Optimisation de la vidéo adaptative streaming sur les réseaux mobiles

Grâce à l'évolution des technologies des Réseaux et des dispositifs mobiles (téléphones, tablettes), les utilisateurs sont amenés à utiliser de plus en plus de services à forte consommation de bande passante, comme le streaming vidéo. Selon un report de CISCO, en 2017, le streaming vidéo mobile représentait 58% du trafic de données mobile mondial, un pourcentage qui devrait atteindre 79% d’ici 2022. Ce trafic est principalement constitué de vidéo à la demande (VoD) sur HTTP Adaptive Streaming (HAS), qui est désormais une technologie incontournable des dispositifs mobiles. Les solutions HAS utilisent des algorithmes d’adaptation de débit, qui ajustent de manière transparente le débit du flux multimédia pour compenser les conditions changeantes du réseau. Néanmoins, la transmission vidéo sur les réseaux mobiles fait toujours face à des défis importants car ces réseaux se caractérisent par une variation continuelle du débit, principalement attribuable aux effets physiques associés à la propagation radio ainsi qu’à la mobilité des utilisateurs (interruptions de session). L’objectif est de traiter ces défis de la diffusion vidéo dans les réseaux mobiles et de proposer des solutions optimisées sous deux perspectives distinctes. Dans la perspective des fournisseurs de services vidéo Over the Top (OTT), nous proposons de nouveaux algorithmes d’adaptation du débit mobile; tandis que, dans la perspective des vendeurs d’équipements de télécommunication et des opérateurs réseau, nous explorons les avantages que la collecte du trafic HAS et de son analyse peuvent apporter à la gestion du réseau. Plus précisément, lors de l’évaluation des performances de systèmes HAS actuels, nous avons identifié 3 problèmes : [1] concerne les données d’entrée qui pilotent les algorithmes d’adaptation de débit. Bien que plusieurs algorithmes d’adaptation de débit aient été introduits pour améliorer la qualité d’expérience (QoE) de l’utilisateur, seuls quelques-uns exploitent les informations provenant des couches inférieures et des capteurs actuellement disponibles sur tous les appareils mobiles modernes. Au contraire, la plupart des techniques d’adaptation de débit reposent sur une estimation de ce dernier ou sur d’autres mesures disponibles à niveau application, telles que la quantité de données pré-chargées. Dans cette direction, nous proposons une nouvelle solution d’adaptation de débit basée sur le contexte et intégrant les informations des capteurs du téléphone. [2] Concerne les fournisseurs de services video OTT. La plupart des algorithmes d’adaptation de débit existants dépendent de modèles statistiques et se heurtent donc à des difficultés quand il est nécessaire de généraliser de manière appropriée ces modèles en dehors des scénarios prévus lors de la modélisation statistique.Nous proposons un nouvel algorithme d’adaptation du débit basé sur l’apprentissage en ligne, qui fonctionne bien sur un large éventail de scénarios de streaming. Cela ne nécessite aucun réglage de paramètre, aucune modification en fonction du type d’application ou des hypothèses statistiques pour le canal.[3] Concerne l’absence de jeux de données disponibles et actualisés pour le trafic du streaming vidéo mobile. Afin de mieux comprendre le trafic HAS et d’obtenir des données fiables qui permettraient aux opérateurs d’optimiser leurs réseaux, nous avons mené une vaste campagne expérimentale visant à collecter des informations sur plusieurs couches à partir du trafic en streaming. L’ensemble de données qui en résulte est mis à la disposition de la communauté académique et industrielle, les données étant enregistrées aux niveaux réseau, transport et application.Nous avons aussi enregistré les données du streaming vidéo sur QUIC. Enfin, nous avons utilisé ces données pour concevoir une nouvelle technique de profilage de trafic, basée sur l’apprentissage automatique, et qui fournit une estimation des paramètres du système HAS à partir de mesures ”passives” uniquement.As mobile networking technology is experiencing perpetual evolution and the computing capabilities of mobile devices are being constantly enhanced, the demand for bandwidth-intensive mobile multimedia consumption is currently experiencing an unprecedented surge. In 2017, mobile video streaming accounted for 58% of the global mobile data traffic, a percentage that is projected to reach a striking 79% by 2022. Most of this traffic is Video on Demand (VoD) over HTTP Adaptive Streaming (HAS), which undoubtedly becomes fast an integral part of the mobile client’s life. HAS solutions employ rate adaptation algorithms, that seamlessly adjust the rate of the media stream, to compensate for changing network conditions. Most notably, Dynamic Adaptive Streaming over HTTP (DASH) is a standard for HAS, that uses existing web server infrastructure and is now the dominant solution for video delivery. Nonetheless, video delivery over mobile networks still faces substantial challenges, primarily in mobile networks, that are commonly characterized by throughput variation; primarily attributed to physical effects associated with radio propagation, along with shortterm session interruptions attributed to user mobility. Depending on the current user location, channel degradation can have a detrimental impact on user Quality of Experience (QoE). The scope of this dissertation is to treat these challenges of video delivery in mobile networks and expedite its optimization, under two distinct perspectives. Under the perspective of Over the Top (OTT) video service providers, we propose new mobile rate adaptation algorithms; whereas, under the perspective of telecommunication equipment vendors and network service operators, we explore the merits of HAS traffic collection and its analysis, on network management. Upon conducting a performance evaluation of stateof- the-art HAS schemes, we have identified 3 open issues in the current state of HAS. The first issue concerns the type of input that drives the rate adaptation logic. Although several rate adaptation algorithms have been introduced in order to improve user QoE, only few leverage cross-layer and sensor information that is nowadays readily available in all modern mobile devices, while most rely on either throughput estimation or application-level readings, such as the amount of pre-fetched data. In that direction, we propose a new context-aware rate adaptation solution, that incorporates cellular sensor information into the rate adaptation process. The second open issue concerns OTT video service providers, who are continuously expanding their services to include more diverse user classes, network scenarios, and streaming applications. Most existing rate adaptation algorithms depend on statistical models for the unknowns and thus face complications at generalizing appropriately well beyond a certain scope of usage. To mitigate this limitation, we propose a novel rate adaptation algorithm based on online learning, that performs well over a wide spectrum of streaming scenarios due to its design principle; its ability to learn. It does so without requiring any parameter tuning, modifications according to application type or statistical assumptions for the channel. Last, the third open issue regards the absence of available data-sets for up-to-date mobile video streaming traffic. To better understand HAS traffic and also in order to obtain reliable data that would ultimately enable operators to optimize their networks, we conduct an extensive experimental campaign to collect crosslayer information from streaming traffic. The resulting data-set is made publicly available, with data recorded at the transport, network and application layer; capturing video streaming traffic over QUIC, for the first time. Additionally, we use this data-set to design a novel traffic profiling solution, based on machine learning, that estimates parameters of HAS applications from passive measurements