Die Nachfrage nach Video-Streaming wächst weiterhin, wobei HTTP Adaptive Streaming (HAS) den Internetverkehr dominiert. Infolgedessen steigt das Forschungsinteresse an der Bewältigung von Netzwerkkongestion und Betriebskosten bei gleichzeitiger Erhaltung der Nutzer-Qualitätserfahrung (QoE). Diese Arbeit präsentiert eine adaptive Video-Streaming-Architektur, die für die Skalierung von Containern über Edge-Cloud hinweg entsprechend Nachfrageschwankungen ausgelegt ist. Wir heben drei Hauptbeiträge hervor: (i) Die vorgeschlagene Architektur integriert den Content Steering Service (CSS), um während Videositzungen dynamisch einen geeigneten Endpunkt auszuwählen; (ii) Durch kontinuierliche Echtzeitüberwachung gewährleistet das System nahtlose und aktuelle Informationen über Videowiedergabe, Netzwerk und Knotenänderungen. (iii) Ein eingesetztes Machine-Learning-(ML-)Modell ist in der Lage, die QoE der Nutzer unter Berücksichtigung des Vorhersagehorizonts vorherzusagen, um das System proaktiv vor Netzwerkkongestion umzustrukturieren. Zusätzlich demonstriert das emulierte Netzwerkszenario, das Kern-, Edge- und Last-Mile-Schichten abdeckt, die Effektivität des Systems. Die Ergebnisse zeigen erhebliche Verbesserungen bei der Eliminierung manueller Netzwerkkonfigurationen und unterstreichen das Potenzial der Edge-Cloud-Integration für Video-Streaming-Dienste. Die Anwendung des ML-Modells zeigt eine signifikante Aufrechterhaltung der QoE mit bis zu 48 % Reduktion von Service Level Objective (SLO)-Verletzungen im Vergleich zu einem reaktiven Ansatz, während eine Überversorgung in Phasen mit geringem Traffic vermieden wird. • Diese Architektur adressiert die inhärenten Herausforderungen der Skalierung von Videodiensten am Edge, wobei die standortbezogene Abdeckung des Edge in mehreren Regionen berücksichtigt wird. Die Architektur skaliert die Videoübertragung zum Edge während Verkehrsspitzen und nutzt Cloud-Ressourcen in Phasen geringerer Nachfrage. • Eine ML-Methodik wird definiert, um Modelle innerhalb der Architektur bereitzustellen. Zur Demonstration der Effektivität wird die Methodik in einem emulierten Szenario evaluiert. Die Forschung verwendet ein LSTM-Vorhersagemodell zur Prognose der QoE. • Die Architektur integriert eine kontinuierliche Überwachung containerisierter Dienste in Echtzeit. Diese Anpassungsfähigkeit ist eine wichtige Eigenschaft der Leistungsfähigkeit der Architekturkomponenten in dynamischen Netzwerkumgebungen und gewährleistet eine nahtlose Videowiedergabe.
Gama et al. (Wed,) untersuchten diese Fragestellung.