L'utilisation répandue des smartphones dans notre vie quotidienne et l'essor technologique que connait le monde aujourd'hui -offrant l'accès mobile à très haut débit- ont exponentiellement augmenté la demande sur les services de vidéo streaming mobile, ce qui justifie la tendance à explorer de nouvelles approches pour la distribution des contenus média. Afin d'assurer une qualité de streaming constante et acceptable, la majorité des approches proposent aujourd'hui d'adapter la distribution des flux média au contexte de l'utilisateur. Dans le but de garder l'utilisateur le plus longtemps connecté à sa session de streaming, ces approches s'intéressent plus particulièrement à l'amélioration de sa perception de la vidéo. Ce qui justifie l'intérêt croissant accordé à l'étude la qualité d'expérience (QoE). Pour assurer une bonne QoE, les solutions de vidéo streaming mobile exigent la connaissance au préalable du contexte de l'utilisateur, comme par exemple la capacité de son lien physique ou la disponibilité de sa bande passante. L'acquisition de telles informations contextuelles est devenue possible aujourd'hui grâce à l'utilisation des capteurs sans fils dans les appareils mobiles et à l'existence de plusieurs applications intelligentes dédiées, le principe étant majoritairement d'exploiter la forte corrélation entre le contexte de l'utilisateur et sa position géographique. Pour faciliter l'étude du contexte de l'utilisateur, plusieurs cartes radio ont été conçues, permettant le traçage spatio-temporel des caractéristiques radio comme par exemple le débit moyen ou la force moyenne du signal. En outre, plusieurs études menées sur les modèles de mobilité des usagers ont exhibé une quasi-régularité spatio-temporelle dans leurs trajets quotidiens, soit en prenant les transports publics ou en allant vers des endroits fréquemment visités. Couplés avec les cartes radio, ces études permettent une haute précision dans la prédiction du contexte de l'utilisateur le long de son trajet. Dans cette thèse, nous nous intéressons à analyser l'impact de l'adaptation du service vidéo streaming au contexte de l'utilisateur sur sa QoE finale. Nous commençons par proposer CAMS (Context Aware Mode Switching), un mécanisme d'allocation de ressources qui dépend du contexte et qui s'applique à la distribution du vidéo streaming réel (non-adaptatif), pour assurer le minimum d'interruptions de vidéo. CAMS est conçu pour être déployé dans une topologie de réseau spécifique avec un modèle de mobilité particulier. Par la suite, nous explorons l'impact de la connaissance à l'avance du débit futur de l'utilisateur sur l'adaptation de la qualité de sa vidéo et sur le coût de sa transmission dans un contexte de streaming adaptatif. Nous proposons NEWCAST (aNticipating qoE With threshold sCheme And aScending biTrate levels), un algorithme proactif pour l'ajustement du coût et l'adaptation de la qualité sous réserve d'une prédiction parfaite du débit. Nous étendons cette étude, dans un deuxième temps, pour le cas où la prédiction du débit est imparfaite. Nous proposons, donc, d'autres algorithmes adaptatifs en nous inspirant de l'approche de NEWCAST. Pour étudier la faisabilité de ces algorithmes sur le plan pratique, nous menons quelques expérimentations dans un environnement émulé à l'aide du lecteur média DASH-IF-Reference. Finalement, nous explorons l'idée de coupler la connaissance parfaite du débit futur de l'utilisateur avec l'usage d'un mécanisme d'apprentissage automatique, pour améliorer la QoE dans un contexte de streaming adaptatif. Nous proposons, donc, un système à boucle fermée, basé sur le retour des utilisateurs, pour apprendre progressivement leurs préférences et pour optimiser adéquatement la transmission des futures vidéos. Ce système est particulièrement conçu pour être utilisé dans des populations hétérogènes avec des profils de QoE différents et inconnus à l'avance. / The strong emergence of smartphones on human daily life as well as the highbroadband access supplied by operators have triggered pervasive demand on videostreaming mobile services, requiring the exploration of novel approaches on videocontent delivery. To afford video streaming services at sustainable quality, the idea of adjusting the streaming to the time-varying users’ contexts has been actively investigatedduring the recent years. Since the users’ perceptions on the video qualitydirectly impact their engagement in video streaming sessions, many interests havebeen accorded to the user’s Quality of Experience (QoE).Today streaming solutions mostly rely on the user’s contextual information suchas his link capacity or his available bandwidth to provide an acceptable final QoE.Such contextual information can be easily acquired thanks to the existence of wirelesssensors and dedicated smart applications on today mobile devices. At the core, liesthe idea of exploiting the strong correlation between users’ locations and contexts. Tothat end, radio maps with historical average signal strength have been geographicallymapped. Various studies on users’ mobility patterns also showed that people dailyroutes exhibit a high degree of spatial and temporal regularity, especially on publictransportation or on road ways to/from frequently visited places. Coupled with radiomaps, these mobility patterns can give high accuracy on context predictability alongusers’ trips.In this thesis, we analyse the impact of adapting video streaming to the user’scontext on the final QoE.We start by proposing CAMS (Context Aware Mode Switching),a context-aware resource allocation mechanism, for real (i.e, non adaptive) videostreaming delivery to reduce the number of video stalling. CAMS is designed to beapplied in a particular network topology under a particular mobility of users. Then,we explore the impact of knowing the future throughput variations on video quality adaptation and delivery cost in adaptive video streaming. We propose NEWCAST(aNticipating qoE With threshold sCheme And aScending biTrate levels) as a proactivealgorithm for cost adjustment and quality adaptation under the assumption of aperfect throughput estimation. We then extend the study to the case where throughputprediction errors may exist and propose a bench of adaptive algorithms inspiredfrom NEWCAST. To explore the feasibility of implementing these algorithms in realworld streaming, we conduct some experiments with the DASH-If Reference playerin an emulated environment. Finally, we explore the impact of knowing the futurethroughput variations when exploited with machine learning on the global QoE enhancementin adaptive video streaming. We propose a closed-loop framework basedon users’ feedbacks to progressively learn their QoE profiles and to fittingly optimizevideo deliveries. This framework is in particular suited for heterogenous populationswhere the QoE profiles of users are quite different and unknown in advance.
| Identifer | oai:union.ndltd.org:theses.fr/2018AVIG0227 |
| Date | 05 June 2018 |
| Creators | Triki, Imen |
| Contributors | Avignon, El-Azouzi, Rachid, Hayel, Yezekael |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0029 seconds