Online Profiling and Adaptation of Quality Sensitivity for Internet Video
Online Profiling and Adaptation of Quality Sensitivity for Internet Video
复制标题
互联网视频质量灵敏度的在线分析和调整
DOI：
10.1145/3620678.3624788
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Jiang, Junchen
中科院分区：
文献类型：
--
作者：
Cheng, Yihua;Zhang, Hui;Jiang, Junchen
视频流系统的关键是知道体验质量（QoE）对质量度量（例如，缓冲比和平均比特率）。在传统观念中，这种质量敏感性应该通过离线用户研究来分析，因为QoE对于整个视频类型的任何地方的质量度量都是同样敏感的。然而，最近的研究表明，质量敏感度在视频之间和视频内都有很大差异，这为提高QoE和在不使用更多带宽的情况下为更多用户提供服务带来了新的潜力。不幸的是，离线剖析不能捕获新视频内的质量灵敏度的可变性（例如，这篇短文提出了一种新的架构，该架构通过收集和分析与QoE相关的反馈（例如，退出或跳过），而视频正被流传输给用户。关键组件是一个QoE驱动的反馈回路，称为SensitiFlow，由视频内容提供商运行，为并发和未来的视频会话做出自适应比特率（ABR）决策。我们使用来自内容提供商的760万个视频会话的真实的跟踪来评估用户参与度（观看时间）的QoE。我们的初步研究结果表明，SensitiFlow可以实现高达80%的改进所获得的一个假设的“预言”系统，知道质量的敏感性提前。诚然，我们的评估并不是一个大型商业内容提供商的真实的部署，但我们希望我们的初步结果将激发后续的努力，以大规模测试类似的想法。
A key to video streaming systems is knowing how sensitive quality of experience (QoE) is to quality metrics (e.g., buffering ratio and average bitrate). In the conventional wisdom, such quality sensitivity should be profiled by offline user studies because QoE is equally sensitive to quality metrics everywhere for an entire genre of videos. However, recent studies show that quality sensitivity varies substantially both across videos and within a video, giving rise to a new potential for improving QoE and serving more users without using more bandwidth. Unfortunately, offline profiling cannot capture the variability of quality sensitivity within a new video (e.g., a new TV show episode or live sports event), if users join to watch it within a short time window.This short paper makes a case for a new architecture that online profiles the quality sensitivity of a video by gathering and analyzing QoE-related feedback (e.g., exit or skip) from actual users, while the video is being streamed to users. The key component is a QoE-driven feedback loop, called SensitiFlow, run by video content providers to make adaptive-bitrate (ABR) decisions for concurrent and future video sessions. We evaluated QoE in user engagement (view time) using real traces of 7.6 million video sessions from a content provider. Our preliminary results show that SensitiFlow can realize up-to 80% of the improvement obtained by a hypothetical "oracle" system that knows quality sensitivity in advance. Admittedly, our evaluation is not a real deployment by a large-scale commercial content provider, but we hope our preliminary results will inspire follow-up efforts to test similar ideas at scale.
登录
查看更多内容
DOI：
10.2307/j.ctt7zw8pz.4
发表时间：
2018-01
期刊：
Cerveau & Psycho
影响因子：
--
作者：
S. Dieguez
通讯作者：
S. Dieguez
DOI：
10.1145/3341302.3342089
发表时间：
2019-08
期刊：
Proceedings of the ACM Special Interest Group on Data Communication
影响因子：
--
作者：
Xu Zhang;S. Sen;D. Kurniawan;Haryadi S. Gunawi;Junchen Jiang
通讯作者：
Xu Zhang;S. Sen;D. Kurniawan;Haryadi S. Gunawi;Junchen Jiang
Qrator：基于用户参与度的 ABR 流媒体兴趣感知方法
影响因子：
4.4
作者：
Dongkeun Lee;Minwoo Joo;Wonjun Lee
通讯作者：
Wonjun Lee
比较自适应视频流的固定和可变片段持续时间：整体分析
DOI：
--
发表时间：
2020
期刊：
ACM SIGMM Conference on Multimedia Systems
影响因子：
--
作者：
Susanna Schwarzmann;N. Hainke;T. Zinner;Christian Sieber;W. Robitza;A. Raake
通讯作者：
A. Raake
流媒体平台和视频点播服务的黄金时段是什么时候？
影响因子：
2.4
作者：
Jonas Tana;Emil Eirola;Mats Nylund
通讯作者：
Mats Nylund