju kojih je potom moguće procijeniti QoE iste usluge praćenjem mjerljivih mrežnih i/ili aplikacijskih parametara. U Laboratoriju za istraživanje iskustvene kvalitete višemedijskih usluga (MUEXlab) na Fakultetu elektrotehnike i računarstva Sveučilišta u Zagrebu bavimo se trima područjima vezanim za iskustvenu kvalitetu višemedijskih usluga: 1) modeliranjem i ocjenom, 2) praćenjem i mjerenjem, te 3) upravljanjem i kontrolom iskustvene kvalitete. Pritom obuhvaćamo spektar usluga koji uključuje strujanje videa, igranje u oblaku, virtualnu/proširenu/udaljenu stvarnost, audiovizualne komunikacijske usluge, te Web usluge. U nastavku ovog teksta fokus je na praćenju i mjerenju iskustvene kvalitete usluga strujanja videa.

Razumijevanje odnosa iskustvene kvalitete i faktora koji na nju utječu omogućuje upravljanje mrežom i uslugama na način koji je svjestan percepcije krajnjih korisnika. Istraživanja u području iskustvene kvalitete su tako primjerice utjecala na razvoj tehnologije dostave video sadržaja te zato većina video usluga danas implementira prilagodljivo strujanje — aplikacija prati trenutno stanje mreže i usluge te temeljem toga donosi odluku o tome koja verzija sadržaja (rezolucija videa, kodek, itd.) će se preuzimati, kako bi se minimizirala degradacija iskustvene kvalitete. Pod svaku cijenu se želi izbjeći zastoj u reprodukciji videa, za koji se utvrdilo da ima najveći negativni utjecaj na iskustvenu kvalitetu. To potvrđuju brojne korisničke studije, iz kojih su proizašli i standardizirani QoE modeli objavljeni od strane Međunarodne telekomunikacijske unije (ITU-T preporuke P.1203 i P.1204).

Kod prilagodljivog strujanja, video je na poslužitelju podijeljen na kratke segmente kodirane u različitim razinama kvalitete (rezolucija videa, kodek, brzina kodiranja, itd.). Klijentska aplikacija prati količinu preuzetog sadržaja i mjeri uvjete u mreži kako bi naredne segmente dohvaćala u odgovarajućoj razini kvalitete. U lošim mrežnim uvjetima, preferira se niža rezolucija i glatka reprodukcija, u odnosu na višu rezoluciju i reprodukciju sa zastojima, jer se pokazalo da to manje degradira iskustvenu kvalitetu.

Pružatelji video usluga (npr. YouTube) mogu kroz svoje aplikacije mjeriti indikatore performansi (npr. trajanje zastoja u reprodukciji) i temeljem tih informacija pratiti QoE krajnjih korisnika. Međutim, mrežni operatori, čijim mrežama se sadržaj dostavlja, najčešće u te informacije nemaju uvid, budući da se posljednjih godina provodi masovno šifriranje prometa, te uglavnom vide samo informacije o krajnjim točkama komunikacije (IP adrese), veličine paketa i njihova međudolazna vremena. Dok je zaštita privatnosti korisnika generalno pozitivna, postavlja se pitanje kako mrežni operatori mogu potencijalno riješiti probleme koji uzrokuju degradaciju iskustvene kvalitete, ako nemaju mehanizme kojima bi detektirali da je do problema uopće došlo. Saznanja o performansama usluga omogućila bi im optimiranje upravljanja mrežom i mrežnim prometom vođeno QoE-em (dinamičku promjenu puta u mreži u stvarnom vremenu, rezervaciju kapaciteta poveznica), ali i dugoročnije planiranje i dimenzioniranje mreže prema stvarnim potrebama. Stoga postoji veliki interes industrije za pronalaženje rješenja za procjenu iskustvene kvalitete i aplikacijskih indikatora performansi iz značajki šifriranog mrežnog prometa.

