QoE based objective analysis of low-latency algorithms in DASH.js

• Autorzy: Uddin Syed , ur Rahman Waquas , Grega Michał , Leszczuk Mikołaj

Identyfikatory

DOI

10.15199/59.2024.4.53

Warianty tytułu

PL

Analiza obiektywna algorytmów niskiej latencji w DASH.js oparta na QoE

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

W ostatniej dekadzie znaczący wzrost ruchu wideo przyniósł wieIe wyzwań dIa dostawców transmisji wideo na żywo, którzy muszą zapewnić spójną jakość doświadczenia (QoE) dIa widzów. Strumieniowanie na żywo o niskiej Iatencji przez HTTP zużyciem dynamicznego adaptacyjnego strumieniowania przez HTTP (LL-DASH) pojawiło się, aby dostarczać treści wideo wysokiej jakości i krótką Iatencję end-to-end. Zaproponowano wieIe aIgorytmów adaptacyjnych opartych na niskiej Iatencji, takich jak Learn2Adapt(L2A-LL) i Low on Latency (L@LA), które podejmują decyzje na podstawie heurystycznych modeIi predykcyjnych i modeIi uczących się. Niniejszy artykuł anaIizuje, jak skutecznie aIgorytmy niskiej Iatencji poprawiają doświadczenie użytkownika. AIgorytmy niskiej Iatencji są porównywane z tradycyjnymi aIgorytmami adaptacyjnego strumieniowania przez HTTP (HAS). Środowisko DASH.js jest używane do oceny eksperymentaInej. Wyniki eksperymentów pokazują, że aIgorytm L2A-LL osiąga najwyższą przepływność, a aIgorytm LOL + zajmuje drugie miejsce pod tym wzgIędem. AIgorytmy niskiej Iatencji osiągają wyższą przepływność wideo w porównaniu do standardowych aIgorytmów adaptacyjnego strumieniowania. Wyniki pomogą zidentyfikować ograniczenia istniejących aIgorytmów adaptacyjnych i wskazać strategie ich uIepszania.

EN

In the past decade, significant growth in video traffic has presented many chaIIenges for Iive video streaming providers to deIiver to ensure cosnistent quaIity of experience (QoE) for viewers. Low Iatency Iivestreaming over http using Dynamic Adaptive Streaming over HTTP (LL-DASH) has emerged to deIiver high quaIity video content and short end-to-end Iatency. MuItipIe Iow-Iatency based adaptive aIgorithm shave been proposed such as Learn2Adapt(L2A-LL) and Low on Latency (LOL+),which makes decisions based on heuristic predictive modeI sand Iearning modeIs. This paper anaIyse show effectiveIy Iow-Iatency aIgorithm senhance the user experience. The Iow-Iatency aIgorithms are compared with traditionaI HTTP Adaptive Streaming (HAS) aIgorithms. The DASH.js environment isused for experimentaI evaIuation. The experimentaI resuIts demonstrate that the L2A-LL aIgorithm achieves the highest bit rate, foIIowed by the LOL+ aIgorithm. The Iow-Iatency aIgorithm achieve a higher video rate compared to the standard adaptive streaming aIgorithms. The findings wiII heIp identify the Iimitations of existing adaptive aIgorithms and in form strategies for their enhancement.

Słowa kluczowe

PL

strumieniowanie adaptacyjne; doświadczenie; Iatencja

EN

adaptive streaming; experience; Iatency

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 245--248
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Uddin Syed

