Videoqualität und Wiederaufbau
In den Anfängen des Video-Streamings waren die Zuschauer bereit, ein frustrierendes Wiedergabeerlebnis zu ertragen, um Zugang zu exklusiven Inhalten zu erhalten. Da die Anzahl der Inhaltsanbieter ihre Inhalte an mehrere Distributoren weitergibt, ist Quality of Experience (QoE) für die Zuschauerbindung von entscheidender Bedeutung.
Quality of Experience bezieht sich auf die Gesamterfahrung eines Benutzers, der einen Videostream ansieht. Im Gegensatz zu Quality of Service (QoS) ist QoE eine subjektivere Angelegenheit, die daher schwierig zu messen oder ein bestimmtes Niveau zu garantieren ist. QoE umfasst viele Key Performance Indicators (KPIs), die Videodienste verfolgen, um Klarheit über die Performance ihrer Plattform zu gewinnen. Diese Qualitätsmetriken können in bestimmte Problembereiche unterteilt werden, wie z. B. Pufferung oder starke Bitratenschwankungen.
Von den verschiedenen Kennzahlen ist die Pufferung der auffälligste und nervigste Fehler des Zuschauers. Das kleine drehende Rad ist das Symbol für ein schlechtes Zuschauererlebnis. Untersuchungen der Videoindustrie zeigen immer wieder, dass Zuschauer einen Stream verlassen, wenn sie eine Pufferung erleben. Die Schuld für das Zurückpuffern und eine herabgesetzte QoE ist schwer zu ermitteln. Sie könnte aus Quellen stammen, die über den Internetdienstanbieter (ISP) des Zuschauers, das Content Delivery Network (CDN), die Browser-/Player-App des Kunden oder die Videoinfrastruktur des ursprünglichen Verlags stammen.
Obwohl Probleme mit dem ISP oder dem Herausgeber weitgehend außerhalb unserer Kontrolle liegen, können wir jetzt verwertbare Daten erfassen, die es uns ermöglichen, QoE-Probleme zu identifizieren und zu beheben, die durch das CDN verursacht werden. Zu diesem Zweck haben wir einen Algorithmus entwickelt, den wir „Estimated Rebuffer“ nennen, um QoE-Probleme mit Videos mithilfe von Webserverprotokollen zu identifizieren. Dieses Echtzeit-Überwachungssystem verwendet granulare Daten, um QoE-Probleme zu identifizieren und einen Drilldown durchzuführen, um die Ursachen und die entsprechenden Lösungsaktionen zu verstehen. In diesem Beitrag sehen wir uns an, wie dieser Algorithmus QoE-Probleme ermittelt und wie wir ihn zur Verbesserung der QoE verwenden können.
Überblick Über Den Algorithmus Für Die Neuauswertung Von Schätzwerten
Eine Möglichkeit, QoE zu verfolgen, besteht darin, dass der Player QoE-Daten an das CDN sendet. Dies erfordert, dass Spieler und Kunden ein Software Development Kit (SDK) verwenden. Und angesichts der großen Vielfalt an Wiedergabegeräten sind clientseitige QoE-Metriken nahezu unmöglich, konsistent zu erfassen. Der Algorithmus „Repeater Rebuffer“ verringert die Notwendigkeit von Player-/Client-Änderungen oder SDK-Akzeptanz. Dies ist eine Schätzung, da keine Informationen benötigt werden, die über Beacons von der Clientseite gesendet werden. Angesichts der Breite des Rechenzentrums und der Bereitstellungsnetzwerke bietet es jedoch im Vergleich zur Client-Seite einen wesentlich schärferen Einblick in die Ursache von QoE-Problemen.
Das Tool Estimated Rebuffer identifiziert QoE-Probleme mithilfe serverseitiger Clientzugriffsprotokolle aus den Videodiensten auf unserer Plattform. Zur Bewertung der QoE werden drei Informationen verwendet:
- Ein Zeitstempel, der angibt, wann ein Client ein Asset/Video-Stream-Chunk angefordert hat
- Der Dateiname des Asset/Video-Stream-Chunk
- Eine Session- oder Client-ID
Anhand dieser Informationen können mit dem Algorithmus „Repeater Rebuffer“ (Neuauswertung schätzen) die wichtigsten Elemente ermittelt werden, die die QoE beeinflussen, darunter:
- Pufferung – der Algorithmus gibt die Anzahl der Puffervorgänge an, die ein Client gesehen hat, die Dauer der Pufferereignisse und das Verhältnis zwischen Pufferfunktion und der Zeit, die für die Wiedergabe des Videostreams aufgewendet wurde.
- Durchschnittliche Bitrate – die Videoqualität ist eine Funktion der Videobitrate. Eine höhere durchschnittliche Bitrate bedeutet bessere Videoqualität, klarere und schärfere Bilder, sattere Farben und ein besseres Erlebnis.