Unutar MUEXlab-a, za rješavanje ovog problema oslanjamo se na metode strojnog učenja. U sklopu projekata QoMoVid (koji je financirala tvrtka Ericsson Nikola Tesla d.d.) i Q-MANIC (koji je financirala Hrvatska zaklada za znanost) proveli smo niz studija koje su polučile obećavajuće rezultate. Osnovna ideja, koja se proteže kroz sve studije, prikazana je slikom ispod. Najprije je potrebno prikupiti skup podataka koji uključuje podatke o performansama strujanja niza videa na aplikacijskoj razini i istovremeno snimljeni mrežni promet. U laboratorijskom okruženju, koristeći testne uređaje i alate koje smo razvili, automatski pokrećemo sjednice strujanja videa i bilježimo podatke o kvaliteti stvarno reproduciranog sadržaja (npr. rezolucija videa, pojava zastoja). Da bi modeli koji će kasnije biti ugrađeni u mrežu mogli prepoznati degradacije iskustvene kvalitete, moraju biti trenirani na podacima koji sadrže takve degradacije. Zato u laboratorijskom okruženju emuliramo raznolike mrežne uvjete, prema podacima o stvarnim, mjerenim širinama pojasa dostupnim u literaturi. Iz mrežnog prometa računamo njegove statističke značajke, a iz performansi aplikacije računamo QoE (temeljem postojećeg modela ITU-T P.1203/P.1204) i indikatore performansi koje želimo procijeniti (npr. prosječnu rezoluciju videa). Algoritmi strojnog učenja zatim uočavaju uzorke u odnosima statističkih značajki prometa i indikatora performansi/QoE-a, stvarajući model. Takav model, ako se ugradi u mrežu, može procijeniti indikatore performansi (npr. prosječnu rezolucija videa) i QoE isključivo iz značajki mrežnog prometa, bez povratne informacije o stvarnim performansama aplikacije na strani krajnjih korisnika.

Primijenjeni pristup procjeni iskustvene kvalitete šifriranog strujanja videa, temeljen na strojnom učenju. U laboratorijskom okruženju s emuliranim raznolikim mrežnim uvjetima, reproducira se niz videa te se pritom bilježe informacije o performansama aplikacije strujanja videa. Istovremeno se snima mrežni promet. Iz mrežnog prometa se računaju statističke karakteristike prometa povezanog s pojedinim videom ili predefiniranim kratkim vremenskim intervalom, a niz izračunatih značajki se anotira s izračunatim oznakama aplikacijskih performansi i iskustvene kvalitete. Algoritmi strojnog učenja tako označene podatke koriste za treniranje modela koji, po ugradnji u mrežu, može procijeniti aplikacijske performanse i QoE isključivo temeljem statističkih značajki šifriranog mrežnog prometa.

Definirani pristup primijenjen je na različitim slučajevima uporabe usluge YouTube: za Android i iOS uređaje, za WiFi i mobilne pristupne mreže, za procjenu kvalitete na razini cijelog videa i na razini kratkih vremenskih intervala. Ovisno o ciljnoj varijabli čija se vrijednost procjenjuje (npr. prosječna rezolucija ili QoE), modeli s točnošću od 70% — 90% daju indikaciju mrežnim operatorima o mogućim degradacijama QoE-a koje je potrebno ublažiti.

Premda su rezultati u smislu performansi modela obećavajući, postoji niz povezanih praktičnih pitanja na koja još treba pronaći odgovore. Kako bi se dobili robusni modeli, potrebno je mnoštvo uzoraka prikupljenih u različitim mrežnim uvjetima. Stoga je jedan od ciljeva odrediti koliko je to uzoraka dovoljno i kakvi uzorci moraju biti uključeni u skup podataka za treniranje. Također je ključno automatizirati čim više dijelova procesa prikupljanja podataka. U proces prikupljanja podataka potrebno je uključiti i tipične korisničke interakcije (npr. pauziranje videa) koje mogu utjecati na uzorke u mrežnom prometu. Za ugradnju modela u mrežu, poželjno bi bilo da modeli nisu specifični za pojedini scenarij uporabe (npr. samo za Android uređaje) već da mogu adresirati više različitih scenarija. U tom smjeru, trenutno se bavimo treniranjem modela koji bi pokrivali veći broj slučajeva uporabe. Otvorena istraživačka pitanja uključuju i mogućnosti prilagodbe modela, na primjer kada se mehanizmi dostave sadržaja za neku uslugu promijene ili kada postojeći model želimo primijeniti u drugoj mreži, drugačijih karakteristika. Nadalje, tu je i pitanje primjenjivosti čitave metodologije na napredne nadolazeće usluge u okviru 5G mreža poput igara u oblaku, strujanja volumetrijskog videa, umrežene virtualne i proširene stvarnosti. Ovim problemima se nastavljamo baviti u okviru tekućeg projekta Q-MERSIVE (kojeg financira Hrvatska zaklada za znanost), te se nadamo zanimljivim istraživačkim rezultatima.

— — — — — — — — — — — — —

Irena Oršolić, poslijedoktorandica na Fakultetu elektrotehnike i računarstva, Sveučilišta u Zagrebu
Laboratorij za istraživanje iskustvene kvalitete višemedijskih usluga (MUEXlab)
[email protected]

Leave a Reply

Your email address will not be published. Required fields are marked *