End-to-End Transport for Video QoE Fairness（SIGCOMM 2019）

一、動機

  隨着視頻流的普及，爲了優化視頻體驗質量(QoE)，人們研究出自適應比特率(ABR)算法和傳輸協議。然而由於視頻流量的快速增長，人們日常生活中會出現多用戶同時使用流媒體服務，比如家庭或一個辦公室或者一個學生宿舍在同時觀看YouTube視頻。在這種情況下，當前的協議都是注重連接公平性，他們將可用的帶寬進行平均分配。

  這就導致它忽略了不同用戶的帶寬需求。不同的視頻需要不同的帶寬才能達到相同的觀看質量。例如與帶寬爲1 Mbit/s的大型4K電視相比，觀看者在智能手機上以1 Mbit/s的速度播放給定視頻的體驗會更好。此外，用戶研究表明視頻的感知質量也受其內容的影響，例如其類型或運動程度，如下圖所示爲一些不同的類型的視頻內容在不同比特率的情況下帶給人們的感知質量。

  由圖可知，觀看視頻“V3”的客戶端需要比觀看“V19”的客戶端更高的帶寬來維持相同的觀看質量。如果兩個客戶端接收到的帶寬相同，“V3”可能會顯得更模糊，視覺滿意度也會降低。造成這樣不同的感知質量是因爲V3視頻內容相對V19來說更加靜止。

  同時，現有的擁塞控制算法在連接之間平均分配帶寬這種做法忽略了視頻客戶端的狀態（如播放緩衝區大小），因此它們無法對應用程序級別的警告信號做出反應。比如兩個相同的視頻，第一個視頻的播放緩衝區爲6s，而第二個視頻緩衝區幾乎爲零。在傳統的擁塞控制中，第二個視頻馬上就會暫停。如果我們能夠考慮到這種差異，把第一個視頻的帶寬分一部分給第二個視頻，便會讓第二個視頻順暢播放，不會出現卡頓。

  如上圖所示，b圖便是本文的研究成果，可見Minerva可以動態地在視頻之間分配帶寬。其主要貢獻爲(a)允許對視頻的帶寬共享進行細粒度控制，(b)快速響應低緩衝區，©與非視頻流量公平競爭。它能夠通過動態修改視頻的帶寬分配來優化QoE公平性度量，從而改善連接級公平性的缺點，旨在改善QoE最差的客戶端的視頻質量。

二、模型概述

2.1 QoE公平性

  我們想在共享網絡的一組視頻之間分配帶寬，以確保所有視頻的體驗質量一樣。這種考慮到所有視頻客戶體驗的度量稱爲體驗質量公平（quality of experience fairness，QoE fairness）。通俗點說就是犧牲好的體驗用戶的一些質量來改善體驗差的用戶的質量，將體驗差的用戶的感知質量最大化。

  本文使用的$QoE$公式如下圖所示：其中$P(c_k)$表示從以比特率$c_k$觀看塊獲得的質量，我們稱之爲感知質量(PQ)，$β$是發生卡頓時的懲罰係數，$γ$是相鄰塊之間比特率變化的懲罰係數。一般來說，PQ可以根據諸如客戶端的屏幕大小、屏幕分辨率、觀看距離以及視頻內容和類型等參數在視頻和客戶端之間變化。

  假設$N$個視頻客戶端在同一個時間段內共享一個網絡，在這個時間段內，每個客戶端i都有$n_i$個塊並有一個$QoE_i$。我們的主要目標即將最小的感知質量最大化，也就是$QoE_i/n_i$最大化。

2.2 Minerva結構概述

  如上圖所示爲Minerva的結構圖，可以看出其通過反覆更新視頻的權重，進而控制各個視頻客戶端的下載速率，直到所有視頻的感知質量近乎相等。然而QoE的定義並不直接依賴於客戶端的下載速率，要想用速率控制算法解決上述優化問題，Minerva必須將其重鑄爲僅依賴於網絡鏈路速率的形式。所以Minerva首先爲每個客戶端制定一個帶寬效用函數，該函數將優化問題分解爲僅依靠下載速率的函數。然後Minerva利用現有的擁塞控制算法爲每個視頻實現與其權重成比例的帶寬分配，同時還充分利用鏈路容量。