- Fluktuationsrate – Zuschauer reagieren tendenziell negativ auf Schwankungen der Bitrate und bevorzugen eine konstante Bitrate. Diese Metrik bestimmt, wie oft der Videostream seine Qualität ändert.
- Qualitätsverteilung – auf diese Weise können wir bestimmen, welcher Teil des Videos in welcher Qualität für einen bestimmten Kunden bereitgestellt wurde. Beispielsweise wurden 80 % in hoher Qualität serviert, 10 % Mittel, 10 % niedrig.
So funktioniert es
Wie kann der Estimated Rebuffer-Algorithmus eine so nützliche QoE-Bewertung mit nur zwei Informationen ermöglichen? Schauen wir uns mal an.
Ein ABR-Videostream (Adaptive Bitrate) umfasst viele einzelne Videoblöcke oder -Assets. Jeder Block hat eine feste Größe, normalerweise 4 Sekunden. Ein 40-Sekunden-ABR-Videostream hat beispielsweise 10 Blöcke (40/4 = 10 Blöcke).
Jeder Block wird sequenziell benannt, z. B. A1.TS, A2.TS, A3.TS…A10.TS usw. Der erste Buchstabe ist der Qualitätstyp. In unserem Fall: A ist der niedrigste, B ist höher als A, C ist höher als B… usw. Mit diesem Wissen betrachten wir die Anfragen von jedem Kunden und prüfen sie in der Reihenfolge. Wenn sich ihre Qualität ändert, z. B. A1.TS, B2.TS, A3.TS, addieren wir sie zur Metrik der Fluktuationsrate.
Da wir wissen, wann ein Kunde einen Chunk von uns angefordert hat und wie lange jeder Chunk ist (4 Sekunden), können wir die gesamte Zeit/Dauer für alle angeforderten Chunks hinzufügen. Wenn wir eine Lücke dazwischen sehen, Lücken anfordern, die länger sind als die Anzahl der Chunks, die der Player in der Vergangenheit angefordert hat – also das Video im Puffer – zählen wir es als Repuffer. Wir berücksichtigen auch, wie viele der gepufferten Video-Clients sich angesehen hätten, wenn sie eine neue Chunk-Anforderung vom CDN gestellt hätten.
Dieser Algorithmus ist nicht exklusiv für Verizon Media, jetzt Edgio. Es kann auf andere Videodienste im Edgio Delivery Network erweitert werden, sofern diese eine ähnliche Dateibenennungskonvention verwenden.
Anwendungen
Mit den vorliegenden QoE-Daten können wir die QoE auf verschiedene Weise verbessern, z. B. durch das Debuggen bestimmter Probleme und das Erkennen von Netzwerken mit unzureichender Leistung. Sobald wir QoE-Probleme erkannt haben, können wir leicht tiefer gehen, um zu verstehen, warum sie aufgetreten sind.
Wenn wir eine schlechte QoE feststellen, können wir anhand von QoE-Kennzahlen pro Rechenzentrum ermitteln, welches Rechenzentrum die schlechte QoE beobachtet hat. Sobald wir das Rechenzentrum identifiziert haben, können wir einen Drilldown durchführen, um zu ermitteln, welches Netzwerk es verursacht hat, um Ursachen zu isolieren und Lösungsvorschläge zu empfehlen. Eine Lösung könnte beispielsweise darin bestehen, während des nächsten Live-Videostreams kein bestimmtes Netzwerk zu verwenden, wenn sich gezeigt hat, dass dieses Netzwerk anfällig für Ausfälle ist. Wenn Probleme mit der Pufferung auftreten, verschieben wir den Datenverkehr normalerweise manuell, bevor das Ereignis Platz für neuen Datenverkehr schafft. Basierend auf den Daten des geschätzten Repufferalgorithmus kann unser Traffic-Management-Team einen Puffer vor dem Spiel erstellen, um den Traffic zu verschieben, bevor das Spiel beginnt, um den Kapazitätsproblemen vorzubeugen.
Und da das System in Echtzeit funktionieren kann, können wir während eines Live-Streamings proaktiv Korrekturmaßnahmen ergreifen. Dies könnte beispielsweise dazu führen, dass der Datenverkehr von einem Rechenzentrum mit schlechter QoE in ein gesünderes Rechenzentrum verlagert wird. Die Fehlererkennung und -Behebung in Echtzeit ist ein äußerst effektives Tool, um die Anzahl der Clients zu reduzieren, bei denen es zu Pufferproblemen oder anderen Problemen kommt.
Auch wenn es nie möglich ist, das gefürchtete Drehrad zu eliminieren, tragen serverseitige Analysetools wie der Estimated Rebuffer-Algorithmus wesentlich dazu bei, das Erscheinungsbild wesentlich seltener zu gestalten.
