Tóm tắt Luận án Một số giải pháp nâng cao chất lượng streaming thích ứng video trên nền giao thức http

ming dẫn tới máy khách không thể phản ứng nhanh với sự biến động của mạng. Để khắc phục vấn đề của chiến lược Push-N, một số giải pháp được đề xuất nhằm quyết định số lượng phân đoạn được đẩy cho mỗi truy vấn của máy khách [21, 28]. Tuy nhiên, máy khách phải tải đủ số lượng phân đoạn video đã được truy vấn trước khi gửi một truy vấn mới. Kết quả là, máy khách vẫn cần nhiều truy vấn cũng như sẽ phản ứng chậm với sự giảm thông lượng đột ngột, dẫn đến bộ đệm có nhiều nguy cơ bị rỗng. Rõ ràng là, nếu máy chủ có thể đẩy liên tiếp nhiều phân đoạn video cho đến khi nhận được truy vấn yêu cầu thay đổi mức chất lượng từ máy khách thì máy khách có thể ứng phó tốt hơn với sự biến động của mạng. 1.4. Kết luận chương Chương này đã trình bày cơ sở lý thuyết nền tảng của công nghệ HAS và các yếu tố tác động đến QoE trong HAS. Từ đó luận án đi đến kết luận rằng để tối đa hóa QoE cần loại bỏ sự gián đoạn video, tăng tốc độ bit trung bình, hạn chế tần suất và biên độ giảm mức chất lượng. Đây cũng chính là các thông số ảnh hưởng đến QoE, được dùng để đánh giá các giải pháp đề xuất và các giải pháp đối sánh trong luận án. Ngoài ra, các nghiên cứu liên quan cũng được khảo sát kỹ lưỡng. Từ đó, luận án kế thừa những ưu điểm và nghiên cứu, đề xuất các mô hình, thuật toán nhằm cải thiện QoE được thể hiện trong Chương 2, Chương 3 và Chương 4. 8 Chương 2 CẢI THIỆN QoE TRONG STREAMING THÍCH ỨNG VIDEO DẠNG VBR QUA HAS SỬ DỤNG SDP 2.1. Giới thiệu chương Chương này đề xuất giải pháp cải thiện QoE trong streaming thích ứng video dạng VBR dùng SDP. Cách tiếp cận của tác giả khác so với các giải pháp đã được nghiên cứu ở một số điểm sau đây. Thứ nhất, giải pháp đề xuất được đánh giá trên băng thông biến động mạnh theo thời gian. Thứ hai, nó hỗ trợ hiệu quả cho streaming video VBR có tốc độ bit biến động rất mạnh. Thứ ba, giải pháp đề xuất các mô hình toán để dự đoán một số thông số QoE trước khi một phiên streaming thực sự bắt đầu. 2.2. Ý tưởng sử dụng SDP trong streaming thích ứng Để áp dụng SDP, ta cần xây dựng các trạng thái của hệ thống. Trạng thái của hệ thống được đặc trưng bởi giá trị băng thông, mức sử dụng bộ đệm và mức chất lượng của video tại thời điểm quan sát trạng thái đó. Tổ hợp các giá trị sau khi được rời rạc hóa băng thông, bộ đệm và các mức chất lượng video tạo nên tất cả các trạng thái của hệ thống. Khi hệ thống chuyển từ trạng thái này sang trạng thái khác sẽ sinh ra hàm chi phí. Một vấn đề phạm vi vô hạn được đề xuất để tìm ra tập chính sách tối ưu cho tất cả các trạng thái của hệ thống. Vai trò của tập chính sách này là ánh xạ tham số điều khiển (cụ thể là mức chất lượng video cho phân đoạn kế tiếp) với tất cả các trạng thái của hệ thống. Dựa trên tập chính sách tìm được và mô hình hệ thống được xây dựng, các mô hình toán học được phát triển để dự đoán các thông số ảnh hưởng đến QoE trước mỗi phiên bao gồm mức chất 9 lượng trung bình, mức sử dụng bộ đệm trung bình, biên độ nhảy mức chất lượng trung bình và xác