Ali Gouta

126 Pages·2015·1.69 MB·French

ANNÉE 2015

THÈSE / UNIVERSITÉ DE RENNES 1
sous le sceau de l’Université Européenne de Bretagne
pour le grade de
DOCTEUR DE L’UNIVERSITÉ DE RENNES 1
Mention : Informatique
Ecole doctorale Matisse
présentée par
Ali Gouta
Préparée à l’unité de recherche UMR 6074 IRISA
Equipes d’accueil : Orange Labs IDA/CDS - Irisa/ASAP
Convention Cifre N 1326/2011

Thèse soutenue à Rennes
Caching and
le 15 janvier 2015
prefetching for devant le jury composé de :
Felber Pascal
efficient video
Professeur - Université de Neuchâtel / rapporteur
Noel Crespi
services in mobile
Professeur - Télécom Sud Paris / rapporteur
Guillaume Pierre
networks Professeur - Irisa / examinateur
David Hausheer
Professeur - université de Darmstadt / examinateur

Anne Marie Kermarrec
Directrice de recherche - Irisa / directeur de thèse
Yannick Lelouédec
Ingénieur - Orange Labs / co-directeur de thèse

Wingsareaconstraintthatmakes
itpossibletofly.
—RobertBringhurst
Tomyparents...

Acknowledgments
Iammostgratefultomyadvisors,YannickLelouedecandPr.Anne-MarieKermarrec.Their
guidanceandinsightsovertheyearshavebeeninvaluabletome.Ifeelespeciallyfortunatefor
thepatiencethattheyhaveshownwithmewhenIfirstlysteppedintothefieldofdataanalysis,
cachingandprefetchinginmobilenetworks. Iamindebtedtothemforteachingmeboth
researchandwritingskills.Withouttheirendlessefforts,knowledgeandpatience,itwould
havebeenextremelychallengingtofinishallmydissertationresearchandPh.Dstudyin3
years.Ithasbeenagreathonorandpleasureformetodoresearchundertheirsupervision.I
wouldliketothankPr.GuillaumePierre,Pr.DavidHausheer,Pr.NoelCrespiandPr.Pascal
FelberforservingasmyPh.Dcommitteemembersandreviewingmydissertation.Ialsoowe
thankstoZiedAouiniandSaifallhKsibi,whohelpedmetoaddresstechnicalandscientific
problems.BeforecomingtotheUniversityofRennes1,Ireceivedmyengineeringdegreefrom
Sup’CominTunis. IthankDr. YvonGhourantforintroducingmetothefieldofcomputer
networkingandforhelpingmetocompletemythesisoncomputernetworks.
ImustthankmyfamilyinTunisia,whosupportedmealot. Withouttheirendlessloveand
encouragementIwouldhavenevercompletedthisdissertation.
i

