Melhor métrica para QoE causada por falhas de rede IP

“PESQUISA DA MELHOR
MÉTRICA PARA O QoE,
POR FALHAS CAUSADAS
POR REDES IP”

O ecossistema do vídeo IP
• A percepção do usuário relativo à qualidade é influenciada
por vários elementos associados com a entrega do serviço
ponto a ponto:
 A rede de dados,
 Os equipamentos,
 A codificação de dados,
 Os protocolos e terminais,
• Garantir os serviços de alta qualidade, desde a baixa
exigência para a banda larga em tempo real, independente da
rede de acesso é o grande desafio para as operadoras.
• Serviços de transmissão de vídeo exigem recursos
substanciais e a relação entre o domínio físico dos parâmetros
da rede e de percepção do usuário não são lineares (máxima
qualidade com o mínimo de recursos).

Parâmetros de desempenho
• O serviço de IPTV é altamente sensível à perda de pacotes
• O impacto dessa perda de pacotes depende de vários
fatores:
 Algoritmo de compressão (MPEG2, H.264)
 Estrutura do GOP
 Tipo de informação perdida (I, P, B frame)
 Desempenho do codec (codificação, decodificação)
 Complexidade do conteúdo do vídeo
 Cancelamento de erro no set-box

O que é necessário?
• Abordagens de monitoramento da rede no cenário atual são
inadequadas.
 A perda de pacotes, jitter, atrasos, largara de banda, etc.
 Operadoras medem apenas os parâmetros da rede (garantia de
serviço).
 Qualidade de Serviço (QoS).
 Não é tão simples como a perda de bits... mas é onde os bits estão
localizados em um quadro.
• Efeito visual da perda de pacotes pode variar de zero a
impactos desastrosos.
 Parâmetros mais avançados são necessários.
 Necessidade de analisar o conteúdo do vídeo.
 O que o espectador percebe ... não a rede.
 Qualidade da Experiência (QoE).

O que esta sendo medido?
Qualidade de Serviço
• Atraso
• Jitter
• Perda de pacotes
• Largura de Banda
Qualidade da Experiência
• Blocking
• Blurring
• Freezing
• Noise
• Contouring
• Ringing
• Smearing
• Ghosting

Os desafios do vídeo nas redes IP
Perfis de trafego de
demanda
 Fluxos de alta largura de banda
 Alto volume de trafego
 Ao vivo, VoD
Efeitos da Rede
 Vídeo tem um impacto forte
com pequenos problemas na rede
 Equipamentos de diferentes
fornecedores tem dificuldade no
diagnostico/solução (interoperabilidade)
Altas expectativas do
usuário final
 Definida por décadas de historia.
 Aumentou rapidamente com o HD
 Baixa tolerância para a qualidade
pobre
Novas arquiteturas
 Processamento de vídeo sensível a
dispositivos cria possibilidade de varias
fontes de falhas
 Middleware
Degradação
na qualidade
de serviços
Diagnostico
difícil na
resolução de
problemas

Fontes de problemas de vídeo
Falhas na
qualidade da
fonte
 Qualidade pobre
dos provedores de
conteúdo
Falhas na
Codificação/
Decodificação
 Jitter
 Problemas
específicos no CODEC
 Problemas de
Compressão
 Latência entre
vídeo e áudio
 Degradação na
qualidade da imagem
Falhas na Rede
 Perda de pacotes, atraso, Jitter,
largura de banda
 Complexidade da imagem e
variações de largura de banda
 Impacto de perda de pacotes
nos quadros I/P/B
 Impacto de falhas na rede nas
Imagens espacial e temporal e
Impacto na qualidade do vídeo
 Variação dos componentes de
luminancia e crominancia.
Falhas na
Decodificação
 Problemas de
qualidade de áudio
e vídeo no set-box

O que podemos medir (métricas do QoE)
• Usando medições para avaliar o vídeo, é possível isolar
problemas de codificação de problemas de transporte:
 Efeitos de “tilling” são normalmente causados por taxa de bits
insuficientes para os requerimentos dos detalhes da imagem, mais do que
qualquer defeito no fluxo TS – “transport stream” (erros de PCR, perda de
pacotes, etc).
 Artefatos de “blockiness” são tipicamente devido à perda de dados –
perda de pacotes, jitter, ou problemas no formato do TS.
Fonte: Tektronix