suất bộ đệm bị rỗng. 2.3. Mô hình hóa hệ thống để áp dụng SDP 2.3.1. Rời rạc hóa băng thông i,j Băng thông được rời rạc hóa thành W mức. Sau đó, W trạng thái băng thông khác nhau BWw (1 ≤ w ≤ W ) được tạo ra từ W mức này. Do băng thông mạng thường biến động mạnh và ngẫu nhiên, luận án sử dụng mô hình chuỗi Markov được minh họa trong Hình 2.3. Mỗi trạng thái được đặc trưng bởi một giá trị băng thông BWw (1 ≤ w ≤ W ). Có một xác suất pij khi băng thông chuyển từ trạng thái này sang trạng thái khác sau mỗi bước thời gian. Tổng các xác suất trong mô hình (∑ pij ) bằng 1. Hình 2.3: Mô hình băng thông Markov-Chain gồm W trạng thái 2.3.2. Rời rạc hóa bộ đệm Tương tự như băng thông, bộ đệm được rời rạc hóa thành B mức từ 1 đến Bs tương ứng với số phân đoạn video có trong bộ đệm. Bs là kích thước bộ đệm. 2.4. Mô tả vấn đề và giải pháp 2.4.1. Trạng thái hệ thống Hệ thống được đặc trưng bởi biến trạng thái sk(bk, bwk, vk) khi một phân đoạn video được tải xong tại giai đoạn k. Tại mỗi trạng thái sk, hệ thống lựa chọn một hành động a tương ứng với mức chất lượng cho phân đoạn tiếp theo. Hệ thống sau đó ngẫu nhiên nhảy sang trạng thái mới sk+1 tại giai đoạn tiếp theo, khi đó sinh ra một chi phí C(sk, a). 10 2.4.2. Xác suất chuyển trạng thái Do hệ thống là ngẫu nhiên, có nghĩa là đầu ra của hệ thống ứng với mỗi hành động a là bất định, cho nên xác suất chuyển trạng thái phụ thuộc lựa chọn a cần được xây dựng. Xác suất mà trạng thái sk chuyển đến trạng thái sk+1, với một lựa chọn a được định nghĩa như sau: Pr {sk+1|sk, a} = { Pr {bwk+1|bwk} , bk+1 = ba, vk+1 = a, 0, bk+1 = ba||vk+1 = a. (2.7) 2.4.3. Hàm chi phí Hàm chi phí được định nghĩa để phạt những yếu tố gây ra sự giảm QoE, đó là: tốc độ bit, sự gián đoạn video và sự biến động mức chất lượng, cụ thể như sau: C(sk, a) = α×∆rk + β ×∆bk + γ ×∆qk (2.11) với ∆rk là sự sai khác giữa băng thông hiện tại và tốc độ bit của phân đoạn tiếp theo được lựa chọn bởi hành động a (∆rk = |bwk − ra|), ∆bk là sự chênh lệch của mức sử dụng bộ đệm hiện tại với mức sử dụng bộ đệm tối ưu (∆bk = |bk − bopt|) và ∆qk là sự sai khác giữa mức chất lượng được lựa chọn với mức chất lượng trước đó (∆qk = (vk − a)2). 2.4.4. Giải pháp tìm tập chính sách tối ưu Đối với mỗi trạng thái sk, hành động a hợp lý nhất, được gọi là chính sách cho trạng thái sk. Tập pi chứa các chính sách cho từng trạng thái sk, là sự ánh xạ giữa tập trạng thái và tập hành động pi : s −→ a. Luận án sử dụng thuật toán PI (Policy Iteration) của SDP [42] để tìm ra tập chính sách tối ưu pi∗ sao cho tối tiểu hóa hàm giá trị của mỗi trạng thái: pi∗(sk) = argmina [ C(sk, a) + ∑ sr∈s P (sr|sk, a)× V (sr) ] , ∀a ∈ a. (2.13) Các tập chính sách tìm được giống như một bảng tìm kiếm để ánh xạ mỗi trạng thái với một mức chất lượng tối ưu cho phân đoạn tiếp theo. 2.5. Dự đoán các thông số ảnh hưởng đến QoE Để dự đoán các thông số ảnh hưởng đến QoE, điểm mấu chốt là cần xác định vectơ xác suất p = [p1, p2, ..., pN ] với pn (1 ≤ n ≤ N) là xác suất mà 11 hệ thống ở trạng thái sn trong suốt phiên streaming. Trong phần này, xác suất trạng thái