Home Artigos técnicos Medir a qualidade de vídeo do lado do servidor: Estimar o buffer
Applications

Medir a qualidade de vídeo do lado do servidor: Estimar o buffer

About The Author

Outline

Qualidade de experiência e rebuffers

Nos primeiros dias da transmissão de vídeo, os espetadores estavam dispostos a suportar uma experiência de reprodução frustrante para obter acesso a conteúdo exclusivo. À medida que o número de provedores de conteúdo compartilhando seu conteúdo entre vários distribuidores cresceu, a Qualidade da Experiência (QoE) tornou-se vital para a retenção de visitantes.

Qualidade de experiência refere-se à experiência geral de um usuário assistindo a um fluxo de vídeo. Ao contrário da Qualidade de Serviço (QoS), a QE é uma questão mais subjetiva, portanto difícil de medir ou garantir um determinado nível. A QoE inclui muitos indicadores-chave de desempenho (KPIs) que os serviços de vídeo rastreiam para obter clareza do desempenho de sua plataforma. Essas métricas de qualidade podem ser divididas em áreas específicas de preocupação, como rebuffering ou flutuação extensa da taxa de bits.

Das várias métricas, o rebuffering é a falha mais percetível e irritante dos espetadores. Essa pequena roda giratória é o símbolo de uma má experiência de visualização. A pesquisa da indústria de vídeo mostra consistentemente que os espetadores abandonam um fluxo quando experimentam rebuffering. A culpa por rebuffering e uma QV degradada pode ser difícil de identificar. Ele pode ter origem em fontes no provedor de serviços de Internet (ISP) do visualizador, na rede de entrega de conteúdo (CDN), no aplicativo navegador/player do cliente ou na infraestrutura de vídeo do editor original.

Embora os problemas com o ISP ou o editor estejam em grande parte fora de nosso controle, agora podemos capturar dados acionáveis que nos permitem identificar e resolver problemas de QE decorrentes da CDN. Para fazer isso, desenvolvemos um algoritmo que chamamos de “Rebuffer Estimativa” para identificar problemas de qualidade de vídeo usando logs de servidor web. Esse sistema de monitoramento em tempo real usa dados granulares para identificar problemas de QV e detalhar para entender as causas raiz e as ações de resolução correspondentes. Neste post, veremos como esse algoritmo determina os problemas de QV e como podemos usá-lo para melhorar a QV.

A descrição geral do algoritmo de rebuffer estimado

Uma maneira de rastrear a QE é que o jogador envie dados de QE para a CDN. Isso requer que jogadores e clientes adotem um kit de desenvolvimento de software (SDK). E dada a ampla diversidade em dispositivos de reprodução, as métricas de QE do lado do cliente são quase impossíveis de capturar de forma consistente. O algoritmo Estimativa Rebuffer atenua a necessidade de alterações no player/client ou adoção do SDK. É uma estimativa porque não precisa de informações enviadas através de beacons do lado do cliente. No entanto, dada a sua amplitude em todas as redes de data center e entrega, ele fornece uma visão muito mais nítida da causa raiz dos problemas de QE em comparação com o lado do cliente.

A ferramenta Estimativa Rebuffer identifica problemas de QV usando logs de acesso de clientes do lado do servidor dos serviços de vídeo em nossa plataforma. Para avaliar a QE, utiliza três informações:

  • Um carimbo de data/hora de quando um cliente solicitou um asset/video-stream-chunk
  • O nome do arquivo do asset/video-stream-chunk
  • Um identificador de sessão ou cliente

A partir dessas informações, sem a necessidade de ferramentas de terceiros, o algoritmo Estimativa Rebuffer pode determinar elementos-chave que influenciam a QE, incluindo o seguinte:

  • Rebuffering (Rebuffering) – O algoritmo detalha o número de rebuffers que um cliente viu, a duração dos eventos de rebuffer e a relação do rebuffering com o tempo gasto assistindo ao fluxo de vídeo.
  • Taxa de bits média – A qualidade do vídeo é uma função da taxa de bits do vídeo. Uma taxa de bits média mais alta significa melhor qualidade de vídeo, imagens mais claras e nítidas, cores mais ricas e uma melhor experiência.
  • Taxa de flutuação – Os espetadores tendem a responder negativamente às flutuações na taxa de bits, preferindo uma taxa de bits constante. Essa métrica determina o número de vezes que o fluxo de vídeo altera sua qualidade.
  • Distribuição de qualidade – isso nos permite determinar qual fração do vídeo foi servido com que qualidade para um determinado cliente. Por exemplo, 80% foram atendidos em alta qualidade, 10% médios, 10% baixos.

