Video Calidad de la experiencia y Rebuffers
En los primeros días de la transmisión de video , los espectadores estaban dispuestos a soportar una frustrante experiencia de reproducción para obtener acceso a contenido exclusivo. A medida que el número de proveedores de contenido que comparten su contenido entre múltiples distribuidores ha crecido, la Calidad de Experiencia (QoE) se ha vuelto vital para la retención de espectadores.
La calidad de la experiencia se refiere a la experiencia general de un usuario viendo una secuencia de vídeo. A diferencia de la Calidad de Servicio (QoS), la QoE es un asunto más subjetivo, por lo tanto difícil de medir o garantizar un cierto nivel. La QoE comprende muchos indicadores clave de rendimiento (KPI) que los servicios de video rastrean para obtener claridad sobre el rendimiento de su plataforma. Estas métricas de calidad se pueden dividir en áreas específicas de preocupación, como el rebúfer o la fluctuación extensa de la tasa de bits.
De las diversas métricas, el rebúfer es el fallo más notable y molesto de los espectadores. Esa pequeña rueda giratoria es el símbolo de una mala experiencia del espectador. La investigación de la industria del video muestra consistentemente que los espectadores abandonan una transmisión cuando experimentan el rebúfer. La culpa por el rebuffering y una QoE degradada puede ser difícil de identificar. Podría provenir de fuentes a través del proveedor de servicios de Internet (ISP) del espectador, la red de distribución de contenido (CDN), la aplicación del navegador/reproductor del cliente o la infraestructura de video del editor original.
Si bien los problemas con el ISP o el editor están en gran medida fuera de nuestro control, ahora podemos capturar datos procesables que nos permiten identificar y resolver problemas de QoE derivados de la CDN. Para ello, hemos desarrollado un algoritmo que llamamos “Estimate Rebuffer” para identificar problemas de QoE de vídeo utilizando registros del servidor web. Este sistema de monitoreo en tiempo real utiliza datos granulares para identificar problemas de QoE y profundizar para comprender las causas raíz y las acciones de resolución correspondientes. En esta publicación, veremos cómo este algoritmo determina los problemas de QoE y cómo podemos usarlo para mejorar la QoE.
Descripción general del algoritmo de rebuffer estimado
Una forma de rastrear la QoE es que el jugador envíe datos de QoE a la CDN. Esto requiere que los jugadores y clientes adopten un kit de desarrollo de software (SDK). Y dada la amplia diversidad en dispositivos de reproducción, las métricas de QoE del lado del cliente son casi imposibles de capturar de forma consistente. El algoritmo Estimate Rebuffer mitiga la necesidad de cambios de jugador/cliente o adopción de SDK. Es una estimación porque no necesita información enviada a través de balizas desde el lado del cliente. Sin embargo, dada su amplitud en el centro de datos y las redes de entrega, proporciona una visión mucho más nítida de la causa raíz de los problemas de QoE en comparación con el lado del cliente solo.
La herramienta Estimate Rebuffer identifica los problemas de QoE utilizando registros de acceso del cliente del lado del servidor desde los servicios de video en nuestra plataforma. Para evaluar la QoE, utiliza tres piezas de información:
- Una marca de tiempo de cuando un cliente solicitó un asset/video-stream-chunk
- El nombre de archivo del asset/video-stream-chunk
- Un identificador de sesión o cliente
A partir de esta información, sin necesidad de herramientas de terceros, el algoritmo Estimate Rebuffer puede determinar elementos clave que influyen en la QoE, incluyendo los siguientes:
- Rebuffering — El algoritmo detalla el número de rebúferes que ha visto un cliente, la duración de los eventos de rebúfer y la relación entre el rebúfer y el tiempo dedicado a ver el flujo de vídeo.
- Tasa de bits media — La calidad del vídeo es una función de la tasa de bits del vídeo. Una tasa de bits media más alta significa una mejor calidad de vídeo, imágenes más nítidas y nítidas, colores más ricos y una mejor experiencia.