p được tính như sau: p = ∑L i=1 p ti L (2.16) với L là độ dài video và pti = [ pti1 , p ti 2 , ..., p ti N ] (1 ≤ i ≤ L), trong đó ptin (1 ≤ n ≤ N) là xác suất mà hệ thống ở trạng thái sn tại thời điểm ti. 2.5.1. Dự đoán chất lượng video Mức chất lượng trung bình Av của video được dự đoán bởi: Av = N∑ n=1 vn × pn. (2.17) 2.5.2. Dự đoán sự nhảy mức chất lượng Biên độ nhảy mức chất lượng trung bình trong một phiên streaming: Asw = N∑ n=1 (vn − an)× pn, an ∈ pi∗. (2.19) 2.5.3. Dự đoán mức sử dụng bộ đệm Mức sử dụng bộ đệm trung bình Ab và xác suất video bị gián đoạn Pund được thể hiện qua 2.7 và 2.8 dưới đây: Ab = N∑ n=1 bn × pn, (2.20) Pund = N∑ n=1 bn × pn|bn=1. (2.21) 2.6. Thực nghiệm và đánh giá 2.6.1. Cài đặt thực nghiệm Test-bed gồm một máy khách chạy Java 8.0 trên máy tính Window 7 để thực thi thuật toán thích ứng và một máy chủ Apache2 chạy trên Ubuntu 12 12.04LTS để lưu các phân đoạn video. Băng thông kênh được giả lập bằng Dummynet [33]. RTT được đặt bằng 40ms. Video VBR được sử dụng là Tokyo Olympic [38] có Vmax = 9. Đoạn video được đánh giá gồm 300 phân đoạn. Độ dài mỗi phân đoạn video bằng 2 giây. Băng thông được chia thành 10 mức (W = 10). Xác suất ban đầu po là vectơ 1×N với các giá trị được đặt là 1/N . Kích thước bộ đệm được đặt là 5 phân đoạn. Mức sử dụng bộ đệm tối ưu được đặt là 4 phân đoạn. 2.6.2. Đánh giá thực nghiệm 1. Đánh giá sự thích ứng. Các giải pháp được đánh giá trên băng thông được lấy từ một mạng di động thực tế [27]. Video Tokyo Olympic gồm 9 phiên bản có độ dài L bằng 300 phân đoạn. Sự thích ứng chất lượng của giải pháp đề xuất, giải pháp SDP và giải pháp BE lần lượt được thể hiện trong Bảng 2.1 Có thể thấy rằng giải pháp BE ít hiệu quả hơn so với giải pháp đề xuất về việc cải thiện QoE. Cụ thể, Aq và Asw của giải pháp BE lần lượt là 7.85 và 0.43 trong khi Aq và Asw của giải pháp đề xuất lần lượt là 7.88 và 0.18. Đối với giải pháp thích ứng dựa trên SDP, rõ ràng thông số ảnh hưởng đến QoE của giải pháp này là xấu nhất với chất lượng trung bình thấp nhất (7.40) và biên độ nhảy mức chất lượng trung bình cao nhất(0.76). Bảng 2.1: Thống kê kết quả thích ứng của các giải pháp Tham số SDP BEĐề xuất Ab(s) 8.62 8.85 8.52 Aq 7.40 7.85 7.88 Asw 0.76 0.43 0.18 Prund 0.00 0.00 0.00 2. Đánh giá các mô hình dự đoán các tham số ảnh hưởng đến QoE. Ngữ cảnh dùng một băng thông có sẵn Lưu lượng được lấy từ mạng di động [27] được dùng làm băng thông cho mô hình toán trong việc thống kê băng thông đồng thời được dùng trong mô phỏng. Bảng 2.2 thống kê chi tiết các kết quả thực nghiệm trong ba trường hợp lựa chọn giá trị cho phiên bản lớn nhất: Vmax = 7, Vmax = 8 hoặc Vmax = 9. Dễ dàng nhận thấy rằng không có sự khác nhau nhiều giữa thông số chất lượng được dự đoán và thông số chất lượng được đo đạc. Đặc biệt, khi phiên bản lớn nhất (Vmax) càng nhỏ thì hệ thống dự đoán gần như chính xác các thông số ảnh hưởng đến QoE. 13 Bảng 2.2: Ngữ cảnh dùng một băng thông có sẵn Tham số Vmax = 9 Vmax = 8 Vmax = 7 Dự Mô Dự Mô Dự Mô đoánphỏng đoánphỏng đoánphỏng Ab(s) 9.48 8.52 9.59 8.77 9.8 9.68 Aq 7.64 