|
早稲田大学
甲藤 二郎
教授
機関別共同研究
Discovery Saga
論文分野別Discovery Saga
研究テーマDiscovery Saga
協賛企業
共同研究先:Beijing University of Posts and Telecommunications
Academic
共同研究数 2
Article
2019 1 1
IEEE : Institute of Electrical and Electronics Engineers
Evaluation of throughput prediction for adaptive bitrate control using trace-based emulation
(Last author)
トレースベースエミュレーションを用いた適応的ビットレート制御のためのスループット予測手法の評価
Bo Wei, Hang Song, Shangguang Wang, Kenji Kanai, Jiro Katto
IEEE Access
【抄録】
Dynamic adaptive video streaming over HTTP (DASH) is widely studied and has been adopted in modern video players to ensure user quality of experience (QoE). In DASH, adaptive bitrate control is a key part whose ultimate goal is to maximize video bitrate while minimizing rebuffering. Throughput prediction plays an important role in helping select the proper video bitrate dynamically. In this paper, we studied the influence of throughput prediction on adaptive video streaming. Because the real-world network is dynamic, different methods need to be tested with large-scale deployments and analyzed statistically. However, this is difficult in academic research. Therefore, we established a reproducible trace-based emulation environment, which enables us to compare different methods quantitatively under the artificially same condition, with limited experiments. The throughput prediction methods are implemented into DASH to evaluate the effect on QoE for video streaming. The results indicate that the prediction method using long short-term memory (LSTM) performs better than the other methods. However, throughput prediction alone is not enough to ensure high QoE. To further improve the QoE, we proposed the decision map method (DMM), where the buffer occupancy is also incorporated to make a selection. By using this decision map, the choice of bitrate can be smarter than that when only prediction information is used. The total QoE is further improved by 32.1% in the ferry trace, which shows the effectiveness of DMM in further improving the performance of throughput prediction in adaptive bitrate control. © 2013 IEEE.
【抄録日本語訳】
Dynamic adaptive video streaming over HTTP (DASH) は広く研究されており、ユーザーの体感品質 (QoE) を確保するため、最新のビデオプレーヤーに採用されています。DASHでは、アダプティブ・ビットレート・コントロールは、リバッファリングを最小限に抑えながらビデオビットレートを最大化することを最終目的とした重要な部分です。スループット予測は、適切なビデオビットレートを動的に選択するために重要な役割を果たします。本論文では、スループット予測が適応的なビデオストリーミングに与える影響について研究した。実世界のネットワークは動的であるため、様々な手法を大規模な展開でテストし、統計的に分析する必要があります。しかし、これは学術的な研究において困難である。そこで、我々は再現性のあるトレースベースのエミュレーション環境を構築し、限られた実験により、人工的に同じ条件下で異なる手法を定量的に比較することを可能にした。スループット予測手法をDASHに実装し、ビデオストリーミングのQoEへの影響を評価した。その結果、LSTM(Long Short Memory)を用いた予測手法が、他の手法よりも高いパフォーマンスを示すことが分かりました。しかし、スループット予測だけでは、高いQoEを確保することはできません。そこで、さらにQoEを向上させるために、バッファ占有率も組み込んで選択を行うデシジョンマップ法(DMM)を提案しました。このデシジョンマップを用いることで、予測情報のみを用いた場合よりもスマートなビットレートの選択が可能となります。フェリートレースでは、トータルQoEがさらに32.1%向上しており、適応ビットレート制御におけるスループット予測の性能をさらに向上させるDMMの有効性を示しています。© 2013 IEEE.
Conference Paper
2019 2 20
IEEE : Institute of Electrical and Electronics Engineers
TRUST: A TCP Throughput Prediction Method in Mobile Networks
TRUST: モバイルネットワークにおけるTCPスループット予測手法
Bo Wei, Wataru Kawakami, Kenji Kanai, Jiro Katto, Shangguang Wang
【抄録】
Throughput prediction is essential for ensuring high quality of service for video streaming transmissions. However, current methods are incapable of accurately predicting throughput in mobile networks, especially for moving user scenarios. Therefore, we propose a TCP throughput prediction method TRUST using machine learning for mobile networks. TRUST has two stages: user movement pattern identification and throughput prediction. In the prediction stage, the long short-term memory (LSTM) model is employed for TCP throughput prediction. TRUST takes all the communication quality factors, sensor data and scenario information into consideration. Field experiments are conducted to evaluate TRUST in various scenarios. The results indicate that TRUST can predict future throughput with higher accuracy than the conventional methods, which decreases the throughput prediction error by maximum 44% under the moving bus scenario. © 2018 IEEE.
【抄録日本語訳】
ビデオストリーミング配信において、高いサービス品質を確保するためには、スループット予測が不可欠です。しかし、現在の手法では、モバイルネットワークにおけるスループットを正確に予測することができず、特に移動するユーザーのシナリオに対しては、その予測は困難です。そこで、モバイルネットワーク向けに、機械学習を用いたTCPスループット予測手法TRUSTを提案します。TRUSTは、ユーザの移動パターン識別とスループット予測の2つの段階を持つ。予測段階では、TCPスループット予測にLSTM(Long Short Memory)モデルを採用する。TRUSTは、通信品質要因、センサデータ、シナリオ情報を全て考慮する。様々なシナリオでTRUSTを評価するためにフィールド実験が行われた。その結果、TRUSTは従来手法よりも高い精度で将来のスループットを予測でき、移動バスシナリオの下ではスループット予測誤差を最大44%減少させることがわかった。© 2018 IEEE.