Monitoração do QoE (pontuação do vídeo)
• Pontuação de centenas de fluxos de vídeo, com base em
experiências de clientes (QoE), em tempo real, de forma
contínua e simultânea.
Tela de captura de um clip de video com baixa pontuação do VQE
Fonte: Tektronix

QoS vs. QoE
• Qualidade de Serviço (QoS) refere-se à capacidade de
uma rede para fornecer um melhor serviço para o tráfego de
rede selecionado sobre várias tecnologias. QoS é uma
medida de desempenho no nível do pacote a partir da
perspectiva de rede.
• Qualidade da Experiência (QoE) descreve o desempenho de
um dispositivo, sistema, serviço ou aplicação (ou qualquer
combinação dos mesmos) do ponto de vista do usuário. QoE é
uma medida de desempenho ponto a ponto no nível de serviço
a partir da perspectiva do usuário.

QoS vs. QoE
• Qualidade de Serviço
 Centrado na Rede
 Atraso, perda de
pacote, jitter
 Qualidade de transmissão
 Conteúdo agnóstico
• Qualidade da experiência
 Falhas de conteúdo
 Blocking, Blurring, etc.
 Qualidade no usuário final
 Aplicativos dirigidos
QoS QoE

QoS vs. QoE
Mesma Falha na Rede
Perda de Pacote: 1%
Atraso: 10ms
Jitter: 50us
Largura de Banda: 500kbps
Diferença percebida na qualidade.

PSNR vs. QoE
Mesmo valor de distorção (PSNR) – diferença na qualidade percebida
Compreensão do sistema de visão humana

QoE vs. MOS
• Mapeamento entre o valor da “Avaliação de Qualidade da
Experiência” e o MOS (Mean Opinion Score - ITU / T P.800)
QoE
MOS
QMAX
5
4
3
2
1

MDI vs. QoE
• Índice de entrega de mídia (MDI)
• O MDI consiste de duas métricas:
 Fator de atraso (DF)
 Taxa de perda de midia (MLR)
• Limitações do MDI:
 O MDI considera um trafego com taxa de bit constante
(CBR)
 O MDI não considera o “payload” do vídeo ou o conteúdo
 Os Valores do MDI não são intuitivos
 O MDI não se correlaciona com a qualidade de vídeo

MDI vs. QoE
0
1
2
3
4
5
V-FACTOR
0
500
1000
1500
2000
2500
3000
MediaLoss
Jitter
1 to 50ms
Packet Drop
1 in 500 periodic
Packet Drop
1 in 500 poisson
Packet Drop
1 in 500 uniform
Packet Drop
1 in 500 and Jitter
Duplicate Packets
1 in 10
Duplicate Packets
1 in 500
Reordering Packets
1 in 500
PerdadeMídiaMOS
Fonte:Cisco

Impacto do atraso no Q0S
G.114_F010 100 200 300 400 500
50
60
70
80
90
100
Nearly all
users
dissatisfied
Many users
dissatisfied
Some users
dissatisfied
Users
satisfied
Users
very satisfied
Mouth-to-ear-delay/ms
E-modelratingR
Fonte: ITU

Impacto da perda pacotes no usuário final
G.729A Packet Loss Performance
50
60
70
80
90
100
0 100 200 300 400 500
One-way Delay (ms)
R
G.711 @ PL = 0%
G.729A @ PL = 0%
G.729A @ PL = 1%
G.729A @ PL = 2%
G.729A @ PL = 3%
G.729A @ PL = 4%
Exceptional
limiting case
Very
satisfactory
Satisfactory
Some users
dissatisfied
Many users
dissatisfied
User Satisfaction
PL = Packet Loss
G.729A
G.711 Reference
Fonte: ITU-T PESQ P.862 standard

Ciclo do QoS/QoE
• ITU-T Rec. G.1000 e COM12–C185–E
QoE
Desejada
QoE
Percebida
QoS
Direcionada
QoS
Entregue
Usuário Final Provedor serviço
Diferença de percepção
Diferença valor Diferença de execução
Diferença de cooperação

Abordagem de referencia completa
• Comparação de quadros de vídeo individuais
• Analise offline (captação é requerida)
• Alto detalhe e precisão
• Procedimento de alinhamento
Sistema
Transmissão/
Compressão
Emissor Receptor
Informação referencia completa
Vídeo Vídeo
Medida de
Qualidade FR

