HTTP video streaming : predizione del carico via Machine Learning

To guarantee a high Quality of Experience (QoE) to the users, network operators continuously monitor their infrastructure’s conditions to recognise network issues and act to prevent the degradation of users’ experience, e.g., via network resources re-allocation strategies. A first option is to reactively manage network resources, such to allocate them after they are requested or recover from a network issue, after the issue has occurred. However, a more convenient option is to embed communication networks with intelligent capabilities that enable proactive resource management capabilities. Considering HTTP Adaptive video Streaming (HAS) applications as the dominant internet traffic generators worldwide, we augment the features of a state-of-the-art video streaming traffic monitoring architecture able to i) classify the last observed HTTP request as being for an audio or a video content and ii) predict when the next request will be issued by the video client. In particular, the augmented architecture is able to i) classify the resolution and the codec of the video and the audio contents requested by the client respectively and ii) estimate the volume of the next data burst in the downlink direction. Results show that i) quality classifiers have both a good accuracy. In particular, the audio classifier has an accuracy of 86%, while the best video classifier has an accuracy of 76%. ii) The quality does not affect the algorithms. iii) Burst volume estimates give useful results. When considering audio request, the volume is underestimated only the 20% of the time. For the video request, instead, the underestimated bursts are 45% of the total. We pay attention to the underestimated bursts because they are the more critical for an operator to be managed.

Per garantire alti standard di Qualità dell’Esperienza (QoE) all’utente, gli operatori di rete monitorano costantemente le condizioni della loro infrastruttura per riconoscere problemi di rete ed intervenire per prevenire il degrado dell’esperienza dell’utente, per esempio adottando strategie di riallocazione delle risorse di rete. Una prima opzione è gestire in modo reattivo le risorse di rete, in modo tale da allocarle dopo che sono state richieste, oppure reagire da un problema di rete, dopo che il problema è avvenuto. Un’opzione più conveniente, tuttavia, è quella di fornire alle reti di comunicazione un’intelligenza che sia in grado di gestire le risorse in modo proattivo. Considerando che le applicazioni di streaming adattativo basate sul HTTP (HAS) generano la maggior parte del traffico della rete, abbiamo migliorato le caratteristiche di un’architettura di monitoraggio del traffico video in grado di i) classificare l’ultima richiesta HTTP come richiesta video o audio e ii) predire quando la prossima richiesta verrà effettuata dal client. In particolare, la nuova architettura è in grado di i) classificare la risoluzione e il codec delle richieste video e audio rispettivamente e ii) stimare il volume del prossimo burst generato dal server. I risultati mostrano che i) i classificatori della qualità hanno delle buone performance. In particolare, il classificatore audio ha un’accuratezza del 86%, mentre il miglior classificatore video ha un’accoratezza del 76%, ii) la qualità non impatta in maniera significativa sugli algoritmi, iii) le stime del volume del burst non danno risultati eccelsi ma comunque utili. In particolare, quando si considerano richieste audio il volume viene sottostimato solo il 20% delle volte. Per le richieste video, invece, i burst sottostimati sono il 45% del totale. Ci siamo concentrati sulle stime a ribasso perché per un operatore di rete sono le più critiche da gestire.