- Author:
Junchen Jiang(CMU,Computer Science at The University of Chicago AP) Video Streaming, Bitrate Adaption
摘要：
许多先前的努力已经表明，通过视频质量的不同选择的数据驱动预测，可以显着改善互联网视频QoE。 （例如，使用CDN或比特率）以做出最佳决策。
我们需要一个模型，来表达足够多的复杂关系，实时捕捉更新的质量预测。
我们设计并实施了CFA（Critical Feature Analytics关键特征分析），这一系统的设计是因为我们观察到这一特定领域的特征。视频质量通常由一小部分关键特征决定，其关键性持续数十分钟。通过这个CFA系统，可以学习粗粒度时间尺度上不同部分的关键特征。
结合使用现实世界的飞行员部署和路径驱动的分析。我们陈述了CFA可以显着改善视频质量，比随机决策者减少32％的缓冲时间和12％的比特率。
引入
提供高QoE至关重要。得到高QoE很难，因为变动的CDN，用户端端网络状况，以及用户请求的模式。
基于网络的全局观察，动态选择最优的CDN以及bitrate来提高QoE,图1展示了质量提升结构。
这样的系统有两个挑战：
- 抓取复杂的因素会极大影响质量
- 需要实时更新
使用简单的模型的解决方案(linear regression, naive bayes)也许并不能很有表达性来抓住高位和多样的video质量和session feature的关系。
使用复杂的模型比如SVM，很多小时才训练一个预测模型，在预测的时候就会变的很不准确。
我们提出了CFA(Critical Feature Analytics)基于以下三点insights:
1.有相同的特征Video sessions有相同的质量
2.每个个video session有一系列的重要特征决定了video的质量
3.特征看上去是一直存在的长期的，
这些insight使得我们能构建精确的预测系统。CFA学习到这些重要特征，CFA更新质量预测使用最近的质量预测。当新的client到来时，CFA作出预测和决定。
我们采纳了CFA的原型，并且将它与video optimization的问题作整合。我们跑了一个pilot study 他有150000个session.证明CFA比ML更好。
贡献和概览图Contribution and Roadmap:
- 确定构建视频质量准确预测系统的关键挑战（§2）。
- CFA的设计和实施，建立在针对挑战的领域特定见解之上（§3-5）。
- 现实世界和跟踪驱动的评估，证明CFA可以显着提高质量（§6）。
- 使用CFA学到的关键特征对视频质量进行有趣的观察（第7节）