soutenance de thèse d'Imen Triki intitulée "Rôle du vidéo streaming mobile qui dépend du contexte dans l'amélioration de la qualité d'experience".

"Rôle du vidéo streaming mobile qui dépend du contexte dans l'amélioration de la qualité d'experience". 
Imen TRIKI
La soutenance aura lieu le mardi 05 Juin 2018 à 13h30  dans l’amphi BLAISE du CERI. 
 
 
----------------------------------------------------------------------
 
 
 
Le jury de soutenance sera composé de :
  • Prof. Andre-Luc Beylot (Université de Toulouse) - Rapporteur
  • DR. Gerardo Rubino (IRISA/INRIA) - Rapporteur
  • Prof. Chahed Tijani (Telecom SudParis) - Examinateur
  • Prof. Langar Rami (UPEM) - Examinateur
  • MCF. Sassatelli Lucile (UNS) - Examinatrice
  • Prof. Rachid El-Azouzi (UAPV, LIA) - Directeur de Thèse
  • MCF. Majed Haddad (UAPV, LIA) - Co-Encadrant de Thèse
     
 
Résumé :
L’utilisation répandue des smartphones dans notre vie quotidienne et l’essor technologique que connait le mode aujourd’hui -offrant l’accès mobile à très haut débit
ont exponentiellement augmenté la demande sur les services de vidéo streaming mobile, ce qui justifie la tendance à explorer de nouvelles approches pour la distribution
des contenus média.
 
Afin d’assurer une qualité de streaming constante et acceptable, la majorité des approches proposent aujourd’hui d’adaptater la distribution des flux média au contexte
de l’utilisateur. Dans le but de garder l’utilisateur le plus longtemps connecté à sa session de streaming, ces approches s’intéressent plus particulièrement à l’amélioration
de sa perception de la vidéo, ce qui justifie l’intérêt croissant acordé à l’étude la qualité d’expérience (QoE). Pour assurer une bonne QoE, les solutions de vidéo streaming
mobile exigent la connaissance au préalable du contexte de l’utilisateur, comme par exemple la capacité de son lien physique ou la disponibilité de sa bande passante.
L’acquisition de telles informations contextuelles est devenue possible aujourd’hui gràce à l’utilisation des capteurs sans fils dans les appareils mobiles et à l’existence de
plusieurs applications intelligentes dédiées, le principe étant majoritairement d’exploiter la forte corrélation entre le contexte de l’utilisateur et sa position géographique. Pour
faciliter l’étude du contexte de l’utilisateur, plusieurs cartes radio ont été conçues, permettant le traçage spatio-temporel des caractéristiques radio comme par exemple le
débit moyen ou la force moyenne du signal. En outre, plusieurs études menées sur les modèles de mobilité des usagers ont exhibé une quasi-régularité spatio-temporelle
dans leurs trajets quotidiens, soit en prenant les transports publics ou en allant vers des endroits fréquemment visités. Couplés avec les cartes radio, ces études permettent
une haute précision dans la prédiction du contexte de l’utilisateur le long de son trajet.
 
