| spelling |
Daniel Fernandes Macedohttp://lattes.cnpq.br/8758395845049687Jussara Marques de Almeida GonçalvexEduardo Coelho CerqueiraDiego Neves da Horahttp://lattes.cnpq.br/3182580850135052Daniel Henriques Cézar Miranda Soares2022-08-03T15:19:49Z2022-08-03T15:19:49Z2022-01-17http://hdl.handle.net/1843/43914O número de usuários das plataformas de jogos tradicionais (videogame e computador) em janeiro de 2020 era de 312 milhões ao somar os usuário da Steam, PlayStation e Xbox Live. Já a plataforma de jogos em nuvem GeForce Now contava com 10 milhões de usuários totais em abril de 2021. Além disso, relatórios de mercado preveem um ritmo de crescimento de jogos em nuvem entre 50-60% ao ano nos próximos dez anos. Esta dissertação propõe um modelo de QoE em jogos em nuvem que utiliza parâmetros de rede e de nuvem. Além disso, consideramos separadamente os efeitos da rede para os fluxos de vídeo e comandos do jogo. Como saída do modelo temos a previsão de QoE avaliado pelo usuário. Tais modelos podem ser empregados para o gerenciamento de ativos de rede de um provedor ou computacionais de uma plataforma de nuvem, visando melhoria da experiência do usuário. Outras possíveis aplicações são: estimar o impacto de alterações na rede de outros trabalhos sobre jogos em nuvem, validar requisitos de uma nova plataforma de jogos em nuvem e balanceamento de cargas por um provedor de rede de acordo com a previsão de QoE. Nosso trabalho é o primeiro a usar uma pesquisa de QoE para jogos em nuvem e criar um preditor de QoE baseado na rede. Visto que os modelos existentes são baseados somente em QoS, nosso modelo é relevante pois pode ser utilizado em cenários que não são possíveis com os modelos anteriores. Utilizamos uma testbed com servidor e cliente na mesma rede, gerando a degradação de rede por partida de acordo com o documento P809 da ITU. Foram coletados dados de 2020 partidas com nove usuários. Estes dados foram utilizados para treinar um regressor para dois modelos distintos, um com acordo e outro sem acordo. O modelo sem acordo parte da premissa que o provedor de rede e o provedor que fornece o serviço de jogos em nuvem não possuem um compartilhamento de informações, logo o modelo só tem acesso aos dados de rede. Já o modelo com acordo parte da premissa que existe um acordo e tem mais dados, permitindo uma análise mais profunda. Ambos os modelos conseguiram prever o QoE avaliado dentro de um intervalo de erro de mais ou menos um em uma escala MOS de sete pontos para o modelo sem acordo e de mais ou menos 0.9 para o modelo com acordo. A taxa de acerto do modelo sem acordo é de 40% e a do modelo com acordo é 50%. Este valor sobe para até 90% considerando avaliações com erro de até uma unidade como corretas. Além disso, analisamos aspectos tais como a criação de modelos hierárquicos, generalização e explicabilidade.The number of users of traditional gaming platforms (consoles and computers) in January 2020 was 312 million when adding the users of Steam, PlayStation and Xbox Live. The cloud gaming platform GeForce Now had 10 million total users as of April 2021. In addition, market reports predict a growth rate of cloud gaming between 50-60% per year for the next ten years. This dissertation proposes a model for QoE in cloud games that uses network and cloud parameters. In addition, we separately consider the network effects for video streams and game commands. As an output of the model, we have the predicted evalueted QoE by the user. Such models can be used to help manage network provider’s assets or a cloud provider’s computing assets, aiming to improve the user experience. Other possible applications are: estimating the impact of network changes from other cloud gaming works, validating requirements of a new cloud gaming platform, and balancing load by a network provider according to QoE prediction. Our work is the first to use a QoE survey for cloud gaming and create a network-based QoE predictor. Since the existing models are based only on QoS, our model is relevant as it can be used in scenarios that are not possible with the previous models.We used a testbed with server and client on the same network, generating network degradation per match according to ITU document P809. Data were collected from 2020 matches with nine users. The data was used to train a regressor for two different models, one with agreement and the other without agreement. The without agreement model assumes that the network provider and the cloud gaming provider do not hareinformation, so the model only has access to network data. The model with agreement, on the other hand, assumes that there is an agreement and has more data, allowing for a deeper analysis. Both models were able to predict the evaluated QoE within an error range of plus or minus one on a seven-point MOS scale for the without agreement model and plus orminus 0.9 for the with agreement model. The hit rate of the model without agreement is 40% and that of the model with agreement is 50%. This value goes up to 90% considering evaluations with error of up to one unit as correct. In addition, we analyze aspects such as the creation of hierarchical models, generalization and explainability.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência da ComputaçãoUFMGBrasilICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOComputação – TesesJogos em nuvem –TesesVideo games –TesesComputação em nuvem – TesesJogosNuvemQoEModeloStreamingModelagem de QoE para jogos em nuvemQoE modeling for cloud gaminginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALModelagem de QoE para jogos em nuvem - Daniel Soares - Dissertação.pdfModelagem de QoE para jogos em nuvem - Daniel Soares - Dissertação.pdfapplication/pdf14533790https://repositorio.ufmg.br/bitstream/1843/43914/1/Modelagem%20de%20QoE%20para%20jogos%20em%20nuvem%20-%20Daniel%20Soares%20-%20Disserta%c3%a7%c3%a3o.pdf7be4aaa61deef052504176c0a34507f8MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/43914/2/license.txtcda590c95a0b51b4d15f60c9642ca272MD521843/439142022-08-03 12:19:49.927oai:repositorio.ufmg.br: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ório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-08-03T15:19:49Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|