Optimización cognitiva de calidad de emisión de contenidos multimedia en redes virtualizadas 5G

Resumen

Networked media applications are amongst the most demanding services, requiring large bandwidths for high quality delivery, low latency for interactive services, and enough resources to deliver the computational power for running the applications in the networked environment. The advent of the new generation of wireless communications, namely the 5G, provided a new set of technologies that increases bandwidth available, reduced the latency and allowed massive connections. One of the main technologies related to 5G is bringing cloud resources close to the users by using the Multi-access Edge Computing paradigm. This paradigm, together with the virtualisation-based enablers, bring flexibility to the networked services.

This work aims to design and implement a generic cognitive optimization system for media content services. For this reason, a selection of media use cases is provided, differentiating them by content type, to cover a wide range of possible features to evaluate. The selected use cases are: Immersive 3D content, Synthetic Gaming Streaming content, and traditional HD video. Each one of these use cases is analysed, paying spetial attention to Quality of Experience assessment and features that allow a dynamic optimization.

After the analysis of the three use cases, the traditional video use case is selected for the cognitive optimization component development. The Optimization is based on the A2C algorithm, which is a Deep Reinforcement Learning algorithm. For obtaining the results of this optimization component, a simulated scenario is prepared, where network impairments affecting the image quality are introduced.

The results are validated by comparison to other optimization Deep Reinforcement Learning algorithm, that proposes an A3C algorithm for optimize a similar media service, with two different quality profiles. For better definition of those quality profiles, this work carried out a study to define the different quality levels of each profile, with the proposition also of a simple business model.

Finally, entering in the future work, the ALTO protocol is explored. This protocol allows to discover underneath network topology. With this information, future optimization algorithms could be built with a complete image of the service, both from application layer and network layer.

RESUMEN

Las aplicaciones multimedia en red están entre los servicios más exigentes, necesitando anchos de banda grandes para una entrega de contenido de alta calidad, baja latencia en servicios interactivos, y suficientes recursos para tener la capacidad de procesado necesaria para ejecutar estos servicios en los entornos de red. La llegada de la nueva generación de comunicaciones móviles, el 5G, conlleva la aparición de un nuevo conjunto de tecnologías que incrementan el ancho de banda disponible, reducen la latencia y permiten conexiones masivas. Una de las principales tecnologías aparecidas con el 5G acerca los recursos de la nube a los usuarios, utilizando el paradigma del Multi-access Edge Computing. Este paradigma, junto con los habilitadores tecnológicos de virtualización de funciones de red, introducen flexibilidad en los servicios de red.

Este trabajo tiene por objetivo el diseño y desarrollo de un sistema genérico de optimización cognitiva para servicios multimedia. Con este propósito, se prepara una selección de casos de uso multimedia, diferenciándolos por tipo de contenido, con el objetivo de cubrir un gran rango de parámetros a evaluar. Los casos de uso seleccionados son: Contenido inmersivo 3D, Contenido sintético de gaming streaming, y vídeo tradicional HD. Cada uno de estos casos de uso es analizado, prestando especial atención a la evaluación de la Calidad de Experiencia y a los parámetros que permitan una optimización dinámica.

Tras el análisis de los tres casos de uso, se selecciona el caso de uso de vídeo tradicional para el desarrollo del módulo de optimización cognitiva. La optimización se basa en el algoritmo A2C, un algoritmo de Aprendizaje Reforzado Profundo. Para obtener los resultados del módulo de optimización, se prepara un escenario simulado, en el que se introducen deficiencias de red capaces de afectar a la calidad de la imagen.

Los resultados se validan por comparación con otro algoritmo de optimización basado en Aprendizaje Reforzado Profundo, que propone el uso del algoritmo A3C para optimizar un servicio multimedia similar, con dos perfiles de calidad diferentes. Para una mejor definición de esos perfiles de calidad, en este trabajo se realiza un estudio con el objetivo de definir el nivel de calidad para cada perfil, proponiendo al mismo tiempo un modelo de negocio simple.

Finalmente, entrando en el trabajo futuro, se estudia el protocolo ALTO. Este protocolo permite el descubrimiento de la topología de red que da soporte al servicio. Con esta información, se pueden proponer futuros algoritmos de optimización que tiene una imagen completa del servicio, tanto a nivel de aplicación como a nivel de red.