Login
- Dokumenttyp:
- Masterarbeit
- Autor(en):
- Korbinian Hagn
- Titel:
- HASBRAIN: A Machine Learning-based Adaptation Algorithm for HTTP Adaptive Streaming
- Übersetzter Titel:
- HASBRAIN: Ein auf maschinellen lernen basierender Adaptionsalgorithmus für HTTP adaptives Streaming
- Abstract:
- This thesis presents a new Quality of Experience (QoE) aware adaptation algorithm for HTTP Adaptive Streaming (HAS) based on supervised Machine Learning (ML) techniques named "HTTP Adaptive Streaming with Bit-Rate change aware Artificial INtelligence" or just HASBRAIN. With use of the optimal adaptation path, the optimal video quality picking strategy, a ML algorithm is trained and learns to behave in similar optimal fashion. The first contribution of this work is the modification of an existing optimization formulation with the goal of determining the Pareto frontier for QoE aware adaptation algorithms. This formulation allows to evaluate with an aggressiveness switching parameter α the trade-off between average quality and quality switching in the video playout. The results of this evaluation lead to a modified version of a two-step optimization problem formulation with an allowable maximum quality level degradation parameter ε while minimizing the number of quality switches. Given a video and a data-rate histogram, the optimization outputs the optimal adaptation path. The optimal adaptation path is the optimal quality level picking strategy at each decision instance in time. The optimal decisions are used as input for training a ML algorithm. These supervised trained ML algorithms consist of an Artificial Neural Network (ANN), a Support Vector Machine (SVM) and a k-Nearest-Neighbors approach. The best performing learning technique, in terms of learning accuracy, is then used as an adaptation logic in a HAS scenario simulated through a Discrete Event Simulation (DES). The performance is evaluated through user-centric evaluation metrics gathered from the DES. These metrics are the average playout quality, the quality switching frequency, the stalling-frequency and -ratio and the buffer level throughout the video playout. The HASBRAIN algorithm's performance is furthermore compared with the performance of well-known threshold-based adaptation algorithms TRDA and KLUDCP within the same evaluation scenario. The ML's adaptation performance behavior allows it to reach a similar average playout quality than the other algorithms while reducing the number of quality switches. But due to wrong adaptation decisions the ML tool is in some scenarios not able to prevent stalling to occur. This work is concluded by the pros and cons of this algorithm compared to the threshold-based algorithms. Furthermore, an outlook for future work is given to further improve the performance through adjustments in the ML algorithms learning.
- übersetzter Abstract:
- Diese Arbeit präsentiert einen neuen Quality of Experience (QoE) berücksichtigenden Adaptionsalgorithmus für HTTP adaptives Streaming (HAS), basierend auf Techniken des überwachten Maschinellen Lernens (ML) genannt „HTTP Adaptive Streaming with Bit-Rate change aware Artificial INtelligence“ oder kurz HASBRAIN. Mithilfe eines optimalen Adaptionspfades, der optimalen Strategie zur Wahl der Video Qualität, wird ein ML Algorithmus trainiert und lernt sich in selbiger optimaler Verhaltensweise zu Verhalten. Der erste Beitrag dieser Arbeit ist eine Modifizierung einer bereits Existierenden Optimierung mit dem Ziel eine Pareto Grenze für QoE berücksichtigende Adaptionsalgorithmen zu bestimmen. Diese Formulierung erlaubt es durch den Parameter α den Ausgleich zwischen der mittleren Qualität und dem Qualitätswechsel Verhalten während des Ausspielens des Videos zu evaluieren. Die Ergebnisse dieser Evaluation führen zu einer modifizierten Version einer Zwei-Schritt Optimierungsformulierung mit einem erlaubten Maximum in der Degradierung der Qualität. Dies wird bestimmt durch den Parameter ε in der Minimierung der Qualitätswechsel nach einer vorhergehenden Maximierung der mittleren Qualität. Mit einem gegebenen Video und einem Datenraten Histogramm wird von der Optimierung ein Optimaler Adaptionspfad ausgegeben. Dieser Adaptionspfad ist die optimale Strategie mit der die Qualitätsstufen ausgewählt werden an bestimmten Punkten in der Zeit des Streaming Vorgangs. Diese optimalen Entscheidungen werden den ML Algorithmen als Eingabe übergeben. Diese überwacht lernenden ML Algorithmen sind Künstliche Neuronale Netze, eine Support Vector Machine (SVM) und k-Nearest-Neighbors. Die performanteste ML Technik, im Sinne der Genauigkeit der Klassifizierung, wird dann als Adaptionslogik in einem HAS Szenario eingesetzt. Dieses Szenario wird durch eine Diskrete Ereignis Simulation (DES) durchgeführt. Die Performanz als Adaptionslogik wird durch User-Metriken bestimmt, welche in der DES gesammelt werden. Diese Metriken sind die mittlere wiedergegebene Videoqualität, die Frequenz der Qualitätswechsel, die Häufigkeit von Unterbrechungen während des Ausspielens und ihre Dauer im Verhältnis zur gesamt Ausspielzeit und die Buffergröße während des Ausspielens. Die Performanz des HASBRAIN Algorithmus wird mit TRDA und KLUDCP, zwei so genannte threshold-basierten Adaptionsalgorithmen verglichen. Die Adaptionsperformanz von HASBRAIN erlaubt es ähnliche mittlere Videoqualitäten auszuspielen wie die threshold-basierten Algorithmen während die Anzahl an Qualitätswechsel reduziert werden kann. Dennoch treten durch falsche Adaptionsentscheidungen der ML Technik in einigen Szenarien Unterbrechungen auf. Diese Arbeit wird mit der Darstellung der Pros und Kontras dieses Algorithmus im Vergleich zu den threshold-basierten Algorithmen abgeschlossen. Des Weiteren wird ein Ausblick auf zukünftige Arbeit gegeben in wie fern die Performanz durch Anpassungen im Lernen der ML Algorithmen verbessert werden kann.
- Stichworte:
- Adaptive Streaming, Video Streaming, Artificial Intelligence, Neural Networks, Machine Learning
- Fachgebiet:
- ELT Elektrotechnik
- DDC:
- 620 Ingenieurwissenschaften
- Betreuer:
- Sieber, Christian
- Gutachter:
- Kellerer, Wolfgang (Prof. Dr.)
- Jahr:
- 2017
- Seiten/Umfang:
- 76
- Sprache:
- en
- Sprache der Übersetzung:
- de
- Hochschule / Universität:
- Technische Universität München
- Fakultät:
- Fakultät für Elektrotechnik und Informationstechnik
- Annahmedatum:
- 16.08.2017
- Präsentationsdatum:
- 16.08.2017
BibTeX