| spelling |
Jussara Marques de Almeidahttp://lattes.cnpq.br/3286329883412205Alex Borges VieiraAna Paula Couto da SilvaDaniel Fernandes MacedoDaniel Sadoc MenascheAntonio Augusto de Aragão Rochahttp://lattes.cnpq.br/4819463147196353Thiago Amaral Guarnieri2023-08-28T14:20:03Z2023-08-28T14:20:03Z2023-02-28http://hdl.handle.net/1843/58284Transmissões de vídeo ao vivo na Internet têm alcançado grande popularidade. No entanto, à medida em que a audiência dessas transmissões aumenta, menos recursos se tornam disponíveis no provedor de conteúdo e na infraestrutura de rede para atender às demandas de desempenho de cada usuário. Ou seja, cresce o desafio de conciliar alto desempenho de transmissão geral e aumento de escala de distribuição. Uma das formas de minimizar o impacto da escassez de recursos sobre o desempenho de transmissão é a utilização de mecanismos de adaptação, que ajustam a taxa de transmissão de acordo com a largura de banda do cliente. Estas adaptações, realizadas dinamicamente, minimizam a chance de congelamentos na reprodução, que são percebidos negativamente pelos usuários. Já o provedor de conteúdo, por outro lado, tem por objetivo admitir novos usuários, e recorre a planos de alocação de recursos, que reduzem, quando necessário, a taxa de transmissão de seus clientes correntes. A redução da taxa de transmissão permite a entrada de novos clientes, mas pode gerar um impacto negativo sobre a qualidade de imagem (e.g., resolução), o que por sua vez pode levar ao abandono precoce dos usuários ou, em outras palavras, a redução de seus engajamentos. Ou seja, há um conflito de interesses entre o usuário, que deseja ter todos os recursos que requisita, e o provedor de vídeo, que precisa limitar esses recursos para aumentar a escalabilidade. Com base na perspectiva apresentada, esta tese tem como objetivos gerais: (1) contribuir para a literatura existente sobre como se dá a relação entre desempenho de transmissão e engajamento para a produção de modelos preditivos e de comportamento de clientes que auxiliem nas tomadas de decisão de provedores de conteúdo e (2) explorar, a partir dos modelos desenvolvidos, alternativas de alocação de recursos que alcancem um melhor compromisso entre os interesses de clientes e provedor de vídeo, aumentando a economia de recursos para o provedor ao mesmo tempo em que minimiza a perda de engajamento de usuários no sistema. O caminho para atingir esse compromisso é a criação de restrições personalizadas que levem em consideração o desempenho de transmissão mínimo esperado por cada usuário do sistema de transmissão. Os objetivos gerais acima são mapeados em quatro objetivos de pesquisa específicos e complementares, a saber: (1) caracterizar o desempenho de transmissão de clientes em vídeos ao vivo em larga escala e a correlação desse desempenho com o engajamento de usuários; (2) desenvolver um modelo de comportamento de clientes que leve em consideração o impacto do desempenho de transmissão no engajamento de seu usuário e nas decisões de adaptação do cliente; (3) desenvolver modelos de descrição e previsão de engajamento para monitoramento ativo do engajamento em sistemas de transmissão de vídeo e (4) projetar um mecanismo para alocação de recursos no provedor, que analisa diversos cenários de alocação a fim de escolher o mais adequado para preservar o engajamento do usuário e reduzir o consumo de recursos no provedor de conteúdo. As principais contribuições desta tese são: (1) uma caracterização do desempenho de transmissão em clientes de um evento com milhões de usuários simultâneos e uma avaliação do impacto desse desempenho no engajamento. Foi utilizado o conceito de cenários de desempenho, que considera a co-dependência entre métricas de desempenho e seu impacto no engajamento. Por exemplo, o aumento da taxa de transmissão é benéfico para o engajamento somente se as taxas de congelamento e adaptação são baixas. Também foi abordado o impacto de fatores contextuais nas métricas de desempenho e no engajamento. Foi constatado que o tipo de dispositivo, seu sistema operacional, seu provedor de conectividade e o período do jogo impactam tanto o engajamento quanto o desempenho de transmissão dos clientes. Além disso, o impacto da escala no desempenho de transmissão também foi investigado. Observou-se que, visando lidar com altas cargas de trabalho, a infraestrutura de transmissão limita a taxa de transmissão de seus clientes; (2) a criação e a validação de um modelo de comportamento de clientes sensível ao desempenho de transmissão experimentado, que demonstra que o engajamento do usuário (permanência, tempo entre sessões e número de retornos) e a atividade de adaptação do cliente são influenciados por métricas de desempenho de transmissão; (3) a criação de modelos de previsão e descrição de engajamento que avançam sobre o estado da arte em termos de precisão e acurácia. Esses modelos adotam uma nova abordagem, que descreve engajamento a partir da atividade de adaptação de um cliente, modelada por uma matriz de transição, e utiliza o conceito de cenários de desempenho para construir modelos especializados para diferentes níveis de desempenho experimentados pelos clientes. Nesse sentido, o modelo descritivo atingiu uma acurácia próxima de 90%, contra 65% de modelos que usam somente métricas clássicas de desempenho de transmissão, e o modelo preditivo obteve 80%, considerando o uso de cenários de desempenho; e (4) uma proposta de um mecanismo de alocação de recursos, que considera o impacto da adaptação no engajamento com o objetivo de adiar abandonos precoces e aliar redução do consumo de recursos com preservação de engajamento. Usando simulação por dados reais foi registrado um aumento de permanência e ganho médio de engajamento de 100%. Já no modo de economia de recursos, foi registrada uma economia de banda de centenas de gigabytes, com um impacto de menos de 0,4% no engajamento original.Internet live streaming has reached large audiences. However, with the rise in popularity, fewer infrastructure resources become available to meet each user performance requirements. In other words, it becomes harder to conciliate high transmission