30abr2025
09:00 Defesa de Doutorado Auditório do IC3
Tema
An Architecture for Adaptive Video Streaming: QoE Forecasting, Content Steering, and Scalable Resource Management through Edge-Cloud Computing
Aluno
Eduardo de Souza Gama
Orientador / Docente
Luiz Fernando Bittencourt - Coorientador: Roger Kreutz Immich
Breve resumo
Os serviços de streaming de vídeo representam a maior parte do tráfego na Internet. O uso crescente de dispositivos conectados à Internet e o surgimento de diversos provedores de conteúdo impulsionaram essa demanda. Isso apresenta um grande desafio para os operadores de rede ao garantir as métricas de Qualidade de Experiência (QoE), o que já é complicado devido ao comportamento adaptativo dos mecanismos do DASH. Motivada por isso, esta tese apresenta uma arquitetura baseada em aprendizado para streaming de vídeo adaptativo na rede borda e nuvem, abordando desafios em QoE, escalabilidade e gerenciamento de recursos por meio da integração do HTTP Adaptive Streaming (HAS) com os Content Steering Services (CSS). O sistema proposto direciona dinamicamente as solicitações dos usuários para otimizar a entrega de vídeo de forma transparente para os clientes HAS.
Primeiramente, realizamos o projeto, análise e avaliação de uma arquitetura que aproveita ambientes em nuvem e borda de múltiplos níveis, alocando dinamicamente os serviços de vídeo em vários nós de borda e nuvem. São discutidos desafios como a seleção de nós de borda, escalabilidade de recursos e mobilidade dinâmica de usuários, que impactam na eficiência da rede e na satisfação do usuário. As avaliações experimentais demonstram a necessidade de tais ambientes terem uma arquitetura capaz de se adaptar às demandas variáveis da rede em tempo real. Isso impacta o número de interrupções na reprodução do vídeo, estabilidade de taxa de bits e QoE em diferentes cenários, incluindo ambientes com usuários móveis e condições de carga dinâmica.
Em seguida, incorporamos à arquitetura desenvolvida de streaming de vídeos adaptativos que integra computação em borda e nuvem, CSS e técnicas de aprendizado de máquina (ML) para otimizar a entrega de vídeo enquanto garante escalabilidade e eficiência no uso de recursos. O sistema proposto emprega tecnologias de HAS e incorpora um Planner Service capaz de alocar recursos e prever violações de Objetivos de Nível de Serviço (SLO). Ao direcionar dinamicamente as solicitações dos usuários, a arquitetura alcança reduções significativas na latência, estabilidade aprimorada na reprodução e melhor utilização de cache. Os resultados experimentais demonstram melhorias significativas na QoE e no desempenho do sistema em comparação com abordagens tradicionais, destacando a redução da latência, eficiência aprimorada no cache e adaptação contínua às condições dinâmicas da rede. Este trabalho contribui com novos algoritmos e mecanismos de previsão para o domínio de streaming de vídeo adaptativo, enfatizando escalabilidade, capacidade de resposta e utilização eficiente de recursos em ambientes modernos de HAS.
Banca examinadora
Titulares:
| Luiz Fernando Bittencourt | IC/UNICAMP |
| Kelvin Lopes Dias | CIn/UFPE |
| Denis Lima do Rosário | ICEN/UFPA |
| Juliana Freitag Borin | IC/UNICAMP |
| Rodolfo Jardim de Azevedo | IC/UNICAMP |
Suplentes:
| Sandro Rigo | IC/UNICAMP |
| Geraldo Pereira Rocha Filho | DCET/UESB |
| Fabio Luciano Verdi | DComp/UFSCar |