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

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

Identyfikatory

DOI

10.15199/59.2024.4.53

Warianty tytułu

EN

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

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

Abstrakty

EN

In the past decade, significant growth in video traffic has presented many challenges for live video streaming providers to deliver to ensure cosnistent quality of experience (QoE) for viewers. Low latency livestreaming over http using Dynamic Adaptive Streaming over HTTP (LL-DASH) has emerged to deliver high quality video content and short end-to-end latency. MultipIe low-latency based adaptive algorithm shave been proposed such as Learn2Adapt (L2A-LL) and Low on Latency (LOL+),which makes decisions based on heuristic predictive model sand learning models. This paper analyse show effectively low-latency algorithm senhance the user experience. The low-latency algorithms are compared with traditional HTTP Adaptive Streaming (HAS) algorithms. The DASH.js environment isused for experimental evaluation. The experimental results demonstrate that the L2A-LL algorithm achieves the highest bit rate, followed by the LOL+ algorithm. The low-latency algorithm achieve a higher video rate compared to the standard adaptive streaming algorithms. The findings will help identify the limitations of existing adaptive algorithms and in form strategies for their enhancement.

PL

W ostatniej dekadzie znaczący wzrost ruchu wideo przyniósł wiele wyzwań dla dostawców transmisji wideo na żywo, którzy muszą zapewnić spójną jakość doświadczenia (QoE) dla widzów. Strumieniowanie na żywo o niskiej latencji przez HTTP zużyciem dynamicznego adaptacyjnego strumieniowania przez HTTP (LL-DASH) pojawiło się, aby dostarczać treści wideo wysokiej jakości i krótką latencję end-to-end. Zaproponowano wiele algorytmów adaptacyjnych opartych na niskiej latencji, takich jak Learn2Adapt (L2A-LL) i Low on Latency (LOL+), które podejmują decyzje na podstawie heurystycznych modeli predykcyjnych i modeli uczących się. Niniejszy artykuł analizuje, jak skutecznie algorytmy niskiej latencji poprawiają doświadczenie użytkownika. Algorytmy niskiej latencji są porównywane z tradycyjnymi algorytmami adaptacyjnego strumieniowania przez HTTP (HAS). Środowisko DASH.js jest używane do oceny eksperymentalnej. Wyniki eksperymentów pokazują, że algorytm L2A-LL osiąga najwyższą przepływność, a algorytm LOL + zajmuje drugie miejsce pod tym względem. Algorytmy niskiej latencji osiągają wyższą przepływność wideo w porównaniu do standardowych algorytmów adaptacyjnego strumieniowania. Wyniki pomogą zidentyfikować ograniczenia istniejących algorytmów adaptacyjnych i wskazać strategie ich ulepszania.

Słowa kluczowe

EN

adaptive streaming; experience; latency

PL

strumieniowanie adaptacyjne; doświadczenie; latencja

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

Twórcy

autor

Uddin Syed

• AGH University of Krakow, Krakow

autor

ur Rahman Waqas

• 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," International Journal of Advanced Networking and Applications, voI.11, pp. 4155- 4161, Apr. 2019, doi: 10.35444/IJANA.2019.11014.
• [2] Apple Inc „Apple DASH." https://developer.apple.com/streaming/
• [3] Adobe Inc „ADOBE” https://helpx.adobe.com/adobe-media-server/dev/configure-dynamic-streaming-live-streaming.html
• [4] Microsoft „Miscrosoft Smooth Streaming”. https//learn.microsoft.com/en-us/shows/iis-net-site-Videos/smooth-streaming
• [5] J. Vlaovic, S. Rimac-Drlje, D. Zagar, and L. Filipović, „Content dependent spatial resolution selection for MPEG DASH segmentation, "J Ind Inf Integr, vol. 24, p. 100240, Sep. 2021, doi: 10.1016/j.jii.2021.100240.
• [6] W. ur Rahman and K.Chung, „Buffer-based adaptive bitrate algorithm for streaming over HTTP, ''KSII Trans. Internet Inf. Syst., vol. 9, no. II, pp. 4585-4622, Nov. 2015, doi: 10.3837/tiis.2015.11.019.
• [7] W. Alqhtani, A. A., and M. S., „An Adaptive Quality Switch-aware Framework for Optimal Bitrate Video Streaming Delivery," International Journal of Advanced Computer Science and Applications, vol. Nov. 2020, doi: 10.14569/IJACSA.2020.0110871.
• [8] M.Grega. Uddin Syed and M. Leszczuk, „Preliminary Study on Video Codec Optimization Using VMAF," in Intelligent Information 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 International Publishing, 2022, pp. 469-480.
• [9] T. Lyko, M. Broadbent, N. Race, M. Nilsson, P. Farrow, and S. Appleby, „Improving quality of experience in adaptive low latency livestreaming," Multimed Tools Appl, Nov. 2023, doi: 10.1007/s11042-023-15895-9.
• [10] P. O'Hanlon and A. Aslam, „Latency Target Based Analysis of the DASH.Js Player," 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. Tadahal et al., „A Survey On Adaptive Bitrate Algorithms and Their Improvisations," in 2021 International Conference on Intelligent Technologies (CONlT), 2021, pp. 1-7. doi: 10.1109/CONIT51480.2021.9498318..
• [12] B. Taraghi, S. Haack, and C. Timmerer, ”Towards Better Quality 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 Stall Events and Quality Switches and Their Impact on the Quality 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 playout buffer dynamics on the QoE of wireless adaptive HTTP progressive video," ETRI Journal voI.43, Apr.2021
• [15] J. Allard, A. Roskuski, and M. Claypool 0” Measuring and modeling the impact of buffering and interrupts on streaming video quality of experience," in Proceedings of the 18th International 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. Miller, 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. Roosendaal, „Big Buck Bunny," in ACM SIGGRAPH ASIA 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 Client"
• [19] W. ur Rahman and E.-N. Huh, „Content-aware QoE optimization in MEC-assisted Mobile video streaming, "Multimedia Tools Appl., voI. 82, no. 27 pp. 42053-42085, Apr. 2023

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).