Abordagem sem referencia
• Não intrusiva, medida em operação
• Aplicações de monitoramento em tempo real
• Nenhum alinhamento é necessário
Sistema
Transmissão/
Compressão
Emissor Receptor
Vídeo Vídeo
Medida de
Qualidade NR

O VQM ( Video Quality Metric)
• Sem referência
• Avalia a qualidade do vídeo como percebida pelo usuário
 QoS → QoE
• Baseado em MPEG2
• Análise superficial
 Não analisa os vetores de movimento, coeficientes DCT, e outras
informações de degradação especificas dos macroblocos devido a
perda de pacotes, sendo a falha estimada utilizando apenas informações
de alto nível contidas no grupo de imagens, quadros e cabeçalhos
dos “slices”.
• Não precisa fazer suposições sobre como o decodificador
lida com as informações corrompidas
 ou seja, que tipo de estratégia de cancelamento de erro ele utiliza

• Com base nestas informações ele determina exatamente
quais “slices” estão perdidos;
 Taxa de perdas do GoP
 Taxa de perda de quadros
 Taxa de perda do “slice”
 A diferenciação por tipo de quadro (I, P, B)
• Ele calcula como o erro de perdas dos “slices” se propaga
de forma espacial e temporal
• Apropriado para medir a qualidade de vídeo em um modelo
em tempo real dentro de uma rede.

Medida de Qualidade
00
11
00
10
11
01
01
10
10
11
10
10
10
10
00
01
01
01
MPEG-2videobitstream
DECODER
Fluxo de vídeo decodificado
HEADERS

Métricas de Rede e Conteúdo
Falhas da Rede
• Perda de Pacotes
• Atraso
• Jitter
• Largura de Banda
Fluxo de Vídeo
Rede de Dados
Falhas de Conteúdo
• Blockiness, blur
• Jerkiness
• Freeze
• Noise
Dados Vídeo
L1, L2 (Ethernet MPLSCamada 3 (IP, UDP)Camada 4 (MPEG-2) Conteúdo Áudio/Vídeo
Modelo do sistema de visão
humana (dispositivo correlação)
Relatório de
Qualidade
de Vídeo

QoE ponto a ponto
Completa analise de conteúdo
(pixel a pixel)
Fonte de conteúdo e validação
encoder / transcoder
Modelo do sistema
de visão humana
Relatório de
Qualidade
do Vídeo
Falhas de conteúdo:
• Blockiness, blur
• Jerkiness
• Freeze
• Noise, Color
Falhas da rede:
• Perda de pacotes
• Atraso
• Jitter
• Largura de banda
Analise do fluxo de conteúdo:
• Inspeção PES (Packetize elementary stream)
• PCR (Program Clock Reference) jitter.
Completa analise de conteúdo
(fluxo de bits)
Detecta falhas de conteúdo
Completa inspeção para conteúdos
associados a dados codificados (exp:
TS1 = I-Frame)
Analise da rede (header ou stream)
Detecta problemas no QoS
Analise de conteúdo onde é possível (sem
criptografia)
Inspeção do QoS para dados codificados
associados para falhas(exp: TS1 = Perda de Pacotes)
Q-Advisor
Dispositivo
Correlação
TS1 = I-Frame
TS1 = Perda de Pacotes
Perda de Pacotes-> I-Frame
Fonte: Tektronix

Exemplo de um experimental “testbed”
Servidor de
Vídeo
Controlled-Loss
Roteador
Video decodificado
no cliente
+
Medidor de
qualidade
• Caracteristicas do vídeo:
 MPEG2-TS
 Taxa de bit constante: 3.9Mbps
Perda de
Pacotes

Exemplo: Modelagem de auto-congestionamento
para programação de pacotes
• Taxa de distorção otimizada de programação de pacotes
normalmente pressupõe uma função densidade de probabilidade
(pdf) para atrasos independentes em transmissões de pacotes
sucessivos (Chou, M., 2001).
• Um modelo de atraso da “pdf” por exponencial com variação
de deslocamento.
Distribuição
deprobabilidade
atrasos