Dans cette thèse, nous nous intéressons à analyser l’impact de l’adaptation du service vidéo streaming au contexte de l’utilisateur sur sa QoE finale. Nous commençons
par proposer CAMS (Context Aware Mode Switching), un mécanisme d’allocation de ressources qui dépend du contexte et qui s’applique à la distribution du vidéo streaming
réel (non-adaptatif), pour assurer le minimum d’interruptions de vidéo. CAMS est conçu pour être déployé dans une topologie de réseau spécifique avec un modèle de mobilité
particulier. Par la suite, nous explorons l’impact de la connaissance à l’avance du débit futur de l’utilisateur sur l’adaptation de la qualité de sa vidéo et sur le coût de sa  transmission
dans un contexte de streaming adaptatif. Nous proposons NEWCAST (aNticipating qoE With threshold sCheme And aScending biTrate levels), un algorithme proactif pour
l’ajustement du coût et l’adaptation de la qualité sous réserve d’une prédiction parfaite du débit. Nous étendons cette étude, dans un deuxième temps, pour le cas où la prédiction
du débit est imparfaite. Nous proposons, donc, d’autres algorithmes adaptatifs en nous inspirant de l’approche de NEWCAST. Pour étudier la faisabilité de ces algorithmes sur
le plan pratique, nous menons quelques expérimentations dans un environnement émulé à l’aide du lecteur média DASH-IF-Reference. Finalement, nous explorons l’idée de coupler
la connaissance parfaite du débit futur de l’utilisateur avec l’usage d’un mécanisme d’apprentissage automatique, pour améliorer la QoE dans un contexte de streaming adaptatif.
Nous proposons, donc, un système à boucle fermée, basé sur le retour des utilisateurs, pour apprendre progressivement leurs préférences et pour optimiser adéquatement la
transmission des futures vidéos. Ce système est particulièrement conçu pour être utilisé dans des populations hétérogènes avec des profils de QoE différents et inconnus à l’avance.
 
Abstract :
 
The strong emergence of smartphones on human daily life as well as the high broadband access supplied by operators have triggered pervasive demand on video streaming mobile
services, requiring the exploration of novel approaches on video content delivery. To afford video streaming services at sustainable quality, the idea of adjusting the streaming to the
time-varying users’ contexts has been actively investigated during the recent years. Since the users’ perceptions on the video quality directly impact their engagement in video streaming
sessions, many interests have been accorded to the user’s Quality of Experience (QoE).
 
Today streaming solutions mostly rely on the user’s contextual information such as his link capacity or his available bandwidth to provide an acceptable final QoE. Such contextual information
can be easily acquired thanks to the existence of wireless sensors and dedicated smart applications on today mobile devices. At the core, lies the idea of exploiting the strong correlation
between users’ locations and contexts. To that end, radio maps with historical average signal strength have been geographically mapped. Various studies on users’ mobility patterns also
showed that people daily routes exhibit a high degree of spatial and temporal regularity, especially on public transportation or on road ways to/from frequently visited places. Coupled with
radio maps, these mobility patterns can give high accuracy on context predictability along users’ trips.
 
In this thesis, we analyse the impact of adapting video streaming to the user’s context on the final QoE. We start by proposing CAMS (Context Aware Mode Switching), a context-aware
resource allocation mechanism, for real (i.e, non adaptive) video streaming delivery to reduce the number of video stalling. CAMS is designed to be applied in a particular network topology
under a particular mobility of users. Then, we explore the impact of knowing the future throughput variations on video quality adaptation and delivery cost in adaptive video streaming.
We propose NEWCAST (aNticipating qoE With threshold sCheme And aScending biTrate levels) as a proactive algorithm for cost adjustment and quality adaptation under the assumption
of a perfect throughput estimation. We then extend the study to the case where throughput prediction errors may exist and propose a bench of adaptive algorithms inspired from NEWCAST.
To explore the feasibility of implementing these  algorithms in real world streaming, we conduct some experiments with the DASH-If Reference player in an emulated environment.
Finally, we explore the impact of knowing the future throughput variations when exploited with machine learning on the global QoE enhancement in adaptive video streaming. We propose a
closed-loop framework based on users’ feedbacks to progressively learn their QoE profiles and to fittingly optimize video deliveries. This framework is in particular suited for heterogenous
populations where the QoE profiles of users are quite different and unknown in advance.
Undefined
event_date: 
Mardi, 5 Juin, 2018 - 13:30 to 15:30


Laboratoire Informatique d'Avignon

Université d'Avignon et des Pays de Vaucluse
339 chemin des Meinajaries, Agroparc BP 91228, 84911 Avignon cedex 9
+33 (0)4 90 84 35 00