2.3 基本效用函數

  效用函數$U(r)$應能捕獲在給定當前帶寬 r 時客戶端所期望實現的$QoE$。客戶端可以獲得過去下載的塊的$QoE$，也能獲取正在下載的快的$QoE$，但是未來塊的$QoE$不是那麼容易獲得，因爲這將取決於ABR算法，我們不知道會以什麼比特率下載它們。所以需要一種方法來預測未來的質量。

  爲了利用客戶端方面的有價值信息，如緩衝區級別。例如當客戶端具有較大的緩衝器時可能允許在短期內接收較少的帶寬而不降低其編碼級別。其次，考慮視頻塊之間的平滑性以及過去塊的$QoE$對整體性能的影響，我們同時使用之前、現在和未來塊的$QoE$建立了一個複雜的效用函數$U(r)$，其表達式如下圖所示。

  其中，$α_1$、α₂是正權重係數，通過使用當前速率r來估計當前塊的QoE，以確定視頻流是否將重新緩衝。假設緩衝級別爲b的客戶端正在下載塊ci且還剩下c字節需要下載，則其重緩衝時間$R=[c/r-b]$，並估計當前塊的$QoE$爲$（c_i，R，c_{i-1}）$。$V_h$是一個值函數，計算接下來$h$個塊的每個塊的預期$QoE$，其中$h$是一個可以根據需要設置的範圍。它抓住了這樣一個概念：客戶端將實現的$QoE$在很大程度上取決於編碼的ABR算法。爲了準確估計未來的$QoE$，客戶端在接下來的$h$個塊中模擬ABR算法。在這裏我們將ABR視爲一個黑盒，它通過接收網絡和緩衝區級別等狀態，並輸出下一個塊的比特率，通過使用這個新的質量來更新客戶端的狀態並繼續迭代這個過程，便可以等到我們預期的未來塊的QoE。

  上圖爲當h爲5時的值，可以看出效用是速率的一個遞增的凹函數，隨着下載速率的提高，在未來獲得更高質量的塊，但是其帶來的效用提升是慢慢降低的。其次，如果我們從一個更高的緩衝區開始，這意味着因卡頓而受到懲罰的可能性較低，所以允許我們以更高的質量獲取接下來的5個塊。

2.4 視頻客戶端權重

  每個客戶端都必須找到對應的權重$w_i$，才能利用所有客戶端權重的集合進而優化QoE公平性的相對帶寬分配。假設$U(r)$是連續的，當所有的U®都相等並且沒有一個可以變大時，優化問題的解決方案就會出現。同時我們結合得到的可用下載速度$r_i$，將客戶端權重定義爲下式。

  它是將測量的下載速率$r_i$除以我們得到的預期效用$U_r$。由式可知，低效用的客戶端將獲得更高的權重，這將帶給它更大的鏈路帶寬，進而使其效用越來越大。

2.5 其他TCP流的公平性

  我們知道，在實際應用中還會有其他的非視頻客戶端的TCP流，爲了讓Minerva於其公平競爭且不影響其他TCP的帶寬，我們引入了一個函數$f(Ui(r_i))$來代替$U_i(r_i)$。只要f是單調遞增的，且所有客戶機達到穩定狀態後$f(U_i(r_i))$相等，那他們就是等效的。