Alta qualidade
Throughput:
5 Mbps

Media qualidade
Throughput:
4 Mbps

Baixa qualidade
Throughput:
5 Mbps

As métricas de qualidade do QoE
• Os tipos de avaliação de qualidade da imagem:
 Avaliação subjetiva da qualidade
 Avaliação objetiva da qualidade
• Desenvolvimento de métodos de ensaio subjetivos e modelos
objetivos
 Percepção multimodal de vídeo
 Dependência de conteúdo
 Projeto de métricas quantificáveis para a qualidade percebida (vídeo)

Objetivo da pesquisa
• Avaliar o QoE pela normalização de um dos parâmetros do
QoS vinculado a perda de pacotes que ocorrem nas transmissões
de vídeo sobre redes IP, com o objetivo de avaliar a qualidade da
imagem e fornecer as melhores métricas de qualidade que possam
predizer a qualidade de imagem percebida automaticamente.
• A partir da métricas pesquisadas será possível uma melhor
compreensão da percepção do usuário em relação às distorções
espaciais e temporais do streaming” de dados de vídeo através de
redes IP e, como esse padrão de perda geral contribui para a
degradação da sua qualidade.

Objetivos da pesquisa
• Este trabalho tem como objetivo investigar as possíveis correlações
entre o QoE percebido pelo usuário e as características de tráfego a
nível de rede procurando a melhor métrica para a avaliação do QoE:
 Analisar, de um lado as relações quantitativas entre o QoE e, os parâmetros do
QoS, tais como a taxa de perdas de pacotes, o tempo de download e a taxa de
transferência obtidas a partir de experimentos através da perspectiva do usuário
final,
 Investigar as correlações entre as características do tráfego (volumes de
sessão) e os critérios de desempenho, tais como taxas de perda de pacotes, taxa
de transferência, medidas em uma rede operacional,
 A comparação qualitativa do QoE e volumes de sessão através da taxa de
transferência e taxa de perdas de pacote indica um crescimento nos volumes de
sessão, com a melhoria do QoE,
• Tal estimativa da melhor métrica do QoE pode ajudar os ISP a
monitorar continuamente o nível de satisfação do usuário, reagir em
tempo útil e de forma adequada para corrigir os problemas de
desempenho e, portanto fornecer os serviços de acordo com as
expectativas do usuário.

O impacto do desempenho da rede no QoE
• O objetivo na analise é correlacionar a qualidade no nível
da rede de Serviço ( QoS ) para a Qualidade da Experiência
(QoE ) percebida pelos usuários.
 O trabalho procura associar, por um lado às correlações entre várias
características de tráfego medido em uma rede IP e do outro lado a
experiência do usuário testado nessa rede,
 Pesquisar a melhor métrica para o QoE, por falhas causadas por redes
IP, observando algumas tendências pronunciadas sobre as relações entre
os dois tipos de resultados,
 Validar como e em que medida o volume de sessões de usuários
representam o nível de satisfação do usuário,
 Verificar as relações clássicas entre alguns dos indicadores de
desempenho de rede, tais como perda de pacotes, o tempo de download e
a taxa de transferência, a fim de fortalecer o entendimento desse impacto
sobre o QoE.

O impacto do desempenho da rede no QoE
• Esse trabalho procura associar, por um lado às correlações
entre as várias características de tráfego medido em uma rede IP e do
outro lado a experiência do usuário testado nessa rede relativo ao:
 Comportamento dos usuários caracterizados através de várias métricas de
trafego que mostrem uma forte correlação com o desempenho a nível de rede
, mesmo que a reação dos protocolos possam também ter um impacto.
 Novos métodos que estão sendo propostos para deduzir automaticamente
medições passivas para uma rede IP a percepção do usuário.
 Os limiares sobre os níveis de QoS que possam ser deduzidas a partir
destas medições, e a partir do ponto em que algumas características do
tráfego comecem a mudar, até ao ponto em que não existe qualquer conexão
bem sucedida.
 A utilização de um método abrangente clássico, baseado em experiências
com um banco de ensaio e o método passivo automático de analisar as
correlações entre algumas características de tráfego e alguns critérios de
desempenho.

