통계 추정 기반 ABR 알고리즘의 딥러닝 기반 성능 향상 (Deep Learning-Based Performance Improvement of Statistical Estimation-Based ABR Algorithm)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 49권 / 4호 / 616 ~ 628페이지
· 저자명 : 문이빈, 안동혁

초록

최근 넷플릭스 등과 같은 OTT 플랫폼의 수요가 상승하고, 비디오 스트리밍 시장이 커짐에 따라, 스트리밍 서비스의 핵심 알고리즘인 ABR(Adaptive Bitrate) 알고리즘의 성능 향상 및 사용자 경험 품질(QoE, Quality of Experience)의 향상 연구가 더욱 중요해지고 있다. 종래의 ABR 알고리즘 중 모델 제어 예측 기반 알고리즘인MPC(Model Predictive Control)와 Robust MPC ABR 알고리즘의 네트워크 대역폭 예측 알고리즘은 통계적인 추정 방식을 사용하여 대역폭의 변동성이 매우 큰 경우 예측의 오류로 인해 최적에 비해 성능이 저하될 수 있다.
이에 본 연구에서는 LSTM, Transformer 기반 시계열 예측 모델을 이용하여 네트워크 대역폭을 예측하고, MPC에적용하여 개선점을 제안한다. ABR 알고리즘 시뮬레이션 프레임워크를 이용하여 QoE 지표로 측정한 성능을 기존MPC ABR 알고리즘과 정량적으로 비교한 결과, LSTM, Transformer 모델에서 모두 높은 성능을 보였으며, 기존대비 성능을 각각 8.71%, 8.91% 개선하였다.

영어초록

With the increasing demand for OTT platforms such as Netflix and the growth of the video streaming market, enhancing the performance of Adaptive Bitrate (ABR) algorithms, a key component of streaming services, and improving the Quality of Experience (QoE) for users have become more critical. The network bandwidth prediction algorithms in conventional Model Predictive Control (MPC) and Robust MPC-based ABR algorithms rely on statistical estimation methods, which can lead to performance degradation due to prediction errors, especially in scenarios with highly fluctuating bandwidth. In this study, we propose improvements by employing LSTM (Long Short-Term Memory) and Transformer-based time series prediction models for network bandwidth forecasting and applying them to the MPC algorithm. By quantitatively comparing the ABR performance measured through QoE metrics using an ABR algorithm simulation framework, we observed that both LSTM and Transformer models achieved superior performance, improving the conventional MPC-based ABR algorithm by 8.71% and 8.91%, respectively.

참고자료

· 없음