  爲了使每個Minerva流佔據$α$的平均TCP流，我們將它們的權重標準化，因此它們的平均值爲$α$，表達式爲

  其中$N$是該鏈路上的Minerva流數，我們通常選擇$α=1$。因爲所有的$U_i(r_i)$都會收斂到穩定值$u$，因此$f$的結果形式爲：

  我們把$f^{-1}(r)$叫做標準化函數，因爲$f^{-1}$可以與$u_i$具有相同的單位，可以進行直接比較，如上圖所示爲一組不同的PQ曲線及其歸一化函數之間的關係，圖中虛線就是最後所有視頻流達到的相同的感知質量曲線。

三、實驗及評價

  在我們的實現中，視頻服務器是建立在QUIC之上的HTTP服務器。Minerva視頻客戶端只是一個運行Dash.js的chrome瀏覽器，其使用了模型預測控制（MPC）ABR算法。

  對於測試我們使用了19個視頻，從動畫兒童電影，到動作場面，到紀錄片和新聞，再到高清自然拍攝。每個視頻塊的感知質量都是用VMAF來衡量的（VMAF是Netflix用來預測用戶對視頻質量的評價的工具），VMAF在0到100之間，100是參考4k視頻的質量。

  我們首先採用了4個Minerva客戶端在配置中共享一個網絡鏈路，然後選擇了4個隨機組合的視頻供這些客戶端播放。所有視頻同時開始播放，大約5分鐘後停止播放。對於這個實驗，鏈接速率是恆定的，並且不隨時間變化。

  其結果如上圖所示，柱形圖的頂部表示4個視頻中的最小QoE，黑色虛線的頂部表示最大QoE。藍色的柱形圖爲Minerva的結果，可以看出Minerva的表現優於這兩個備選方案，它增加了最小QoE，並縮小了4個視頻中QoE的差距。

  我們又重複了43種不同的視頻組合實驗，並且通過4Mbit/s，10Mbit/s和16Mbit/s的鏈路播放。Minerva比Cubic的QoE公平性提升結果如上圖所示，可得知17%-35%的視頻QoE公平性提高了7.65個百分點。（720p和1080p之間的平均差異是7.65VMAF點）

  我們又讓所有的客戶端都觀看相同的視頻，這消除了由靜態差異引起的QoE改進，並將重點放在Minerva利用共享相同鏈路的客戶端之間緩衝區大小的動態差異的能力上。此外，爲了將客戶端置於具有挑戰性的網絡條件中，將視頻開始的時間調整爲泊松過程，並保證在任何給定時間內都有8個視頻在共享鏈路。

  其測試結果如上圖所示，可以看出Minerva能夠顯著減少重新緩衝的時間，且在該過程中不會嚴重損害視頻的感知質量。與Cubic相比，Minerva僅降低了0.4%的平均感知質量，但能夠將平均再緩衝時間減少47%，並將再緩衝事件的數量減少45%。這表明Minerva可以在觀看體驗上獲得來自利用全局緩衝池的顯著收益，而不僅僅是來自於感知質量的差異。

四、總結

  我們提出了Minerva，第一個以分佈式方式實現的QoE公平性的系統，其可以優化QoE公平性，並與現有的TCP流量進行公平競爭。結果表明，與Cubic和BBR相比，使用Minerva的視頻在觀看體驗上有15-32%的改善，相當於分辨率從720p躍升到1080p。此外，在動態視頻到達和離開的情況下，Minerva可以平均減少47%的再緩衝時間，在不同的鏈路速度和真實的網絡鏈路下效果優異，表明它是尋求優化QoE公平性的視頻提供商的可部署解決方案。

思考：本文從視頻客戶端可用的總流量出發，通過動態地在視頻之間分配帶寬，進而使該網絡鏈路下的最小QoE達到最大值，進而提升總體的平均QoE。在文中提到不同類型的視頻在下降相同的比特率之後帶給人的QoE是不一樣的，所以這也是我們可以着手做的一個點，實時分析視頻內容，在降低分辨率帶給人的QoE影響不大視頻上，就可以降低此鏈路的帶寬，並將這部分帶寬應用到提升分辨率帶給人的QoE影響高的視頻內容上。