TECHNISCHE UNIVERSITÄT BERLIN
Modeling and Design of Novel
QoE Management Strategies for
Adaptive Video Streaming
vorgelegt von
Susanna Maria Schwarzmann, M.Sc.
an der Fakultät IV – Elektrotechnik und Informatik
der Technischen Universität Berlin
zur Erlangung des akademischen Grades
Doktorin der Naturwissenschaften
– Dr. rer. nat. –
genehmigte Dissertation
Promotionsausschuss
Vorsitzender: Prof. Dr. Manfred Hauswirth
Gutachter: Prof. Dr. Thomas Zinner
Gutachter: Prof. Dr. Stefan Schmid
Gutachter: Prof. Dr. Oliver Hohlfeld
Tag der wissenschaftlichen Aussprache: 25. April 2022
Berlin 2022
Abstract
Today’s Internet serves a huge variety of different applications with diverse and ever increas-
ing demands on the underlying network. Among others, current trends towards immersive
entertainment, like 8K video streaming or VR gaming, pose new challenges on end-to-end
bandwidth volume and have stringent delay requirements. At the same time, the number
of users is growing, as well as the users’ expectations on the delivered service quality. As
a consequence, delivering good Quality of Experience (QoE) becomes an ever more chal-
lenging task and – due to the steadily increasing number of providers – the satisfaction of
subscribers and users is a substantial factor to remain competitive on the market. As a con-
sequence, QoE management has emerged as a key research topic over the past years and
constantly gains importance for several stakeholders in the Internet ecosystem. This mono-
graph examines relevant research questions related to QoE management on the example of
HTTP Adaptive Streaming (HAS), which is to date the application contributing the most to
the global IP traffic.
One of the major challenges of QoE management is to understand the complex interplay
of application- and network-specific parameters and their impact on the user satisfaction.
The first part of this thesis shows how QoE-relevant performance metrics for HAS can
efficiently be retrieved for a given – and potentially huge – input parameter space by means
of analytical modeling. More specifically, we use an existing approach relying on discrete-
time analysis, which models an HAS client’s video buffer, and we extend it so to reflect the
HAS-typical quality adaptation behavior. For given input network characteristics, such as
the available bandwidth and its variation, as well as for various video- and player-specific
settings, like the quality switching thresholds, the model yields probabilistic outputs for the
video buffer’s filling state. From that, all relevant HAS metrics, e.g., the stalling behavior
and the delivered video quality, can be derived, allowing to efficiently tune HAS parameters
in accordance with each other, so as to optimize the QoE.
The second part quantifies possible positive effects of using variable segment durations
for HAS. Instead of relying on a content-agnostic video segmentation strategy with fixed
segment durations, the variable approach – proposed by Netflix as shot-based encoding –
takes the video content into account by segmenting the video at scene-cuts. This results in
segments of different lengths, but promises to reduce the number of costly I-frames during
the encoding and hence, to increase the encoding efficiency. However, no comparative study
highlighting the impact of this technique on the HAS ecosystem has been conducted, yet.
Thus, we first provide a broad investigation on the bitrate reduction that can be achieved
with the variable approach. In a second step, we evaluate by means of a measurement
study its impact on the streaming performance, taking into account three different adaptation
heuristics. Our results show that variable segment durations can significantly reduce the
bitrate requirements and – as a result – are capable of increasing the HAS QoE.
i
Abstract
The third part of this thesis focuses on how mobile network operators (MNOs) can exploit
new features provided by the 5G networking architecture, so to overcome current QoE mon-
itoring limitations. More specifically, we propose to make use of Network Functions (NFs)
which are introduced with 5G and dedicated for improved analytics, complex computations,
and for the interaction with third parties, such as content providers. These capabilities en-
able a variety of potentials, like, for example, estimating the QoE by applying Machine
Learning (ML) techniques. From the perspective of an MNO, we elaborate on the involved
challenges of introducing such an ML-based QoE estimation in 5G networks and by means
of a simulation-based feasibility study, we demonstrate that the QoE can reliably be esti-
mated solely based on network KPIs. In this scope, we perform a quantitative comparison,
addressing the estimation accuracy of different state-of-the-art regression techniques, and
discuss them with respect to different relevant qualitative aspects.