7.88 7.45 7.73 6.48 6.87 Asw 0.30 0.18 0.14 0.09 0.03 0.02 Prund 0.01 0.00 0.006 0.00 0.00 0.00 Ngữ cảnh dùng các lưu lượng lịch sử Ngữ cảnh này sử dụng hai băng thông lịch sử được ghi lại từ hai phiên streaming của máy khách, trong đó một băng thông được dùng cho mô hình toán và một băng thông dùng cho mô phỏng. Bảng 2.3 thống kê chi tiết các kết quả thực nghiệm trong ba trường hợp lựa chọn giá trị cho phiên bản lớn nhất: Vmax = 7, Vmax = 8 hoặc Vmax = 9. Có thể thấy mô hình toán dự đoán khá chính xác các thông số chất lượng video so với mô phỏng. Bảng 2.3: Ngữ cảnh dùng các lưu lượng lịch sử Tham số Vmax = 9 Vmax = 8 Vmax = 7 Dự Mô Dự Mô Dự Mô đoánphỏng đoánphỏng đoánphỏng Ab(s) 9.52 8.44 9.61 8.85 9.69 9.65 Aq 7.48 7.92 7.27 7.71 6.80 6.98 Asw 0.31 0.19 0.18 0.11 0.08 0.05 Prund 0.00 0.00 0.00 0.00 0.00 0.00 2.7. Kết luận chương Trong chương này, luận án đã đề xuất một giải pháp thích ứng chất lượng cho streaming video dạng VBR qua HTTP sử dụng lập trình động ngẫu nhiên (SDP) đồng thời đề xuất các mô hình toán học để dự đoán trước các thông số ảnh hưởng đến QoE. Thực nghiệm trong hai ngữ cảnh offline và trực tuyến cho thấy: (i) giải pháp đề xuất thích ứng tốt với với biến động mạnh của thông lượng mạng và sự biến động của tốc độ bit video, (ii) thông số ảnh hưởng đến QoE được dự đoán bằng mô hình toán tương đối khớp với thông số được đo đạc từ mô phỏng. 14 Chương 3 GIẢI PHÁP PHÂN BỔ BĂNG THÔNG VÀ CẢI THIỆN QoE TRONG STREAMING ĐỒNG THỜI NHIỀU VIDEO VBR QUA HAS 3.1. Giới thiệu chương Trong chương này, một mô hình thỏa hiệp giữa chất lượng cảm nhận và độ trễ ban đầu [29] được sử dụng để tìm ra mức chất lượng thích ứng tốt nhất cho một video ứng với một mức băng thông được cấp cho video đó. Sau đó, một thành phần trong mạng đóng vai trò phân bổ băng thông và lựa chọn mức chất lượng video phù hợp cho từng máy khách nhằm cải thiện QoE. 3.2. Mô hình thỏa hiệp giữa chất lượng video và độ trễ Mô hình thỏa hiệp giữa chất lượng cảm nhận và độ trễ đề xuất trong [29] được thực hiện bằng cách thay thế một số phân đoạn có tốc độ bit cao của một mức chất lượng bằng các phân đoạn tương ứng ở mức chất lượng thấp hơn. Mục đích của mô hình là hạ tốc độ bit đại diện và/hoặc giảm độ trễ ban đầu trong khi chất lượng video tổng thể không bị ảnh hưởng nhiều. Giả sử video C gồm M mức chất lượng {Vi, 1 ≤ i ≤M}. Mỗi mức chất lượng Vi có chất lượng QPi và gồm N phân đoạn với tốc độ bit {Bij , 1 ≤ j ≤ N}. Các tác giả trong [29] đã định nghĩa một hàm p() như sau. Đặt V ∗ là mức chất lượng thích ứng tương ứng với một hàm p(). Tại mỗi phân đoạn, nếu tốc độ bit của nó lớn hơn  thì phân đoạn đó được thay thế bởi một phân đoạn tương ứng ở mức chất lượng thấp hơn gần nhất mà có tốc độ bit nhỏ hơn . 