Delivery and transcoding for large scale live streaming systems - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2015

Delivery and transcoding for large scale live streaming systems

Diffusion et Transcodage à Grande Échelle de Flux Vidéo en Direct

Résumé

Today many devices are capable to capture full HD videos and use its network connection to access Internet. The popularization of devices and continuous efforts to increase network quality has brought a proper environment for the rise of live streaming. Associated to the large scale of Users Generated Content (UGC), live streaming presents new challenges. In this thesis we target the delivery and transcoding of live streaming systems. First, we created a live streaming sessions data set. To study the aspects we target of live streaming systems we need to characterize them and evaluate the proposed solutions with relevant input traces. Therefore our first contribution is a data set, and its analysis, containing three months traces of two UGC live streaming services. With millions of live sessions and hundreds of thousands broadcasters we made it freely available for the community. Second, we explored and developed solutions for the delivery of the massive content produced by these platforms. One of the challenges is the huge variation in the total number of viewers and the great heterogeneity among streams popularity, which generally implies over-provisioning and consequently an important resource waste. In this thesis, we show that there is a trade-off between the number of servers involved to broadcast the streams and the bandwidth usage among the servers. We also stress the importance to predict streams popularity in order to efficiently place them on the servers. We explore three solutions, one based on platforms such as clouds or distributed virtual machines and uses popularity predictions to map live-streams on the servers, another based on assisted delivered involving proprietary servers and Content Delivery Network (CDN), and finally we discuss the economics aspects related to CDN based delivery. Lastly, we target the difficulties concerning transcoding of live streams. The transcoding operations over streams are computing consuming and are key operations on adaptive bit rate streaming. We show that adaptive streaming is able to reduce the delivery bandwidth cost and to increase viewer quality of experience at the cost of computing resources for transcoding purposes. To address the trade-off between benefits and costs, we formulate two management problems. The first is a simplified version in which we design two strategies for deciding which online channels should be delivered by adaptive bit rate streaming. The second formulation we present an integer linear program to maximize the average user quality of experience and a heuristic algorithm that can scale to large number of videos and users.
Aujourd'hui, de nombreux appareils sont capables de capturer des vidéos en Full HD et d'utiliser une connexion réseau pour accéder à Internet. La popularisation des dispositifs et les efforts continus pour améliorer la qualité du réseau ont apporté un environnement propice à l'essor de la diffusion en direct. De part la grande quantité de contenu généré par les utilisateurs, la diffusion de flux en direct présente de nouveaux défis. Dans cette thèse, nous intêresons à la fois à distribution et du transcodage des systèmes de diffusion en direct. Nous avons commencé par créer un ensemble de données de sessions de streaming en direct. Pour étudier les aspects que nous ciblons des systèmes de diffusion en direct nous avons besoin de les caractériser et d'évaluer les solutions proposées avec des traces pertinentes. Par conséquent, notre première contribution est un ensemble de données et son analyse, contenant trois mois traces de deux services de streaming en direct généré par les utilisateurs. Avec des millions de sessions en direct et des centaines de milliers d'utilisateurs nous avons rendu ces données librement disponibles pour la communauté. Ensuite, nous avons exploré et développé une solution pour la distribution du contenu massif produit par ces platesformes. L'un des défis est l'immense variation du nombre total de téléspectateurs et la grande hétérogénéité des flux populaires. Ceci implique généralement un surdimensioment des services et par conséquent un important gaspillage de ressources. Nous proposons trois solutions: (i) l'une basée sur une prévision de popularité afin de placer les flux sur des plateformes telles que le nuage (cloud) ou des machines virtuelles distribuées; (ii) l'autre utilisant une distribution hybride entre les serveurs propriétaires et les reseaux de distribution de contenu (CDN pour Content Delivery Network); (iii) nous discutons des aspects economics sur la diffusion a basé de CDN. Enfin, nous passé puis les difficultés posées par le transcodage des flux en direct. Les opérations de transcodage sont coûteuses en ressources CPU et sont des étapes clés pour le Streaming à Débit Adaptatif (SDA). Nous présent que le SDA est capable de réduire le coût en bande passante pour la distribution et d'augmenter la qualité d'expérience des téléspectateurs en échange d'un coût en ressources CPU pour transcodage. Pour comprendre le compromis entre les avantages et les coûts, nous formulons deux problèmes de gestion. Le premier est une version simplifiée dans laquelle nous concevons deux stratégies pour décider quels flux devraient être livrés par SDA. Pour la deuxième formulation, nous présentons une programmation linéaire en nombres entiers pour maximiser la qualité moyenne de l'expérience de l'utilisateur et un algorithme heuristique capable de passer à échelle d'un grand nombre de vidéos et utilisateurs.
Fichier principal
Vignette du fichier
main.pdf (6.9 Mo) Télécharger le fichier

Dates et versions

tel-01244564 , version 2 (25-08-2015)
tel-01244564 , version 1 (15-12-2015)

Identifiants

  • HAL Id : tel-01244564 , version 1

Citer

Karine Pires. Delivery and transcoding for large scale live streaming systems. Distributed, Parallel, and Cluster Computing [cs.DC]. UPMC Université Paris VI, 2015. English. ⟨NNT : ⟩. ⟨tel-01244564v1⟩
1072 Consultations
1418 Téléchargements

Partager

Gmail Facebook X LinkedIn More