ii
Zusammenfassung
Das heutige Internet wird für eine Vielzahl verschiedenartiger Anwendungen genutzt. Diese
haben zum einen sehr diverse Anforderungen an das zugrundeliegende Netz, welche zum
anderen auch stetig steigen. Besonders stark ist dieser Trend bei den Unterhaltungsmedien
zu beobachten. Ultrahochauflösendes Video Streaming, zum Beispiel in 8K, fordert immer
höhere Bandbreiten ein, während Onlinespiele zusätzlich immer striktere Bedingungen be-
züglich der maximal auftretenden Paketverzögerungen haben. Können diese Anforderungen
vom Netz nicht erfüllt werden, so wird die vom Nutzer subjektiv wahrgenommene Quali-
tät der Anwendung beeinträchtigt. Besipielsweise führt eine zu geringe Bandbreite im Fall
von Video Streaming zu Wiedergabeunterbrechungen und schlechter Bildqualität. Wenn bei
Voice-over-IP Telefonaten Paketverlust oder -verzögerung auftreten, so wird die Qualität
der Sprachübertagung wesentlich gestört. Um die subjektive Wahrnehmung zu quantifizie-
ren, hat sich in den letzten Jahren in der Forschung das Konzept „Quality of Experience“
(QoE) etabliert, welches den Grad der (Un)-zufriedenheit des Nutzers eines Services be-
schreibt. Dieser resultiert aus der Erfüllung der individuellen Erwartung an den Service.
Während zum einen die Erwartungshaltung der einzelnen Nutzer stetig dahingehend zu-
nimmt, dass die Anwendungen stabil und ohne Qualitätseinbußen laufen, werden auch
die Angebote selbst, wie zum Beispiel Video-on-Demand Plattformen, immer beliebter.
So nimmt die tägliche Nutzung von Video Streaming, virtuellen Konferenzen oder auch
Cloud Gaming weltweit zu. Diese Trends, gepaart mit den kontinuierlich steigenden Anfor-
derungen heutiger Services an das Netz, stellen sowohl Anwendungs- als auch Netzanbie-
ter vor große Herausforderungen. Zum einen muss die Infrastruktur entsprechend skaliert
sein, so dass Applikationen flüssig laufen und den Nutzern eine größtmögliche Zufrieden-
heit geboten wird, um sie nicht an die Konkurrenz zu verlieren. Zum anderen aber müssen
die Anbieter kostengünstig agieren, um wirtschaftlich rentabel zu bleiben, um so am stetig
wachsendem Markt konkurrenzfähig zu sein.
Um diese Ziele zu vereinen, benötigt es intelligente Mechanismen auf Netz- und Anwen-
dungsebene, die es erlauben, vorhandene Ressourcen möglichst effizient zu nutzen, aber
dennoch den verschiedenen Anwendungsanforderungen gerecht zu werden. „Quality of
Service“ (QoS) Management erlaubt es, relevante Netzwerkparameter wie zum Beispiel
Durchsatz oder Paketverzögerungen zu messen und bei Bedarf diese Parameter mit Hil-
fe verschiedener Steuerungsmechanismen, wie zum Beispiel Bandbreitenreservierung für
einzelne Verbindungen, zu verbessern. Zwar ist durch die Verbesserung der Netzwerkpa-
rameter von einer Verbesserung der Anwendungsqualität auszugehen, die genaue Auswir-
kung auf die vom Nutzer wahrgenommene Dienstgüte kann jedoch nur schwer quantifiziert
werden.
Aus diesem Grund geht QoE Management – im Vergleich zu QoS Management – einen
Schritt weiter und berücksichtigt bei der Umsetzung von Steuerungsmechanismen weite-
re Kontextinformationen, wie die spezifischen Anforderungen der laufenden Anwendung,
iii
Loading more pages...