15 Ngưỡng tốc độ bit  có thể nhận một số giá trị rời rạc. Với mỗi hàm p(), ta tìm được một mức chất lượng thích ứng V ∗ có chất lượng Q∗ và độ trễ ban đầu d0∗, với một tốc độ bit đại diện R bằng mức băng thông được cấp. Tìm p() sao cho lợi ích U của người dùng là lớn nhất, với giới hạn độ trễ là DT . Lợi ích U được định nghĩa là hàm bù trừ giữa chất lượng video và độ trễ ban đầu: U = f(Q∗, d0∗). (3.2) Mô hình này tìm ra một phiên bản video thích ứng mang lại giá trị lợi ích cao nhất cho người dùng, ứng với một mức băng thông được cấp cho video. Luận án sử dụng mô hình này bối cảnh streaming đồng thời nhiều video qua đường truyền có băng thông giới hạn. 3.3. Streaming đồng thời nhiều video VBR qua HAS 3.3.1. Mô tả vấn đề Kiến trúc hệ thống đề xuất được trình bày trong Hình 3.2 với nhiều video VBR được lưu tại máy chủ. Thông tin về từng video (phiên bản thích ứng, độ trễ ban đầu, lợi ích của người dùng tương ứng với từng mức băng thông có thể được cấp cho từng video) được lưu trong tệp MPD. Một thuật toán tối ưu được đặt tại khối điều khiển với mục đích xác định phiên bản thích ứng cho từng video sao cho tối đa hóa lợi ích trung bình của người dùng. Bo�leneckBackbone Khối điều Các máy chủ Các máy khách Tòa nhà, trường học khiển Hình 3.2: Hệ thống streaming nhiều video Giả sử hệ thống streaming đồng thời H video tới các máy khách. Mỗi video Vi có thể được cấp Ki mức băng thông khác nhau. Băng thông tại mỗi mức ki được ký hiệu bởi ri(ki),(ki ∈ [1;Ki]). Tại mỗi mức băng thông được cấp ri(ki), ta có phiên bản thích ứng tốt nhất V ∗i (ki) mang lại giá trị lợi ích u∗i (ki) cao nhất, ứng với ngưỡng tốc độ bit ∗i (ki). Tìm {V ∗i (ki)} cho tất cả các video Vi (ki ∈ [1;Ki] , i ∈ [1;H]) sao cho tối đa hóa lợi ích trung bình U , cụ thể: 16 U = max( H∑ i=1 wi × u∗i (ki)), i ∈ [1;H] , ki ∈ [1;Ki], (3.10) với điều kiện H∑ i=1 ri(ki) ≤ RT , i ∈ [1;H] , ki ∈ [1;Ki], (3.11) và d0∗i (ki) ≤ DT , i ∈ [1;H] , ki ∈ [1;Ki]. (3.12) 3.3.2. Giải pháp phân bổ băng thông và thích ứng chất lượng 1. Xử lý offline tại máy chủ. Trong khâu này, mô hình thỏa hiệp giữa chất lượng hình ảnh và độ trễ được áp dụng cho tất cả các mức băng thông khác nhau có thể được cấp cho từng video. Do đó, ta có thể tạo ra một cơ sở dữ liệu chứa những thông tin của tất cả các phiên bản thích ứng tốt nhất tương ứng với tất cả các mức băng thông khác nhau có thể được cấp cho tất cả các video. Cơ sở dữ liệu này được lưu tại máy chủ, trong tệp MPD của các video và được cung cấp cho khối điều khiển. 2. Xử lý trực tuyến tại khối điều khiển. Dựa trên tệp MPD của tất cả các video, thuật toán tại khối điều khiển tìm phiên bản thích ứng cùng với băng thông được cấp cho từng video sao cho tối đa hóa lợi ích U trong biểu thức (3.2) thỏa mãn (3.3) và (3.4). 3.3.3. Kết quả thực nghiệm và đánh giá Trước hết, tác giả so sánh phương pháp đề xuất với phương pháp CSM về lợi ích trung bình của người dùng khi streaming 5 video. Kết quả thể hiện trên hình 3.5. Tiếp theo, tác giả đánh giá sự tối ưu cũng như thời gian chạy của thuật toán xử lý trực tuyến được đề xuất so với thuật toán Viterbi (Hình 3.7). Cả hai thuật toán được triển khai trên C++ và thời gian chạy được đo trên Window 8.1 notebook với CPU Intel i5-1.7GHz và bộ nhớ 6GB. Số luồng video (H) thay đổi từ 5 đến 15 và được lựa chọn ngẫu nhiên từ 5 video trên. Giả sử rằng băng thông được cấp là Rc = 800 ∗ H(kbps). Hình 3.8 thể hiện thời gian chạy của thuật toán