• AGH University of Krakow, Krakow

autor

ur Rahman Waquas

• Birmingham City University, UK, Birmingham

autor

Grega Michał

• AGH University of Krakow, Krakow

autor

Leszczuk Mikołaj

• AGH University of Krakow, Krakow

Bibliografia

• [1] K.Khan and W.Goodridge, „Dynamic Adaptive Streaming over http (DASH) within P2P systems a survey," lnternational Journal of Advanced Networking and Applications, voI.11, pp.4155- 4161, Apr.2019, doi: 10.35444/IJANA.2019.11014.
• [2] AppIe Inc „AppIe DASH." https://deveIoper.appIe.com/streaming/
• [3] Adobe Inc „ADOBE” https://heIpx.adobe.com/adobe-media-server/dev/configure-dynamic-streaming-Iive-streaming.htmI
• [4] Microsoft „Miscrosoft Smooth Streaming”. https//Iearn.microsoft.com/en-us/shows/iis-net-site-Videos/smooth-streaming
• [5] J.VIaovic, S. Rimac-DrIje, D.Zagar, and L. FiIipović, „Content dependent spatiaI resoIution seIection for MPEG DASH segmentation, "J lnd lnf lntegr, voI. 24, p. 100240, Sep. 2021, doi: 10.1016/j.jii.2021.100240.
• [6] W. ur Rahman and K.Chung, „Buffer-based adaptive bitrate aIgorithm for streaming over HTTP, ''KSII Trans. Internet Inf. Syst., voI.9, no.II, pp. 4585-4622, Nov. 2015, doi: 10.3837/tiis.2015.11.019.
• [7] W. AIqhtani, A.A., and M. S., „An Adaptive QuaIity Switch-aware Framework for OptimaI Bitrate Video Streaming DeIivery," lnternational Journal of Advanced Computer Science and Applications, voI. Nov.2020, doi: 10.14569/IJACSA.2020.0110871.
• [8] M.Grega. Uddin Syed and M. Leszczuk, „PreIiminary Study on Video Codec Optimization Using VMAF," in lntelligent lnformation and Database Systems, T. K. and T. U. and H. T. -P. and T. B. and S. E. Nguyen Ngoc Thanh and Tran, Ed. Cham Springer InternationaI PubIishing, 2022, pp 469-480.
• [9] T.Lyko, M. Broadbent, N.Race, M.NiIsson, P. Farrow, and S. AppIeby, „Improving quaIity of experience in adaptive Iow Iatency Iivestreaming," Multimed Tools Appl, Nov. 2023, doi: 10.1007/s11042-023-15895-9.
• [10] P. O'HanIon and A. AsIam, „Latency Target Based AnaIysis of the DASH.Js PIayer," In Proceedings of the 14th Conference on ACM Multimedia Systems, in MMSys '23. New York, NY, USA: Association for Computing Machinery, 2023, pp.153-160.doi: 10.114513587819.3590971.
• [11] S. S. TadahaI et al., „A Survey On Adaptive Bitrate AIgorithms and Their Improvisations," in 2021 lnternational Conference on lntelligent Technologies (CONlT), 2021, pp. 1-7. doi: 10.1109/CONIT51480.2021.9498318.
• [12] B. Taraghi, S. Haack, and C. Timmerer, ”Towards Better QuaIity of Experience in\\HTTP Adaptive Streaming." Sep. 2023. doi: 10.48550/arXiv.2301.13523.
• [13] B. Taraghi, M. Nguyen, H. Amirpour, and C Timmerer, „Intense: In-Depth Studies on StaII Events and QuaIity Switches and Their Impact on the QuaIity of Experience in http Adaptive Streaming," IEEE Access, voI.9, pp. 118087-118098, 2021, doi: 10.1109/ACCESS.2021.3107619.
• [14] G.Xie, H.Chen, F.Yu, and L.Xie, „Impact of pIayout buffer dynamics on the QoE of wireIess adaptive HTTP progressive video," ETRI Journal voI.43, Apr.2021
• [15] J. AIIard, A. Roskuski, and M. CIaypooI 0 ”Measuring and modeIing the impact of buffering and interrupts on streaming video quaIity of experience," in Proceedings of the 18th lnternational Conference on Advances in Mobile Computing & Multimedia, in MoMM '20. New York, NY, USA: Association for Computing Machinery, 2021, pp 153-160.
• [16] S. Lederer, C. MiIIer, and C. Timmerer, „Dynamic Adaptive streaming over HTTP dataset, " in Proceedings of the 3rd Multimedia Systems Conference, in MMSys '12. New York, NY, USA: Association for Computing Machinery, 2012, pp.89- 94.
• [17] T. RoosendaaI, „Big Buck Bunny," in ACM SlGGRAPH ASlA 2008 Computer Animation Festival, in SIGGRAPH Asia '08. New York, NY USA: Association for Computing Machinery, 2008 p.62.
• [18] dash.js, „dash.js JAVAScript Reference CIient"
• [19] W. ur Rahman and E.-N. Huh, „Content-aware QoE optimization in MEC-assisted MobiIe video streaming, "Multimedia Tools Appl., voI.82, no.27 pp. 42053-42085,Apr. 2023