低延迟分块流中的带宽预测

本文整理自Mile High Video 2019上Ali.C.Begen的演讲。Ali目前是Ozyegin大学的计算机科学教授，也是Comcast视频架构，战略和技术小组的技术顾问。此前，他是思科的研发工程师。Ali于2006年获得佐治亚理工学院电气和计算机工程博士学位。迄今为止，他获得了多项学术和行业奖项，并获得了30多项美国专利。

演讲的主要内容是讨论低延迟分块流的带宽预测。首先Ali介绍了在启用低延迟模式的Twitch平台上收集了一个实时视频会话的数据，以了解ABR对低延迟流的影响。数据结果表明用户无法准确的预测带宽，导致其无法选择一个合适的比特率。

然后Ali解释了如果对于低延迟用户，网络无法维持合适的带宽选择，会导致计算带宽的公式 无法使用，其中 表示段（segment）的数据大小， 表示段的下载时间。

因此Ali提出了一个新的块（chunk）带宽测量方法ACTE：ABR for Chunked Transfer Encoding。ACTE依赖于三个主要部分：带宽测量、带宽预测和ABR控制器。

接着Ali详细介绍了ACTE如何实现带宽测量、带宽预测和ABR控制。其中带宽预测采用滑动窗口移动平均法测量块带宽；带宽预测采用基于自适应递归最小二乘（RLS）的在线线性自适应滤波器；ABR控制器采用基于吞吐量的比特率选择逻辑。

然后Ali介绍了ABR方案和带宽测量组合算法的性能，最后根据性能指标对比了各种ABR方案的结果，结果显示，ACTE能够将停顿次数减少65％，将持续时间减少83％，保持低延迟，范围为2.3至3秒（减少36％），平均比特率提高28％，与使用基于段（segment）的带宽测量或EWMA的ABR方案相比，QoE提高49％。ACTE在带宽预测方面也达到了96％的准确率。

演讲PPT全文