QoE-aware content management in the Internet : caching and transport

Internet aujourd’hui englobe différentes applications, la plupart consacrées à la consommation de contenu numérique. Les utilisateurs s’attendent à la meilleure qualité du réseau, et parallèlement les fournisseurs de services œuvrent pour une gestion efficace de leur trafic et pour une amélioration de la qualité d'expérience (QoE) de leurs utilisateurs. Cette dernière tâche est plus difficile avec l’émergence du chiffrement de bout en bout. Aujourd'hui, l'enjeu est notable, notamment pour le streaming vidéo qui est la catégorie d'applications la plus dominante et la principale source de pression sur l'infrastructure Internet, imposant ainsi de fortes contraintes sur la qualité de service (QoS) fournie par le réseau. En gros, le streaming vidéo repose sur le protocole de diffusion en flux adaptatif dynamique sur HTTP (DASH) qui prend en compte les conditions sous-jacentes du réseau (par exemple, le retard, le taux de perte et le débit) et la capacité de la fenêtre sur laquelle la vidéo est visualisée (par exemple, la résolution de la fenêtre d'affichage) pour améliorer l'expérience des utilisateurs dans la limite des ressources réseaux disponibles. Dans ce sens, la réalité du trafic vidéo chiffré est très importante pour les ISP's et les fournisseurs de contenu car cela leur permet d'être proactifs quand il s'agit de la gestion des flux à travers leurs réseaux (par exemple, allocation des ressources et placement de contenu). Dans cette thèse, nous nous concentrons sur les services de streaming vidéo et sur la vidéo QoE afin d'assurer une gestion efficace de l'énorme et diverse contenu vidéo disponible sur Internet. Par conséquent, il est nécessaire de comprendre le processus de transmission vidéo, d'identifier des métriques clés corrélées à la QoE vidéo et de proposer des solutions permettant de déduire ces métriques et de les exploiter afin de gérer d'une manière optimale les ressources réseaux et de maximiser la QoE des utilisateurs.Nous présentons d’abord un cadre expérimental contrôlé qui exploite les lecteurs vidéos YouTube et Dailymotion et l'API de requête Web du navigateur Chrome pour évaluer l'impact de la taille de la fenêtre d'affichage (en pixels) et quantifier la quantité de bande passante gaspillée. Ensuite, nous proposons une méthodologie pour déduire des informations relatives au flux vidéo telle que la taille des segments, nous exploitons ensuite ces données et des algorithmes d'apprentissage automatique pour prédire la classe de résolution de la fenêtre d’affichage à partir des traces vidéos chiffrées. Plus tard, nous formulons un problème d'allocation de ressources piloté par la QoE pour identifier l'allocation optimale de bande passante sur l’ensemble des utilisateurs situés derrière le même goulot d'étranglement, en considérant leurs fenêtres d’affichage. De plus, nous proposons un problème d'optimisation pour la mise en cache des vidéos visualisés qui est sensible à la fenêtre d'affichage, ce dernier prend aussi en compte la vitesse d'accès et les caractéristiques des vidéos.The Internet has changed drastically in recent years; multiple novel applications and services have emerged, all about consuming digital content. In parallel, users are no longer satisfied by the Internet's best effort service; instead, they expect a seamless service of high quality from the side of the network. This has increased the pressure on Internet Service Providers (ISP) to efficiently engineer their traffic and improve their end-users Quality of Experience (QoE) rather than just monitoring the physical properties of their networks. Furthermore, content providers from their side, and to protect the content of their customers, have shifted towards end-to-end encryption (e.g., TLS/SSL), which has complicated even further the task of ISPs in handling the traffic in their networks. Today, the challenge is notable, especially for video streaming since it is the most dominant service and the primary source of pressure on the Internet infrastructure, imposing tight constraints on the quality of service (QoS) provided by the network. Video streaming relies on the dynamic adaptive streaming over HTTP (DASH) protocol which takes into consideration the underlying network conditions (e.g., delay, loss rate, and throughput) and the viewport capacity (e.g., viewport resolution) to improve the experience of the end-user in the limit of the available network resources. Nevertheless, knowing encrypted video traffic is of great help to ISPs as it allows taking appropriate network management actions. Therefore, this thesis focuses on video streaming services and video QoE to properly manage the enormous and diverse video content available on the Internet. To that aim, one needs to understand the transmission process of dynamic adaptive video streaming over HTTP (DASH) protocol, identify new metrics correlated to video QoE, and propose solutions to infer and leverage such metrics for optimal network resources management while maximizing the end-user QoE.In the beginning, we present a controlled experimental framework that leverages the YouTube and Dailymotion video players and the Chrome Web Request API to assess the impact of browser viewport on the observed video resolution pattern. We use the observed patterns to quantify the wasted bandwidth. Then, we propose a methodology based on controlled experimentation able to infer fine-grained video flow information such as chunk sizes and use them as features for machine learning models able to predict the viewport resolution class from encrypted video traces. Later, we formulate a QoE-driven resource allocation problem to pinpoint the optimal bandwidth allocation that maximizes the QoE for users sharing the same bottleneck link while considering their viewport sizes. For content providers, operating at the network edge, we study a viewport aware caching optimization problem for dynamic adaptive video streaming that appropriately considers the client viewport size and access speed, the join time, and the characteristics of videos