LL-GABR: Energy Efficient Live Video Streaming Using Reinforcement Learning

要約

近年、ライブ ビデオ ストリーミング用のアダプティブ ビットレート (ABR) アルゴリズムの研究開発は、最小限の再バッファリング時間でより高いビットレートのビデオを配信しながら、遅延をほぼリアルタイム レベルまで削減することで、ユーザーの体験品質 (QoE) を向上させることに成功してきました。
。
ただし、これらの ABR アルゴリズムで使用される QoE モデルは、ライブ ビデオ ストリーミング クライアントの大部分がモバイル デバイスを使用しており、ビットレートが高くても知覚品質が必ずしも高いとは限らないことを考慮していません。
知覚品質を無視すると、知覚ビデオ品質が大幅に向上することなく、より高いビットレートでビデオを再生することになり、エネルギー消費量が増加するため、バッテリに制約のあるモバイル デバイスにとって負担となります。
この論文では、ビットレートの代わりに知覚されるビデオ品質を使用して QoE をモデル化し、エネルギー消費とレイテンシー、再バッファリング イベント、滑らかさなどの他の指標を使用する深層強化学習アプローチである LL-GABR を提案します。
LL-GABR は、基礎となるビデオ、環境、ネットワーク設定について何の仮定も行わず、既存の学習ベースの ABR とは異なり、追加の再トレーニングを行うことなく、それぞれが異なるビットレート エンコーディング ラダーを持つさまざまなビデオ タイトルに対して柔軟に動作できます。
トレース主導の実験結果によると、LL-GABR は知覚 QoE の点で最先端のアプローチよりも最大 44% 優れており、正味エネルギー消費量が 11% 削減された結果、エネルギー効率が 73% 向上しました。

要約(オリジナル)

Over the recent years, research and development in adaptive bitrate (ABR) algorithms for live video streaming have been successful in improving users’ quality of experience (QoE) by reducing latency to near real-time levels while delivering higher bitrate videos with minimal rebuffering time. However, the QoE models used by these ABR algorithms do not take into account that a large portion of live video streaming clients use mobile devices where a higher bitrate does not necessarily translate into higher perceived quality. Ignoring perceived quality results in playing videos at higher bitrates without a significant increase in perceptual video quality and becomes a burden for battery-constrained mobile devices due to higher energy consumption. In this paper, we propose LL-GABR, a deep reinforcement learning approach that models the QoE using perceived video quality instead of bitrate and uses energy consumption along with other metrics like latency, rebuffering events, and smoothness. LL-GABR makes no assumptions about the underlying video, environment, or network settings and can operate flexibly on different video titles, each having a different bitrate encoding ladder without additional re-training, unlike existing learning-based ABRs. Trace-driven experimental results show that LL-GABR outperforms the state-of-the-art approaches by up to 44% in terms of perceptual QoE and a 73% increase in energy efficiency as a result of reducing net energy consumption by 11%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google