Machine Learning-Based Prediction of Quality Shifts on Video Streaming Over 5G

要約

Quality of Experience（QOE）は、YouTubeのようなオーバーザトップ（OTT）プラットフォームでビデオセッションをストリーミングしながら、ユーザーの満足度です。
YouTubeのQoeは、バッファリングや高品質のシフトイベントなしでスムーズなストリーミングセッションを反映しています。
YouTubeのQoEに影響を与える最も重要な要因の1つは、より高い解像度から低い解像度への頻繁なシフトであり、その逆も同様です。
これらのシフトにより、スムーズなストリーミングセッションが保証されます。
ただし、平均意見スコアが低くなる可能性があります。
たとえば、ビデオ中に1080pから480pに低下すると、継続性を維持できますが、視聴者の楽しみを減らすことができます。
時間が経つにつれて、OTTプラットフォームは、従来のサービス品質（QOS）メトリックに帯域幅、レイテンシ、スループットなどのメトリックに依存する代わりに、ユーザーエクスペリエンスを高める代替方法を探しています。
その結果、YouTubeストリーミングセッションでの品質シフトとチャネルメトリックRSRP、RSRQ、およびSNRの関係を検討します。
私たちの調査結果は、これらのチャネルメトリックがシフトと正の相関があると述べています。
したがって、リアルタイムでは、OTTはビデオストリーミングセッションを低解像度カテゴリと高解像度カテゴリに予測するためにのみ頼ることができ、ユーザーエクスペリエンスを改善するためにより多くのリソースを提供します。
従来の機械学習（ML）分類器を使用して、RSRP、RSRQ、およびSNRのみを使用しながら、77％の精度を達成しました。
超信頼性の低い低遅延ネットワークがストリーミング機能を強化すると約束する5G以降の時代には、提案された方法論を使用してOTTサービスを改善できます。

要約(オリジナル)

The Quality of Experience (QoE) is the users satisfaction while streaming a video session over an over-the-top (OTT) platform like YouTube. QoE of YouTube reflects the smooth streaming session without any buffering and quality shift events. One of the most important factors nowadays affecting QoE of YouTube is frequent shifts from higher to lower resolutions and vice versa. These shifts ensure a smooth streaming session; however, it might get a lower mean opinion score. For instance, dropping from 1080p to 480p during a video can preserve continuity but might reduce the viewers enjoyment. Over time, OTT platforms are looking for alternative ways to boost user experience instead of relying on traditional Quality of Service (QoS) metrics such as bandwidth, latency, and throughput. As a result, we look into the relationship between quality shifting in YouTube streaming sessions and the channel metrics RSRP, RSRQ, and SNR. Our findings state that these channel metrics positively correlate with shifts. Thus, in real-time, OTT can only rely on them to predict video streaming sessions into lower- and higher-resolution categories, thus providing more resources to improve user experience. Using traditional Machine Learning (ML) classifiers, we achieved an accuracy of 77-percent, while using only RSRP, RSRQ, and SNR. In the era of 5G and beyond, where ultra-reliable, low-latency networks promise enhanced streaming capabilities, the proposed methodology can be used to improve OTT services.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google