Abstract
Cellularnetworkshavewitnessedphenomenaltrafficgrowthrecentlyfueledbynewhigh
speed broadband cellular access technologies. This growth is in large part driven by the
emergenceoftheHTTPAdaptiveStreaming(HAS)asanewvideodeliverymethod.InHAS,
several qualities of the same videos are made available in the network so thatclients can
choosethequalitythatbestfitstheirbandwidthcapacity.Thisstronglyimpactstheviewing
patternoftheclients,theirswitchingbehaviorbetweenvideoqualities,andthusbeyondon
contentdeliverysystems.
OurfirstcontributionconsistsinprovidingananalysisofarealHASdatasetcollectedinFrance
andprovidedbythelargestFrenchmobileoperator.Firstly,weanalyzeandmodeltheviewing
patternsofVoDandlivestreamingHASsessionsandweproposeanewcachereplacement
strategy,namedWA-LRU.WA-LRUleveragesthetimelocalityofvideosegmentswithinthe
HAScontent.WeshowthatWA-LRUimprovesthecachehit-ratiomostlyattheloadingphase
whileitreducessignificantlytheprocessingoverheadatthecache.
Inoursecondcontribution,weanalyzeandmodeltheadaptationlogicbetweenthevideo
qualitiesbasedonempiricalobservations. Weshowthathighswitchingbehaviorsleadto
suboptimalcachingperformance,sinceseveralversionsofthesamecontentcompetetobe
cached.InthiscontextweinvestigatethebenefitsofaCacheFriendlyHASsystem(CF-DASH)
whichaimsatimprovingthecachingefficiencyinmobilenetworksandtosustainthequality
ofexperienceofmobileclients.WeevaluateCF-dashbasedontrace-drivensimulationsand
test-bedexperiments.Ourvalidationresultsarepromising.SimulationsonrealHAStraffic
showthatweachieveasignificantgaininhit-ratiothatrangesfrom15%upto50%.
Inthesecondpartofthisthesis,weinvestigatethemobilevideoprefetchingopportunities.
Onlinemediaservicesarereshapingthewayvideocontentiswatched.Peoplewithsimilar
intereststendtorequestsamecontent.Thisprovidesenormouspotentialtopredictwhich
iii
Chapter0. Abstract
contentusersareinterestedin.Besides,mobiledevicesarecommonlyusedtowatchvideos
whichpopularityislargelydrivenbytheirsocialsuccess.Wedesignasystem,named"Central
PredictorSystem(CPsys)",whichaimsatpredictingandprefetchingrelevantcontentforeach
mobileclient.Tofinetuneourprefetchingsystem,werelyonalargedatasetcollectedfroma
largemobilecarrierinEurope.Therationaleofourprefetchingstrategyisfirsttoformagraph
andbuildimplicitorexplicittiesbetweensimilarusers.Ontopofthisgraph,weproposethe
MostPopularandMostRecent(MPMR)policytopredictrelevantvideosforeachuser. We
showthatCPSyscanachievehighperformanceasregardspredictioncorrectnessandnetwork
utilizationefficiency. WefurthershowthatCPSysoutperformsotherprefetchingschemes
fromthestateoftheart. Attheend,weprovideaproof-of-conceptimplementationofour
prefetchingsystem.
Keywords:caching,HAS,DASH,HLS,prefetching,collaborativefiltering,mobilenetworks,
passivemeasurements,dataset.
iv
Résumé
Lesréseauxcellulairesontconnuunecroissancephénoménaledutraficalimentéeparles
nouvellestechnologiesd’accèscellulaireàlargebande.Cettecroissanceesttiréeengrande
partieparletraficHTTPadaptatifstreaming(HAS)commeunenouvelletechniquedediffu-
siondecontenusaudiovisuel.LeprincipeduHASestderendredisponibleplusieursqualités
delamêmevidéoenligneetquelesclientschoisissentlameilleurequalitéquicorrespond
àleurbandepassante.Chaqueniveaud’encodageestsegmentéendespetitsvidéosqu’on
appellesegments ouchunks etdontladuréevarieentre2à10secondes.L’émergencedu
HASaintroduitdesnouvellescontraintessurlessystèmesdelivraisondescontenusvidéo
enparticuliersurlessystèmesdecache.Danscettethèse,nousnousintéressonsàl’étudede
cetimpactetàproposerdesalgorithmesetdessolutionsquioptimisentlesfonctionnalités
decessystèmes.D’autrepart,laconsommationdescontenusestfortementimpactéepar
lesnouvellestechnologiesduWeb2.0telquel’émergencedesréseauxsociaux.Danscette
thèse,nousexploitonslesréseauxsociauxafindeproposerunservicedepréchargementdes
contenusVoDsurterminauxmobiles.Notresolutionpermetl’améliorationdelaQoEdes
utilisateursetpermetdebiengérerlesressourcesréseauxmobile.
Nouslistonsnoscontributionscommesuit:
Notrepremièrecontributionconsisteàmeneruneanalysedétailléedesdonnéessuruntrafic
HASréelcollectéenFranceetfournieparleplusgrandopérateurdetéléphoniemobiledu
pays.Toutd’abord,nousanalysonsetmodélisonslecomportementdesclientsquidemandent
descontenuscatch-upetlive.Nousconstatonsquelenombrederequêtesparsegmentsuit
deux types de distribution : La loi log-normal pour modéliser les 40 premiers chunks par
session de streaming, ensuite on observe une queue qui peut être modélisé par la loi de
Pareto.Cetteobservationsuggèrequelesclientsneconsommentpaslatotalitéducontenu
catch-up.Onmontreparsimulationquesilecacheimplémentedeslogiquesdecachingqui
v
Chapter0. Abstract
netiennentpasencomptelescaractéristiquesdesfluxHAS,saperformancediminuerait
considérablement.
Danscecontexte,nousproposonsunnouvelalgorithmederemplacementdescontenusque
nousappelonsWorkloadAware-LRU(WA-LRU).WA-LRUpermetd’améliorerlaperformance
dessystèmesdecacheenaugmentantleHit-Ratioenparticulierpourlespremierssegments
etendiminuantletempsrequispourlamiseàjourdelalistedesobjetscachés.Enfonction
delacapacitéducacheetdelachargedutraficdansleréseau,WA-LRUestimeunseuilsurle
rangdusegmentàcacher.Silerangduchunkdemandédépasseceseuil,lechunknesera
pascachésinonilseracaché.CommeWA-LRUdépenddelachargedutraficdansleréseau,
celasupposequeleseuilchoisitparWA-LRUestdynamiquesurlajournée.WA-LRUestplus
agressifpendantlesheureschargées(i.e.ilcachemoinsdechunks,ceuxquisontlesplus
demandés)quependantlesheurescreusesoùleréseauestmoinschargé.
Dansnotredeuxièmecontribution,nousétudionsplusendétaillesfacteursquipoussent
lesclientsHASàchangerdequalitélorsd’unesessionvidéo.Nousmodélisonségalementce
changementdequalitéensebasantsurdesdonnéesempiriquesprovenantdenotretrace
detrafic.Auniveauducache,nousmontronsquelechangementfréquentdequalitécrée
unecompétitionentrelesdifférentsprofilesd’encodages.Celaréduitlesperformancesdu
systèmedecache.Danscecontexte,nousproposonsCacheFriendly-DASH(CF-DASH),une
implémentationd’unplayerHAScompatibleaveclestandardDASH,quiassureunemeilleure
stabilitéduplayer.NousmontronsàtraversdessimulationsetdesexpérimentationsqueCF-
DASHamélioreexpérienceclientetpermetaussid’atteindreungainsignificatifduhit-ratio
quipeutvarierentre15%à50%.
Dansladeuxièmepartiedecettethèse,nousproposonsunsystèmedepréchargementde
contenusvidéossurterminauxmobile.Laconsommationdescontenusvidéoenligneest
fortement impactée par les nouvelles technologies du Web2.0 et les réseaux sociaux. Les
personnesquipartagentdesintérêtssimilairesonttendanceàdemanderlemêmecontenu.
Celapermetdeprédirelecomportementdesclientsetidentifierlescontenusquipeuvent
lesintéresser.Parailleurs,lessmartphonesettablettessontdeplusenplusadaptéspour
visionnerdesvidéosetassurerunemeilleurequalitéd’expérience.Danscettethèse,nous
concevonsunsystèmequ’onappelleCPSys(CentralPredictorSystem)permettantd’identifier
lesvidéoslespluspertinentespourchaqueutilisateur.Pourbienparamétrernotresystème
vi