Qualità dell’esperienza video e rebuffers
Nei primi tempi dello streaming video, gli spettatori erano disposti a sopportare un’esperienza di riproduzione frustrante per ottenere l’accesso a contenuti esclusivi. Con l’aumento del numero di provider di contenuti che condividono i propri contenuti tra più distributori, la qualità dell’esperienza (QoE) è diventata fondamentale per la fidelizzazione degli spettatori.
La qualità dell’esperienza si riferisce all’esperienza complessiva di un utente che guarda un flusso video. A differenza della qualità del servizio (QoS), la QoE è una questione più soggettiva, quindi difficile da misurare o garantire un certo livello. Il QoE comprende molti indicatori chiave di prestazione (KPI) tracciati dai servizi video per ottenere chiarezza sulle prestazioni della loro piattaforma. Queste metriche di qualità possono essere suddivise in aree specifiche che destano preoccupazione, come il rebuffering o l’ampia fluttuazione del bitrate.
Tra le varie metriche, il rebuffering è la colpa più evidente e fastidiosa degli spettatori. Quella piccola ruota che gira è il simbolo di un’esperienza negativa per gli spettatori. Le ricerche del settore video dimostrano costantemente che gli spettatori abbandonano uno streaming quando sperimentano il rebuffering. La colpa del rebuffering e di un QoE degradato può essere difficile da individuare. Potrebbe derivare da fonti attraverso il fornitore di servizi Internet (ISP) dello spettatore, la rete di distribuzione dei contenuti (CDN), l’app del browser/lettore del cliente o l’infrastruttura video dell’editore originale.
Anche se i problemi con l’ISP o l’editore sono in gran parte fuori dal nostro controllo, ora possiamo acquisire dati attuabili che ci consentono di identificare e risolvere i problemi QoE derivanti dalla CDN. Per fare questo, abbiamo sviluppato un algoritmo che chiamiamo “Estimate Rebuffer” per identificare i problemi di QoE video utilizzando i log del server web. Questo sistema di monitoraggio in tempo reale utilizza dati granulari per identificare i problemi QoE ed eseguire il drill-down per comprendere le cause principali e le azioni di risoluzione corrispondenti. In questo post, vedremo come questo algoritmo determina i problemi QoE e come possiamo usarlo per migliorare QoE.
Panoramica dell’algoritmo Estimate Rebuffer
Un modo per tracciare QoE consiste nell’inviare i dati QoE al CDN. Ciò richiede che i giocatori e i client adottino un kit di sviluppo software (SDK). E data l’ampia diversità dei dispositivi di riproduzione, le metriche QoE lato client sono quasi impossibili da acquisire in modo coerente. L’algoritmo Estimate Rebuffer riduce la necessità di modifiche al lettore/client o di adozione dell’SDK. È una stima perché non ha bisogno di informazioni inviate tramite beacon dal lato del cliente. Tuttavia, data la sua ampiezza nei data center e nelle reti di distribuzione, fornisce informazioni molto più chiare sulla causa principale dei problemi di QoE rispetto al solo lato client.
Lo strumento Estimate Rebuffer identifica i problemi QoE utilizzando i registri di accesso client lato server dai servizi video sulla nostra piattaforma. Per valutare la QoE, vengono utilizzate tre informazioni:
- Timestamp di quando un client ha richiesto un asset/video-stream-chunk
- Il nome del file del frammento di asset/video-stream
- Un identificatore di sessione o client
Da queste informazioni, senza la necessità di strumenti di terze parti, l’algoritmo Estimate Rebuffer è in grado di determinare gli elementi chiave che influenzano la QoE, tra cui:
- Rebuffering: L’algoritmo descrive in dettaglio il numero di rebuffer rilevati da un client, la durata degli eventi di rebuffering e il rapporto tra il rebuffering e il tempo impiegato per guardare il flusso video.
- Bitrate medio: La qualità video è una funzione del bitrate video. Un bitrate medio più elevato significa una migliore qualità video, immagini più chiare e nitide, colori più ricchi e un’esperienza migliore.