đề xuất với các số lượng video khác nhau. Có thể thấy, thời gian chạy của thuật toán đề xuất chỉ 17 11.5 2 2.5 3 3.5 4 4.5 5 2000 3000 4000 5000 6000 7000 8000 9000 10000 Lợ i í ch (M O S) Băng thông (kbps) CSM Đề xuất Hình 3.5: So sánh giá trị lợi ích trung bình của phương pháp đề xuất và phương pháp CSM. 0.001 0.1 10 1000 100000 3 5 7 9 11 13 15 Th ờ i g ia n ch ạy (m s) Số lượng video Hình 3.7: Thời gian chạy của thuật toán đề xuất và thuật toán Viterbi 0 20 40 60 80 100 120 140 160 180 200 0 5000 10000 15000 20000 25000 30000 35000 Th ờ i g ia n ch ạy (m s) Số lượng video Hình 3.8: Thời gian chạy của thuật toán đề xuất tính bằng đơn vị ms ngay cả khi số lượng luồng video lên đến hàng nghìn. Do đó, thuật toán đề xuất có thể được dùng trong hệ thống streaming lớn. 3.4. Kết luận chương Trong chương này, một thuật toán offline thực hiện tại máy chủ để tìm ra các phiên bản thích ứng tốt nhất tương ứng với các mức băng thông được cấp cho video. Sau đó, một thuật toán online được thực hiện tại khối điều khiển trong một thành của mạng để phân bổ băng thông và lựa chọn phiên bản thích ứng phù hợp nhất cho tất cả máy khách nhằm tối đa hóa QoE. 18 Chương 4 ỨNG DỤNG TÍNH NĂNG SERVER PUSH CỦA HTTP/2 ĐỂ CẢI THIỆN QoE TRONG STREAMING VIDEO QUA HAS 4.1. Giới thiệu chương Năm 2015, giao thức HTTP/2 ra đời cung cấp một số tính năng mới trong đó tính năng Server Push có thể được sử dụng hiệu quả trong streaming video. Trong chương này, tác giả đề xuất hai phương pháp thích ứng chất lượng video dùng tính năng Server Push. Thứ nhất, tác giả lần đầu tiên đề xuất một phương pháp thích ứng chất lượng trong streaming video qua HTTP/2 với video dạng VBR. Thứ hai, tác giả đề xuất một cách tiếp cận hiệu quả hơn nữa khi sử dụng tính năng Server Push cho HAS. Phương pháp này có tên là Full Push, được áp dụng cho video dạng CBR. 4.2. Giải pháp cải thiện QoE trong streaming video VBR qua HTTP/2 4.2.1. Giải pháp thích ứng chất lượng Quyết định mức chất lượng Giả sử rằng, sau khi gửi truy vấn i để yêu cầu Ni phân đoạn video tại mức chất lượng Ii, máy khách nhận được tất cả Ni phân đoạn video, mỗi phân đoạn có độ dài τ giây. Mức sử dụng bộ đệm hiện tại là Bi, thông lượng hiện tại là Ti. Khi đó, máy khách sẽ quyết định mức chất lượng Ii+1 và số lượng phân đoạn Ni+1 cho truy vấn tiếp theo i+ 1. Để lựa chọn mức chất lượng cho truy vấn tiếp theo, cần thiết phải dự đoán thông lượng tương lai. Do tốc độ bit của video VBR biến động mạnh 19 nên cần sử dụng phương pháp dự đoán thông lượng đáp ứng nhanh để kịp thời ứng phó [40]. Theo đó, thông lượng tại thời điểm nhận xong Ni phân đoạn video của truy vấn hiện tại i được dùng làm thông lượng dự đoán cho truy vấn kế tiếp. Do tốc độ bit của video dạng VBR biến động rất mạnh, máy khách chỉ biết tốc độ bit của các phân đoạn đã được nhận, và chúng thuộc về các mức chất lượng video khác nhau. Do đó, sau khi nhận được phân đoạn có chỉ số j, cần dự đoán (i) tốc độ bit của các phân đoạn thuộc các mức chất lượng khác nhau tại cùng một chỉ số j và (ii) tốc độ bit tại phân đoạn j+1 của tất cả các mức chất