O impacto da utilização do serviço em
relação ao desempenho da rede no QoE
• A pesquisa da melhor métrica (em volume) de um serviço,
como uma função da qualidade percebida e como ela se
relaciona com a classificação subjetiva pelos usuários tem como
finalidade:
 Uma análise abrangente sobre o comportamento do usuário nos
diferentes níveis de desempenho do serviço através de ambas às medidas
objetivas e subjetivas,
 A avaliação da correlação de classificação subjetiva do serviço pelos
usuários, com um conjunto de parâmetros de desempenho de serviço
(relações entre esses parâmetros chaves serão analisados e comparados),
 Uma visão quantitativa sistemática sobre os efeitos de perdas na rede
em ambos os parâmetros objetivos e subjetivos,
 Uma analise dos valores limites significativos de desempenho do
serviço em concordância com a percepção do usuário (banco de ensaio),
 A correlação de características de tráfego de grupos de usuários com
diversas métricas de desempenho de rede (baseada no tráfego
operacional gerado por usuários reais em uma rede IP).

Macro mudanças na tecnologia de vídeo da
Internet (redes IP)
• Entrega de conteúdo a custos baixos fazem com que os serviços
baseados em assinatura tendam a subir:
 Tráfego de vídeo na Internet deverá aumentar, possivelmente
superando a audiência baseada na televisão sedimentando a TV do
futuro (OTT)
• Muitas empresas: provedores de conteúdo, redes de entrega de
conteúdo (CDN), programadores de reprodutores de vídeo e os
usuários.
Vídeo (100x crescimento de tráfego)
Outras Aplicações(10 x crescimento de tráfego)
O que significa para a Internet se
95% do trafego for vídeo?

Plataforma de vídeo na Internet (redes IP)
Fonte de
Vídeo
Encoders &
Servidores
Vídeo
CMS and
Hosting Rede de entrega
de conteúdo (CDN)
ISP & Home Net
Tela
Reprodutor de
Vídeo
Componentes chave: Reprodutor de vídeo & CDN

Novas noções de qualidade para o vídeo
em redes IP
• Avaliação da qualidade: vídeo em redes IP usando HTTP
sobre CDN.
 Em grande parte confiável, por isso a "perda" (PSNR) não é tão
relevante.
 Novo cenário: buffering, bitrate, taxa de quadros, comutação da
taxa de bits e o atraso de inicialização.
• Avaliação da experiência: através de anúncios, assinaturas e
opiniões com estudo controlado objetivando o comprometimento
com as empresas.
 Novo cenário: fração do vídeo reproduzido e o número de visitas
ao provedor.

Métricas do QoE são insuficientes
• Reprodutores de vídeo adaptativos fazem
compensações em redes ad hoc para o bitrate
, atraso de inicialização e armazenamento em
buffer.
• Estruturas de otimização para múltiplos
CDNs usam métricas primitivas de QoE que
somente capturam o buffering, a comutação e
não o bitrate.
• Os provedores de conteúdo não tem
nenhuma maneira sistemática para avaliar
vantagens e desvantagens em termos de
custos e de desempenho de diferentes CDNs.
Tela
Reprodutor de
vídeo
500Kbps 1Mbps 2Mbps

Medição robusta do QoE
• Necessidade de uma compreensão uniforme.
 Conjunto de métricas da qualidade agrupadas afetam o impacto
da avaliação, sendo preferível do que cada uma isoladamente.
• Necessidade de uma compreensão quantitativa.
 Existem vantagens e desvantagens para cada métrica, por
exemplo, bitrates mais baixos significam um menor buffer, mas
reduz a qualidade de conhecimento quantitativo.
 Mudança da métrica M de x para y muda o compromisso do cliente
de a para b.
ISP & Rede de Casa
Reprodutor de
vídeo
Inicio da
perspectiva
do usuário?

Fatores chaves para a avaliação da
qualidade de vídeo IP pelo QoE
• Relações entre as métricas e a experiência do usuário são
complexas, até mesmo contra intuitivo.
 Por exemplo, quanto maior o bitrate nem sempre teremos a mais
alta qualidade.
• Métricas interdependentes e compensações
 Por exemplo, a mudança de qualidade reduz o buffering, mas pode
incomodar os usuários.
• Natureza dos conteúdos podem confundir fatores.
 Por exemplo, vídeo ao vivo (live) e sobre demanda (on demand)
têm diferentes padrões de visualização.