Como funciona

Como o algoritmo Estimativa Rebuffer pode fornecer uma avaliação tão útil da QE com apenas duas informações? Vamos dar uma olhada.

Um fluxo de vídeo de taxa de bits adaptativa (ABR) compreende muitos pedaços de vídeo individuais ou ativos. Cada pedaço é de um tamanho fixo, normalmente 4 segundos. Por exemplo, um fluxo de vídeo ABR de 40 segundos tem 10 pedaços (40/4 ou 10 pedaços).

Cada bloco é nomeado sequencialmente, por exemplo, A1.TS, A2.TS, A3.TS… A10.TS, e assim por diante. A primeira letra é o tipo de qualidade. No nosso caso: A é o mais baixo, B é maior do que A, C é maior do que B…, e assim por diante. Com este conhecimento, olhamos para as solicitações de cada cliente e verificamos-as em sequência. Se a sua qualidade mudar, por exemplo, A1.TS, B2.TS, A3.TS, nós o adicionamos à métrica de taxa de flutuação.

Como sabemos quando um cliente solicitou um pedaço de nós e quanto tempo cada pedaço é (4 segundos), podemos adicionar todo o tempo / duração para todos os pedaços solicitados. Se vemos uma lacuna entre eles, as lacunas de solicitação mais longas do que o número de pedaços que o jogador solicitou no passado – que é o vídeo no buffer – nós o contamos como um rebuffer. Também consideramos o quanto os clientes de vídeo em buffer teriam assistido quando fizeram uma nova solicitação de chunk da CDN.

Este algoritmo não é exclusivo da VerizonMedia , agora Edgio. Ele pode ser estendido para outros serviços de vídeo na rede de entrega do Edgio, desde que eles usem uma convenção de nomenclatura de arquivos semelhante.

Aplicações

Com os dados da QE em mãos, podemos melhorar a QE de várias maneiras, incluindo a depuração de problemas específicos e a identificação de redes com baixo desempenho. Uma vez que identificamos problemas de QV, podemos facilmente nos aprofundar para entender por que eles aconteceram.

Quando vemos uma QE fraca, podemos analisar as métricas de QE por data center para identificar qual data center observou a QE fraca. Uma vez que identificamos o data center, podemos detalhar para identificar qual rede o causou, isolar causas e recomendar correções. Por exemplo, uma correção poderia ser não usar uma rede específica durante o próximo fluxo de vídeo ao vivo se essa rede se mostrou propensa a falhas. Normalmente, quando temos problemas de rebuffering, movemos manualmente o tráfego antes que o evento comece a abrir espaço para o novo tráfego. Com base nos dados estimados do algoritmo de rebuffer, nossa equipe de gerenciamento de tráfego pode criar um buffer pré-jogo para mover o tráfego antes que o jogo comece a antecipar os problemas de capacidade.

E como o sistema pode funcionar em tempo real, podemos tomar proativamente ações corretivas durante um vídeo em streaming ao vivo. Isso pode implicar, por exemplo, a transferência de tráfego de um data center com baixa qualidade de vida para um data center mais saudável. A deteção e resolução de erros em tempo real é uma ferramenta altamente eficaz para reduzir o número de clientes que sofrem de buffer ou outros problemas.

Embora a eliminação da roda de fiação temida possa nunca ser possível, ferramentas de análise do lado do servidor como o algoritmo Estimativa Rebuffer vão um longo caminho para tornar sua aparência muito menos frequente.