- Tasso di fluttuazione: Gli spettatori tendono a rispondere negativamente alle fluttuazioni del bitrate, preferendo un bitrate costante. Questa metrica determina il numero di volte in cui il flusso video cambia la sua qualità.
- Distribuzione di qualità – questo ci permette di determinare quale frazione del video è stata fornita a quale qualità a un determinato cliente. Ad esempio, il 80% è stato servito in alta qualità, il 10% in media, il 10% in bassa.
Come funziona
Come può l’algoritmo Estimate Rebuffer fornire una valutazione così utile della QoE con solo due informazioni? Diamo un’occhiata.
Un flusso video ABR (Adaptive bitrate) comprende molti singoli blocchi o risorse video. Ogni frammento è di dimensioni fisse, tipicamente 4 secondi. Ad esempio, uno streaming video ABR di 40 secondi ha 10 frammenti (40/4 = 10 frammenti).
Ogni frammento è denominato in sequenza, ad esempio A1.TS, A2.TS, A3.TS…A10.TS e così via. La prima lettera indica il tipo di qualità. Nel nostro caso: A è il più basso, B è più alto di A, C è più alto di B…, e così via. Con queste conoscenze, esaminiamo le richieste di ogni cliente e le controlliamo in sequenza. Se la loro qualità cambia, ad esempio A1.TS, B2.TS, A3.TS, la aggiungiamo alla metrica di fluttuazione.
Poiché sappiamo quando un cliente ci ha richiesto un frammento e per quanto tempo ogni frammento è (4 secondi), possiamo aggiungere tutto il tempo/la durata per tutti i frammenti richiesti. Se vediamo un divario tra le richieste, i gap sono più lunghi del numero di frammenti richiesti dal lettore in passato, ovvero il video nel buffer, lo contiamo come un rebuffer. Consideriamo anche la quantità di client video con buffer che avrebbero guardato quando hanno fatto una nuova richiesta di frammenti dalla CDN.
Questo algoritmo non è esclusivo di Verizon Media, ora Edgio. Può essere esteso ad altri servizi video sulla rete di distribuzione Edgio purché utilizzino una convenzione di denominazione dei file simile.
Applicazioni
Con i dati QoE a portata di mano, possiamo migliorare la QoE in diversi modi, tra cui il debug di problemi specifici e l’identificazione di reti con prestazioni insufficienti. Una volta identificati i problemi relativi alla QoE, possiamo facilmente approfondire le conoscenze per capire perché si sono verificati.
Quando vediamo un QoE scarso, possiamo esaminare le metriche QoE per data center per identificare quale data center ha osservato il QoE scarso. Una volta identificato il data center, è possibile eseguire il drill-down per identificare la rete che lo ha causato, isolare le cause e consigliare soluzioni. Ad esempio, una soluzione potrebbe essere quella di non utilizzare una rete specifica durante il successivo flusso video in diretta, se tale rete si è dimostrata soggetta a guasti. In genere, quando si verificano problemi di rebuffering, il traffico viene spostato manualmente prima che l’evento inizi a lasciare spazio a nuovo traffico. Sulla base dei dati stimati dell’algoritmo di rebuffer, il nostro team di gestione del traffico può creare un buffer pre-partita per spostare il traffico prima che il gioco inizi a prevenire i problemi di capacità.
E poiché il sistema può funzionare in tempo reale, possiamo intraprendere azioni correttive proattive durante un video in live streaming . Ciò potrebbe comportare, ad esempio, il trasferimento del traffico da un data center con una scarsa qualità di qualità a un data center più sano. Il rilevamento e la risoluzione degli errori in tempo reale sono uno strumento estremamente efficace per ridurre il numero di client che riscontrano il rebuffering o altri problemi.
Sebbene l’eliminazione della temuta ruota rotante non sia mai possibile, gli strumenti di analisi lato server, come l’algoritmo Estimate Rebuffer, contribuiscono notevolmente a rendere il suo aspetto molto meno frequente.
