A machine learning based SDN approach for enhancing QOE of DASH
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Software-Defined Networking (SDN) is a technology which provides to
execute network functions by software. This technology has been created with the
aim of managing the network more dynamically and efficiently to improve the
overall performance of the network and its monitoring. Due to the fact that the
architecture of static and traditional networks is decentralized and complex, SDN
makes the control of current networks more flexible and easier to troubleshoot. In
SDN architecture, control plane and data plane layers are separated, network
intelligence is centralized, and network infrastructure is separate from applications.
Today, video traffic constitutes an important part of the Internet traffic and
Dynamic Adaptive Streaming over HTTP (DASH) is an MPEG standard designed
to deliver video to the end-users in the most efficient way possible and in the highest
proper quality for each specific user. In DASH architecture the original content
encoded into video streams in different qualities. All qualities are divided into
segments, so that clients can make requests for appropriate video qualities and
hence adjust bitrates while continually monitoring network conditions. Since
DASH standard uses HTTP, web-caches play an important role in its architecture.
Cache prefetching is thriving to deliver data to the caches before the occurrence of
a miss, hence helps to reduce the latency. Utilizing the cache capacity in these
systems is an important problem where there are more than one encoded video files
generated for each video content. Within the scope of this thesis, a caching approach
is proposed for DASH systems by predicting the qualities that will be requested by
DASH clients in the future. For the prediction, a learning model is utilized, and the
qualities that will be cached are determined by using this model. The learning model
is designed using Recurrent Neural Networks (RNNs) and also Long Short Term Memory (LSTM) which is a special type of RNNs with the default behavior of
remembering information for long periods of time.
Yazılım Tanımlı Ağlar (YTA), ağ fonksiyonlarını yazılımsal olarak gerçekleştirilmesini sağlayan bir teknolojidir. Bu teknoloji, ağın genel performansını ve izlenmesini iyileştirmek için ağı daha dinamik ve verimli bir şekilde yönetmek amacıyla oluşturulmuştur. Statik ve geleneksel ağların mimarisinin merkezi olmayan ve karmaşık olması nedeniyle, SDN, mevcut ağların kontrolünü daha esnek ve sorun gidermeyi kolaylaştırır. SDN mimarisinde, kontrol düzlemi ve veri düzlemi katmanları ayrılır, ağ zekası merkezileştirilir ve ağ altyapısı uygulamalardan ayrıdır. Günümüzde video trafiği, İnternet trafiğinin önemli bir bölümünü oluşturmaktadır ve HTTP üzerinden Dinamik Uyarlamalı Akış (DASH), videoyu son kullanıcıya mümkün olan en verimli şekilde ve her bir belirli kullanıcı için en uygun kalitede sunmak için tasarlanmış bir MPEG standardıdır. DASH mimarisinde orijinal içerik, farklı kalitelerde video akışlarına kodlanmıştır. Tüm dosyalar, segmentlere bölünmüştür ve istemciler, ağ koşullarını sürekli izleyerek buna uygun şekilde kaliteyi ayarlar. DASH standardı HTTP protokolünü kullandığı için, web önbellekleri bu sistemlerde önemli bir rol oynamaktadır. Önbellek önceden getirme, ilgili veri talep edilmeden önce ön belleklere veri göndererek gecikmeyi azaltmaya yardım eden bir tekniktir. Tüm önbellek önceden getirme tekniklerinin önemli bir kriteri, belirli bellek referans modellerini algılama ve tahmin etme yetenekleridir. DASH sistemlerinde ön bellek kapasitesinin kullanılması, her video içeriği için oluşturulan birden fazla kodlanmış video dosyasının olduğu durumlarda önemli bir sorundur. Bu tez kapsamında, DASH istemcilerinin gelecekte talep edecekleri kaliteleri tahmin ederek önbelleğe alan bir yaklaşım önerilmektedir. Tahmin için bir öğrenme modeli kullanılmakta, önbelleğe alınacak kaliteler bu model kullanılarak belirlenmektedir. Öğrenme modeli, Tekrarlayan Sinir Ağları (RNN'ler) ve ayrıca uzun süreler boyunca bilgileri hatırlama varsayılan davranışına sahip özel bir RNN türü olan Uzun Kısa Süreli Bellek (LSTM) kullanılarak tasarlanmıştır.
Yazılım Tanımlı Ağlar (YTA), ağ fonksiyonlarını yazılımsal olarak gerçekleştirilmesini sağlayan bir teknolojidir. Bu teknoloji, ağın genel performansını ve izlenmesini iyileştirmek için ağı daha dinamik ve verimli bir şekilde yönetmek amacıyla oluşturulmuştur. Statik ve geleneksel ağların mimarisinin merkezi olmayan ve karmaşık olması nedeniyle, SDN, mevcut ağların kontrolünü daha esnek ve sorun gidermeyi kolaylaştırır. SDN mimarisinde, kontrol düzlemi ve veri düzlemi katmanları ayrılır, ağ zekası merkezileştirilir ve ağ altyapısı uygulamalardan ayrıdır. Günümüzde video trafiği, İnternet trafiğinin önemli bir bölümünü oluşturmaktadır ve HTTP üzerinden Dinamik Uyarlamalı Akış (DASH), videoyu son kullanıcıya mümkün olan en verimli şekilde ve her bir belirli kullanıcı için en uygun kalitede sunmak için tasarlanmış bir MPEG standardıdır. DASH mimarisinde orijinal içerik, farklı kalitelerde video akışlarına kodlanmıştır. Tüm dosyalar, segmentlere bölünmüştür ve istemciler, ağ koşullarını sürekli izleyerek buna uygun şekilde kaliteyi ayarlar. DASH standardı HTTP protokolünü kullandığı için, web önbellekleri bu sistemlerde önemli bir rol oynamaktadır. Önbellek önceden getirme, ilgili veri talep edilmeden önce ön belleklere veri göndererek gecikmeyi azaltmaya yardım eden bir tekniktir. Tüm önbellek önceden getirme tekniklerinin önemli bir kriteri, belirli bellek referans modellerini algılama ve tahmin etme yetenekleridir. DASH sistemlerinde ön bellek kapasitesinin kullanılması, her video içeriği için oluşturulan birden fazla kodlanmış video dosyasının olduğu durumlarda önemli bir sorundur. Bu tez kapsamında, DASH istemcilerinin gelecekte talep edecekleri kaliteleri tahmin ederek önbelleğe alan bir yaklaşım önerilmektedir. Tahmin için bir öğrenme modeli kullanılmakta, önbelleğe alınacak kaliteler bu model kullanılarak belirlenmektedir. Öğrenme modeli, Tekrarlayan Sinir Ağları (RNN'ler) ve ayrıca uzun süreler boyunca bilgileri hatırlama varsayılan davranışına sahip özel bir RNN türü olan Uzun Kısa Süreli Bellek (LSTM) kullanılarak tasarlanmıştır.
Açıklama
Anahtar Kelimeler
Software Defined Networks (SDN), Rate Adaptation, DASH, Deep Recurrent Neural Networks, LSTM and Cache Prefetching, Yazılım Tanımlı Ağlar (SDN), Hız Adaptasyonu, DASH, Derin Tekrarlayan Sinir Ağları, LSTM ve Önbellek Ön Yükleme