- Tasa de fluctuación: Los espectadores tienden a responder negativamente a las fluctuaciones en la tasa de bits, prefiriendo una tasa de bits constante. Esta métrica determina el número de veces que el flujo de vídeo cambia su calidad.
- Distribución de calidad — Esto nos permite determinar qué fracción del video se sirvió con qué calidad a un cliente determinado. Por ejemplo, el 80% fue servido a alta calidad, 10% medio, 10% bajo.
Cómo funciona
¿Cómo puede el algoritmo Estimate Rebuffer proporcionar una evaluación tan útil de QoE con solo dos piezas de información? Echemos un vistazo.
Un flujo de vídeo de tasa de bits adaptativa (ABR) comprende muchos fragmentos de vídeo individuales o activos. Cada trozo es de un tamaño fijo, típicamente 4 segundos. Por ejemplo, un flujo de video ABR de 40 segundos tiene 10 fragmentos (40/4 = 10 fragmentos).
Cada fragmento se nombra secuencialmente, por ejemplo, A1.ts, A2.ts, A3.ts…A10.ts, y así sucesivamente. La primera letra es el tipo de calidad. En nuestro caso: A es el más bajo, B es más alto que A, C es más alto que B…, y así sucesivamente. Con este conocimiento, observamos las solicitudes de cada cliente y las verificamos en secuencia. Si su calidad cambia, por ejemplo, A1.ts, B2.ts, A3.ts, lo añadimos a la métrica de la tasa de fluctuación.
Dado que sabemos cuando un cliente nos solicitó un trozo y cuánto tiempo es cada trozo (4 segundos), podemos agregar todo el tiempo / duración para todos los trozos solicitados. Si vemos una brecha intermedia, solicita brechas más largas que el número de trozos solicitados por el jugador en el pasado, que es el video en el buffer, lo contamos como un rebuffer. También consideramos cuánto de los clientes de video almacenados en búfer habrían visto cuando hicieron una nueva solicitud de fragmentos de la CDN.
Este algoritmo no es exclusivo de Verizon Media, ahora Edgio. Se puede extender a otros servicios de video en la red de entrega de Edgio siempre y cuando utilicen una convención similar de nombres de archivos.
Aplicaciones
Con los datos de QoE en la mano, podemos mejorar la QoE de varias maneras, incluida la depuración de problemas específicos e identificación de redes de bajo rendimiento. Una vez que identificamos los problemas de QoE, podemos profundizar fácilmente para entender por qué sucedieron.
Cuando vemos una QoE deficiente, podemos observar las métricas de QoE por centro de datos para identificar qué centro de datos observó la QoE deficiente. Una vez que identificamos el centro de datos, podemos profundizar para identificar qué red lo causó, aislar causas y recomendar correcciones. Por ejemplo, una solución podría ser no usar una red específica durante la siguiente transmisión de video en vivo si esa red ha demostrado ser propensa a fallos. Por lo general, cuando tenemos problemas de rebúfer, movimos manualmente el tráfico antes de que el evento comience a dejar espacio para nuevo tráfico. En base a los datos estimados del algoritmo de rebúfer, nuestro equipo de gestión de tráfico puede crear un búfer previo al juego para mover el tráfico antes de que el juego comience a prevenir los problemas de capacidad.
Y dado que el sistema puede funcionar en tiempo real, podemos tomar acciones correctivas proactivamente durante una transmisión de video en vivo. Esto podría implicar, por ejemplo, mover el tráfico de un centro de datos que experimenta una calidad de servicio deficiente a un centro de datos más saludable. La detección y resolución de errores en tiempo real es una herramienta altamente eficaz para reducir el número de clientes que experimentan rebúfer u otros problemas.
Aunque la eliminación de la temida rueda giratoria puede nunca ser posible, las herramientas de análisis del lado del servidor como el algoritmo Estimate Rebuffer contribuyen en gran medida a hacer que su apariencia sea mucho menos frecuente.