lượng. Các công việc này được thực hiện lần lượt bởi phương pháp dự đoán tốc độ bit nội dòng và phương pháp dự đoán tốc độ bit liên dòng được đề xuất trong [40]. Sau khi dự đoán thông lượng và tốc độ bit video, mức chất lượng video được quyết định tăng, giữ ổn định hoặc giảm tương ứng với ba khoảng giá trị với các ngưỡng [0;Blow], [(Blow;Bhigh] và [Bhigh;Bmax] với Bmax là kích thước của bộ đệm. Quyết định số lượng phân đoạn cho mỗi truy vấn Số lượng phân đoạn Ni+1 được lựa chọn để tối thiểu hóa hàm chi phí C. Đây là tổng của chi phí liên quan đến truy vấn Crq và chi phí liên quan đến bộ đệm Cbf . C = α× Crq + (1− α)× Cbf , (4.4) với Crq = 1 Ni+1 , (4.5) Cbf = Ni+1 × τ Bi −Blow , (4.6) và α, (1− α) lần lượt là trọng số của Crq và Cbf . 4.2.2. Kết quả thực nghiệm và đánh giá Phương pháp đề xuất được đánh giá và so sánh với hai phương pháp đó là Push-N được trình bày trong [44] và phương pháp AGG được đề xuất trong [28]. Trong phương pháp Push-N, số lượng phân đoạn cho mỗi truy vấn được cố định là N phân đoạn. Trong phương pháp AGG, tốc độ bit được quyết định là tốc độ bit cao nhất mà nhỏ hơn thông lượng mạng dự đoán. 20 Bảng 4.2: Thống kê kết quả thích ứng Tham số Push-N AGGĐề xuất N=1N=2N=3N=4 Số lượng truy vấn 500 250 167 125 180 173 Mức chất lượng tb 5.62 5.68 5.68 5.70 5.74 5.8 Số lần giảm mức chất lượng 73 48 35 26 35 18 Mức sử dụng bộ đệm nhỏ nhất 12.9 12.6 9.9 4.0 5.7 11 Thống kê về kết quả thích ứng được trình bày trong Bảng 4.1. Thống kê cho biết số lượng truy vấn, tốc độ bit trung bình, sự giảm mức chất lượng và mức sử dụng bộ đệm. Bảng 4.1 cho thấy phương pháp đề xuất vượt trội hơn các phương pháp khác trong việc cân bằng giữa sự thích ứng chất lượng và overhead liên quan đến lượng truy vấn. 4.3. Một cách sử dụng hiệu quả tính năng Server Push 4.3.1. Mô tả chung RTT RTT/2 τ τ Máy khách Máy chủ Máy khách Máy chủ RTT RTT/2 k phân đoạn Thời gian Thời gian Thời gian Thời gian Hình 4.7: Cơ chế hoạt động của tính năng Server Push trong giải pháp đề xuất. Hoạt động của hệ thống đề xuất được thể hiện trong Hình 4.1. Máy khách gửi truy vấn quyết định mức chất lượng cho các phân đoạn sắp tải về. Máy chủ đẩy liên tục phân đoạn cho đến khi nhận được truy vấn mới của máy khách. Cần quyết định bitrate mới tại thời điểm sau khi nhận nốt 21 k phân đoạn của bitrate cũ. Quyết định bitrate dựa vào thông lượng dự đoán và mức sử dụng bộ đệm. Giả sử sau khi tải xong phân đoạn Si có chỉ số mức chất lượng là Ii, máy khách gửi truy vấn để thay đổi mức chất lượng cho các phân đoạn tiếp theo. Khi đó, máy khách có thể phải nhận thêm k phân đoạn với tốc độ bit cũ cho đến khi máy chủ nhận được truy vấn của máy khách. Do đó, máy khách cần quyết định tốc độ bit mới cho các phân đoạn bắt đầu từ phân đoạn Si+k+1, không phải là phân đoạn kế tiếp Si+1 như các phương pháp khác đã thực hiện. Do máy chủ đẩy liên tiếp các phân đoạn sau khi nó nhận được truy vấn của máy khách, hiện tượng tràn bộ đệm có thể xảy ra nếu tốc độ bit của các phân đoạn được tải về cao hơn tốc độ hiển thị video. Để tránh tràn bộ đệm, thông báo steady state