Finalidades
• Identificar métricas quantitativas do QoE que sejam robustas e unificadas.
• Lançar métricas do QoE como um problema de aprendizagem de máquina.
 Criar modelos apropriados para prever o engajamento (por exemplo,
tempo de reprodução) em função de métricas de qualidade.
• Efeitos induzidos por conteúdo abordado usando medidas específicas de
domínio.
1% aumento no
buffering reduz o
engajamento de 3
minutos
Fonte Conviva

Uso de casos do QoE para vídeo sobre IP
• Netflix avalia objetivamente o CDN.
 Também otimiza por multi-CDN.
• CDN distribui de forma eficiente os
recursos para os usuários.
• Reprodutores de vídeo fazem
compensações (taxa de bits versus
buffer).
• Usuários fazem escolhas além do
conteúdo.
• Conjunto de métricas de qualidade.
• Necessita de dados em estrutura real
e não estudos em ambientes controlados.

Complexo relacionamento (métricas vs QoE)
• Efeitos contra intuitivo.
• Qualidade superior do vídeo deveria ter maior envolvimento do
usuário.
• Por outro lado a baixa qualidade do vídeo levou a tempos maiores
de reprodução (para o vídeo live, a baixa qualidade significa baixo
uso da CPU. Para vídeos com alta qualidade a sessão foi encerrada.
• Efeitos não-monótonos.
 Maior bitrate médio nem sempre tem qualidade superior.
 Valores de bitrate em passos discretos. Quando a media entre os
passos significar uma comutação pode irritar o usuário.
• Efeitos no limiar
• Taxas acima de 0,5 comutações/minuto nenhum efeito no
envolvimento do usuário final. Taxas mais elevadas o usuário final
encerra a sessão mais cedo.

Interação entre métricas do QoE
• Comutação e Buffering
 Deve comutar de forma proativa para evitar o buffer (acima do limiar
ocorre perda no engajamento).
• Tempo de se conectar.
 Taxa de bits mais alta implica em uma maior qualidade, mas também
significa que leva mais tempo para iniciar (preenchimento do buffer).

Um modelo preditivo para a inferência QoE
• Engajamento = f({Métrica Qualidade})
 Engajamento: por exemplo, tempo de reprodução, visitas ao site.
 Métrica Qualidade: por exemplo, buffering, bitrate.
• Dependências e relações ocultas tratadas através da
aprendizagem de máquina.
 Desde que não sejam suficientemente grandes o conjunto de dados
(felizmente, os provedores de conteúdo agrupam - por exemplo o Netflix).
• Efeitos de combinação abordados por conhecimentos
específicos de domínio.
 Selecionar os dados de entrada e alimentar a introdução.
 Identificar as características de combinação e deixar o algoritmo
manipular.

Um modelo preditivo para a inferência QoE

Qual é a qualidade de vídeo em redes IP
vinculada ao QoE no cenário atual?
• O que é a mais alta qualidade de vídeo?
 Evitar falhas de inicialização,
 Iniciar o vídeo rapidamente,
 Reproduzir o vídeo sem problemas e sem interrupções,
 Reproduzir o vídeo na taxa de bits mais alta possível.
• Coletar as estatísticas do reprodutor de vídeo é a melhor
maneira de medir a qualidade de vídeo sobre IP
 O reprodutor de vídeo interage com vários serviços pertencentes a
várias empresas sendo o ponto único que esta em todas as interações,
 Com taxas de bits adaptáveis e tecnologias com múltiplos CDNs, um
único servidor ou CDN não tem as informações completas de qualidade
para um cliente,

Monitoramento do reprodutor de vídeo:
modelo do reprodutor
ReproduzindoJuntando
Estados
Reprodutor Reprod.
Tempo
Estados do
Reprodutor
Eventos
Monitoramento
do reprodutor
Ação do
usuário
Buffer de
vídeo vazio
Parada
Saída
Buffer
de vídeo
preenchido
Taxa de download vídeo
Largura de banda disponível
Perda de quadros
Taxa de renderização do quadro
Rede:
Streaming
Conexão
Estabilização
Buffer torna
a encher
suficientemente
BufferingRatio(BR)
RateOfBuffering(RB)
AvgBitrate(AB)
RenderingQuality(RQ)
JoinTime (JT)

