Adaptive streaming using Peer-to-Peer and HTTP - Département Image, Données, Signal Accéder directement au contenu
Thèse Année : 2021

Adaptive streaming using Peer-to-Peer and HTTP

Streaming adaptatif sur réseaux pair-à-pair et HTTP

Résumé

The increasing growth of video traffic and the number of Internet users, besides the progressing video technologies and device capabilities, have surged the demand for improving the user Quality of Experience (QoE).Today, video traffic accounts for 79% of the global Internet traffic, and this percentage is projected to strike 82% by 2022, with Over The Top (OTT) services accounting for more than 50% of the peak download traffic globally.HTTP Adaptive Streaming (HAS) solutions have shown to be one of the essential techniques to cope with this ever-increasing video traffic, thanks to their embedded Adaptive BitRate (ABR) logic at the client-side which allows adaptation to the bandwidth oscillations and maximizing QoE.In parallel, video distribution over Peer-to-Peer (P2P) networks, along with Content Delivery Networks (CDN), is becoming more important to handle the explosion in the number of video consumers.As a result of P2P and HAS recent improvements, there have been many efforts to bring these two approaches together. However, the deployment of HAS streaming over P2P networks raises many challenges. The P2P nature is problematic due to the heterogeneity of resources and the dynamicity of peers. The layered implementations where HAS and P2P stack are isolated from each other. The P2P prefetching techniques are not aware of the used ABR logic, which leads to inefficient usage of the network resources. This thesis focuses on the layered HAS and P2P stack implementations and aims to analyze the above-mentioned issues and propose methods to solve them, enhancing QoE and P2P efficiency. To achieve this, we build a simulation environment to test HAS solutions in hybrid CDN/P2P systems and analyze the related issues. We propose Response-Delay, a method enabling usage of existing HAS algorithms in the context of prefetching-based P2P networks; Response-Delay is external to the video player and does not require any modification to the implemented ABR algorithm. Besides, we propose ML-based models to predict the quality decisions of HAS algorithms, using only a set of input metrics that the ABR can use to make a bitrate decision. Finally, we combine Response-Delay and the ML-based ABR models towards an ABR-aware prefetching and quality control technique. This technique uses the predicted ABR decision in the prefetching process and controls the ABR externally to make P2P-friendly decisions.
La croissance du trafic vidéo liée à l’offre et au nombre d'utilisateurs, ainsi que les progrès des technologies vidéo et des appareils, ont augmenté les attentes des utilisateurs en termes de Qualité d'Expérience (QoE). Aujourd'hui, le trafic vidéo représente 79% du trafic Internet mondial, et ce pourcentage devrait atteindre 82% d'ici 2022 avec les services Over The Top (OTT) qui représentent plus de 50% du trafic de téléchargement de pointe dans le monde. Les solutions HTTP Adaptive Streaming (HAS) se sont révélées être l'une des techniques essentielles pour faire face à ce trafic vidéo en constante augmentation, grâce à leur logique d’adaptation en débit (ABR) intégrée côté client, qui permet de s'adapter aux conditions d’utilisation (oscillations de bande passante, ressources matérielles…) afin de maximiser la QoE de l’utilisateur. En parallèle, la distribution vidéo sur les réseaux Peer-to-Peer (P2P) et sur les réseaux de diffusion de contenu (CDN) devient cruciale pour permettre au réseau de faire face à l'explosion du nombre de consommateurs vidéo. Suite aux récentes améliorations des technologies P2P et HAS, de nombreux efforts ont été déployés pour rapprocher ces deux techniques. Cependant, le déploiement HAS sur les réseaux P2P pose de nombreux défis. Le réseau P2P est problématique pour HAS en raison de l'hétérogénéité des ressources et de la fréquence des arrivées/départs des clients. Une grande partie des implémentations reposent sur un modèle en couches où les piles HAS et P2P sont isolées l'une de l'autre ; dans ce modèle, les techniques de pré-chargement P2P sont indépendantes de la logique ABR utilisée, ce qui conduit à une utilisation inefficace des ressources réseau lors des changements de qualité. Cette thèse se concentre sur les implémentations de piles HAS et P2P en couches et vise à analyser les problèmes mentionnés ci-dessus et à proposer des méthodes pour les résoudre, tout en améliorant l'efficacité de la distribution P2P. Pour y parvenir, nous construisons un environnement de simulation pour tester les solutions HAS dans les systèmes hybrides CDN / P2P et analyser les problèmes associés. Nous proposons « Response-Delay », une méthode permettant l'utilisation d'algorithmes HAS existants dans le contexte de réseaux P2P basés sur le pré-chargement ; cette méthode module le délai de réponse des requêtes en amont du lecteur HAS et ne nécessite aucune modification de l'algorithme ABR implémenté. Nous proposons par ailleurs des modèles d’apprentissage pour prédire les décisions de qualité des algorithmes HAS, en utilisant un ensemble de métriques d'entrée que l'ABR utilise pour prendre une décision de débit.Enfin, nous combinons « Response-Delay » et les modèles d’apprentissage ABR pour définir une méthode de pré-chargement et de contrôle de QoE plus efficace. Cette technique utilise la décision ABR prédite dans le processus de pré-chargement et contrôle l'ABR en amont pour prendre des décisions favorables au P2P.
Fichier principal
Vignette du fichier
99655_YOUSEF_2021_archivage.pdf (2.9 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03342614 , version 1 (13-09-2021)

Identifiants

  • HAL Id : tel-03342614 , version 1

Citer

Hiba Yousef. Adaptive streaming using Peer-to-Peer and HTTP. Multimedia [cs.MM]. Institut Polytechnique de Paris, 2021. English. ⟨NNT : 2021IPPAT017⟩. ⟨tel-03342614⟩
281 Consultations
401 Téléchargements

Partager

Gmail Facebook X LinkedIn More