được máy khách gửi tới máy chủ khi mức sử dụng bộ đệm hiện tại lớn hơn Bmax − RTT2 giây. Khi đó, máy chủ sẽ định kỳ gửi từng phân đoạn video tới máy khách sau mỗi khoảng thời gian là độ dài một phân đoạn. Khi mức sử dụng bộ đệm nhỏ hơn hoặc bằng Bmax − RTT2 giây, thông báo loading state sẽ được gửi và sau đó máy chủ đẩy liên tục các phân đoạn video tới máy khách. Để dự đoán thông lượng T ei+1, luận án sử dụng phối hợp cả hai cách dự đoán thông lượng được trình bày trong 1.2.3, đó là thông lượng của phân đoạn vừa được tải xong Ti và thông lượng trung bình T si+1. 4.3.2. Thuật toán thích ứng chất lượng Để quyết định mức chất lượng cho mỗi truy vấn, luận án đề xuất bốn trường hợp, đó là tăng, giữ ổn định, giảm và trường hợp nguy hiểm tương ứng khi máy khách tăng, duy trì, giảm hoặc lựa chọn mức chất lượng thấp nhất. Khi đó, bộ đệm được chia thành bốn khoảng giá trị bởi các ngưỡng Bmin, Blow và Bhigh (Bmin < Blow < Bhigh < Bmax) với Bmax là kích thước bộ đệm. Khoảng bộ đệm từ Blow đến Bhigh được coi là khoảng an toàn với tốc độ bit video được duy trì ổn định. Khi mức sử dụng bộ đệm tương lai thấp hơn hoặc cao hơn khoảng này, tốc độ bit sẽ được giảm hoặc tăng tương ứng. 4.3.3. Thực nghiệm và đánh giá kết quả Tất cả các phương pháp được đánh giá khi streaming đoạn video gồm 550 phân đoạn, với RTT bằng 100ms và băng thông được mô tả ở trên. Hình 4.2 thể hiện kết quả thích ứng của các phương pháp. Để rõ ràng, sự so sánh tốc độ bit của tất cả các phương pháp được thể hiện trong Hình 4.2a, 4.2b, 22 4.2c. Hình 4.2d thể hiện sự thay đổi mức sử dụng bộ đệm của các phương pháp trong suốt phiên streaming. 0 500 1000 1500 2000 2500 3000 0 50 100 150 200 250 300 350 400 450 500 550 B it ra te (k bp s) Thời gian (s) Thông lượng Push 1 Push 8 Đề xuất (a) Push 1, Push 8 and phương pháp đề xuất. 0 500 1000 1500 2000 2500 3000 0 50 100 150 200 250 300 350 400 450 500 550 B it ra te (k bp s) Thời gian (s) Thông lượng Push 4 Push 12 Đề xuất (b) Push 4, Push 12 and phương pháp đề xuất. 0 500 1000 1500 2000 2500 3000 0 50 100 150 200 250 300 350 400 450 500 550 B it ra te (k bp s) Time (seconds) Throughput Adapt-N method Proposed method (c) Phương pháp Adapt-N and phương pháp đề xuất. Hình 4.10: Kết quả thích ứng của tất cả các phương pháp. 4.4. Kết luận chương Trong chương đã trình bày hai đề xuất sử dụng tính năng Server Push của HTTP/2 trong streaming thích ứng video. Đề xuất thứ nhất được áp dụng cho streaming video dạng VBR. Trong đề xuất này, máy khách quyết định mức chất lượng và số lượng phân đoạn cho mỗi truy vấn. Trong đề xuất thứ hai, một cách tiếp cận mới của tính năng Server Push áp dụng cho streaming video dạng CBR có tên là Full Push, được triển khai trong đó máy khách chỉ quyết định mức chất lượng cho mỗi truy vấn. Một thuật toán thích ứng dựa trên thông lượng và mức sử dụng bộ đệm tương lai được đề xuất để quyết định mức chất lượng phù hợp với điều kiện mạng. d 23 KẾT LUẬN Các kết quả đóng góp của luận án cũng như hướng phát triển tiếp theo của luận án sẽ được nghiên cứu sinh trình bày dưới đây. A: Một số kết qu