多CDN自适应流媒体分发的用户体验与网络资源联合优化研究

Having been dominating the Internet traffic for over a decade, online video streaming is evolving itself to a multi-CDN and HTTP based dynamic adaptive bitrate paradigm, in which a fundamental challenge - how to maximize the network resource utilization in a multi-CDN architecture while satisfying good quality-of-experience (QoE), has to be resolved. Using a data-driven approach, this proposal will first study the bitrate selection behaviors and the video streaming contextual information of users. Then we focus on (1) the correlation between QoE, user incentive mechanism, and the system resource consumption, (2) the modeling of popularity distribution of the adaptive video versions, (3) the joint optimization of network resource allocation and streaming bitrate planning. Based on the above proposed theoretical frameworks, we design the following strategies: (A) A joint resource and performance awared video deployment strategy over multi-CDN; (B) A combined QoE and server-load oriented dynamic rate selection; (C) A QoE-driven optimization strategy with joint online transcoding and delivery. The theories and strategies are designed to satisfy an optimal balance between QoE, fairness, user preference and the cost for video delivery, which will be evaluated by real traces in the project.

视频已成为互联网和移动互联网上的重要应用和主要流量，多CDN自适应流媒体技术是满足大规模视频内容高效分发需求的技术途径和应用发展趋势，其中的关键问题是在满足QoE的条件下最大化内容分发网络资源利用率。本项目采用数据驱动的研究方法，以自适应流媒体用户码率切换行为和异构环境下用户视频访问上下文为研究切入点，研究建立用户体验与用户激励、系统资源消耗之间的映射模型、视频内容不同版本的访问流行度分布模型，联合优化网络资源配置和视频质量匹配的问题，设计开销与性能优化的多CDN内容部署策略、用户体验与服务器压力约束的动态码率选择算法和QoE驱动的CDN节点视频转码与传输联合优化策略，达到视频用户体验、公平性、用户兴趣偏好以及视频分发费用之间的平衡，最大化用户体验质量，并在真实系统的数据上进行验证。

本项目通过对DASH 用户体验与访问行为的大规模测量与分析，对QoE 与用户激励的映射机制、用户访问与视频内容流行度分布进行建模；研究提出了多CDN 下DASH 视频内容部署优化策略，包括：Multi-CDN 架构下的动态流量分配算法，面向“第一公里”传输瓶颈的多CDN中继路由混合资源调度方法，基于感知视频画面质量的码率自适应调整策略，基于强化学习的动态自适应流媒体视频缓存调度策略，云到边缘网络、计算资源按需协同调度方法，云-边协同的移动直播视频转码与传输联合优化策略等。.项目成果已经在工业届得到部分应用：多CDN调度策略已在快手公司得到部分上线部署应用，降低用户卡顿相关指标6%左右，取得了较为显著的用户体验（QoE）提升。用户行为感知的CDN视频内容部署和资源分配方法应用于阿里视频云服务平台，实现边缘缓存命中率95%，有效降低了用户访问视频内容的启动延迟，已服务优酷、新浪、今日头条、学而思等2万余家企业，覆盖4亿个人用户。项目执行期间共发表国际期刊、会议论文23篇，其中IEEE/ACM Transaction论文6篇，CCF A类国际会议论文3篇，获国际会议最佳学生论文奖2项，申请发明专利6项，部分成果获中国电子学会自然科学一等奖（2015）。