Exemplo de um resumo de qualidade no
provedor
• 31,68% de visualizações
tiveram problemas de qualidade.
• 32,2% dos usuários tiveram
problemas recorrentes de
qualidade.
• Boa qualidade de vídeo
para todos o usuário pode
adicionar 10,9% mais de
minutos de vídeo visualizados. 68.3
25.3
5.7
0.68
Total de
Visualizações
!!
"#$%&!' ( ) %*+!
X
video buffered
67.8
32.2
100.9
62.2
0 50 100 150
Minutos por Usuário
Poor Quality Viewers
Good Quality Viewers
Total Visualizações = 66,44,79,19
Total Usuários = 3.291.204
Total Minutos Visualizados = 290.260.395
video não iniciou
video tem baixa resolução
video tem boa qualidade
Visualização qualidade
ruim
Visualização qualidade
boa
Fonte Conviva

Bibliografia
1. Arlos P (2005) On the quality of computer network measurements.Ph.D. Thesis,
Blekinge Institute of Technology, Karlskrona, Sweden.
2. Collange D, Costeux JL (2007) Correlation of packet losses with some traffic
characteristics. Proceedings of the Passive and Active Measurements Conference
(PAM 2007), Louvaine-la-Neuve, Belgium.
3. Collange D, Costeux JL (2008) Passive estimation of quality of experience. J.
Univers Comput Sci 625–641.
4. Fasterfox-performance and network tweaks for Firefox. http://fasterfox.mozdev. org/
(last seen: July 21, 2009).
5. Fiedler M, Chevul S, Isaksson L, Lindberg P, Karlsson J (2005) Generic
communication requirements of ITS-Related Mobile Services as Basis for Seamless
communication. Proceedings of the 1st EuroNGI conference on Next Generation
Internet Networks (NGI’05), Rome, Italy, pp. 426–433.005).
6. Fiedler M, Chevul S, Radtke O, Tutschku K, Binzenhöfer A (2005) The network
utility function: a practicable concept for assessing network impact on distributed servi
ces. Proceedings of the 19th International Teletraffic Congress (ITC-19), Beijing,
China.
7. Garcia J, Hurtig P, Brunström A (2008) The effect of packet loss on the response
time of web services. Proceedings of 3rd International Conference on Web
Information Systems and Technology (WebIST2007).

Bibliografia
8. HoBfeld T, Tran-Gia P, Fiedler M (2007) Quantification of Quality of Experience for
edge-based applications. Proceedings of the 20th International Teletraffic Congress
(ITC-20), Ottawa, Canada.
9. International Telecommunication Union (2001). ITU-T Recommendation G. 1010:
end-user multimedia QoS categories.
10. International Telecommunication Union (2005). ITU-T Recommendation G. 1030:
estimating end-to-end performance in IP networks for data applications.
11. International Telecommunication Union (2003). ITU-T Recommendation P.800.1:
mean Opinion Score (MOS) terminology.
12. Khirman S, Henriksen P (2002) Relationship between Quality-of-Service and
Quality-of-Experience for Public Internet Service. Proceedings of Passive and Active
Measurement (PAM2002), Fort Collins, Colorado, USA.
13. Nychis G, Sardesai G, Seshan S (2009) Analysis of XCP in a wireless environment
http://www.contrib.andrew.cmu.edu/~gnychis/xcp_wireless.pdf (last seen: July 21).
14. Padhye J, Firoiu V, Towsley D, Kurose J (1998) Modelling TCP throughput: a
simple model and its empirical validation. ACM Sigcomm, Vancouver Canada, pp.
303–314.
15. Rossi D, Mellia M, Casetti C 2003() User patience and the web. Proceedings of
IEEE GLOBECOM, San Francisco, USA.

Bibliografia
16. Vicari N, Köhler S (2000) Measuring internet user traffic behavior dependent on ac
cess speed. 13th ITC Specialist Seminar on IP Traffic Measurement, Modeling and
Management, Monterey, CA, USA.
17. Ganjam A (2010) Bringing Internet Video to Prime Time. Paper Conviva, USA.

Banco de dados vídeo
1. The Consumer Digital Video Library
http://www.cdvl.org/index.php

Melhor métrica para QoE causada por falhas de rede IP

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (8)

Semelhante a Melhor métrica para QoE causada por falhas de rede IP

Semelhante a Melhor métrica para QoE causada por falhas de rede IP (20)

Mais de VISIONO - Integrated Solutions and Systems in Security

Mais de VISIONO - Integrated Solutions and Systems in Security (16)

Melhor métrica para QoE causada por falhas de rede IP