performance and transmission scale growth. One of the approaches to reacting to resource constraints and maintaining a minimum client transmission performance is the use of adaptation mechanisms, which adjusts the bitrate to the client device type and bandwidth. This dynamic bitrate adaptation reduces the probability of reproduction stalls, which have a negative perception by the users. On the other hand, the content provider needs to keep the system available for new users and uses for this goal resource allocation plans, which reduces, when necessary, the bitrate of its clients. The bitrate reduction allows the entrance of new clients. However, it can produce a negative impact on the current users. As a result, they end by abandoning their sessions. In other words, the video bitrate reduction leads to a user engagement reduction. Therefore, there is a conflict of interest where the user always wants the maximum possible bitrate, and the content provider wants to maximize user engagement in both the number of users and client session duration, which may require client bitrate reduction. Based on this perspective, this thesis has as main objectives: (1) to contribute to the current literature concerning the relationship between client transmission performance and engagement. This knowledge allows the creation of engagement and client behavior models that help content providers in infrastructure planning and performance monitoring, and (2) to explore, through these models, resource allocation alternatives to achieve a better tradeoff between user and content provider interests, that is, to increase resource saving in provider while it preserves engagement of the current users. The path to reaching this better tradeoff is the creation of personalized resource limitations that considers each client’s transmission performance requirements. This thesis map these expressed objectives in four research questions as follows: (1) to characterize client transmission performance in large-scale live streaming and the correlation of this performance with user engagement; (2) to develop a client behavior model that considers the impact of the client transmission performance on user engagement and the client adaptation regime; (3) to develop engagement descriptive and predictive models for active monitoring of the engagement in live video streaming a and (4) to project a mechanism for content provider resource allocation that evaluates various allocation sce- narios to choose the most suitable for each client individually to preserve user engagement and reduce content provider resource consumption. The main contributions of this thesis are: (1) a characterization of client transmission performance in a large-scale event with millions of simultaneous users and and evaluation of the impact of this performance on user engagement. We propose a concept of performance scenarios that show that the tolerance to a variation in a particular performance metric varies depending on the value of other performance metrics. For example, the rise in the client bitrate increases user engagement only if the stall and adaptation rates are low. We also addressed the impact of contextual factors on performance metrics and engagement. We found that the device type, platform, internet service provider, and transmission period influence client transmission performance and engagement. Besides this, we also investigated the impact of transmission scale on transmission performance. We verify that the transmission infrastructure applied bitrate limitations to deal with heavy workloads; (2) the creation and validation of a performance-aware client behavior model. This model revealed that client transmission performance impacts user engagement (permanence, time between sessions, and the number of sessions) and client adaptation regime; (3) the creation of descriptive and predictive engagement models that advance the state-of-the-art concerning precision and accuracy. These models introduce a new approach to describe client performance. Instead of using classical performance metrics like stall and adaptation rate, we used the client adaptation regime, stored in a transition matrix, associated with performance scenarios. Using this strategy, we constructed specialized models capable of reaching high accuracy in different client transmission performance levels. More specifically, the descriptive model has reached accuracy nearly 90% against 65% of the engagement model that uses classical performance metrics. The predictive model, in turn, obtained an 80% acuraccy in association with performance scenarios; and (4) The proposition of a resource allocation mechanism that considers the impact of the adaptation decisions on user engagement. We use the preservation of user engagement to guide allocation decisions which ensures, at the same time, user performance requirements and the reduction of client resource consumption. Using trace-based simulation, we verified an average gain of 100% in user engagement and a rise of hundreds of clients every minute. Considering the resource-saving mode, we registered a reduction of hundreds of gigabytes in bandwidth usage, with an impact of 0.4% in the original engagement.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 – TesesRedes sociais – TesesVídeos na internet – Teses.Redes multimídiaInternetTransmissão de VídeoHTTP live streamingQoSEngajamentoQoEUma proposta dirigida por dados para a melhoria do engajamento e da alocação de recursos em transmissões adaptativas ao vivoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALTese Thiago Amaral Guarnieri final.pdfTese Thiago Amaral Guarnieri final.pdfapplication/pdf3477649https://repositorio.ufmg.br/bitstream/1843/58284/1/Tese%20Thiago%20Amaral%20Guarnieri%20final.pdfd99ec8c84a67fd4a6fe2832702c185d8MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/58284/2/license.txtcda590c95a0b51b4d15f60c9642ca272MD521843/582842023-08-28 11:20:04.222oai:repositorio.ufmg.br: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ório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-08-28T14:20:04Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|