基于電量狀態的移動流媒體碼率自適應策略

陳仁康，李澤平+，林 川，楊華蔚，薛楊上，王忠德

(1.貴州大學 計算機科學與技術學院，貴州 貴陽 550025； 2.貴州財經大學 大數據應用與經濟學院，貴州 貴陽 550025)

0 引 言

在移動視頻服務中[1]，基于HTTP的動態自適應流媒體傳輸協議(dynamic adaptive streaming over HTTP，DASH)已成為流媒體傳輸的國際標準，許多流媒體碼率自適應策略研究也在此基礎上開展，同時DASH也得到包括Netfix、Youtube在內的行業領先企業的支持[2]。盡管目前的碼率自適應策略一定程度上解決了流媒體播放過程中存在的視頻卡頓、初始延遲過長等問題，但由于流媒體視頻播放會消耗移動設備相當多的資源，導致較高的電池電量消耗[3,4]，為了實現更好的用戶體驗質量(quality of experience，QoE)，還需要考慮移動流媒體應用中的電池電量消耗過快的問題。目前主流智能手機的電池容量都在3000 mhA以上[5]，但仍然無法滿足用戶長時間使用流媒體服務的需求，否則電池電量會過快地消耗，縮短手機的續航時長，影響手機通訊功能的正常使用。如何平衡不同電量狀態下的視頻質量和設備電量消耗，成為當前移動流媒體領域的研究熱點。

1 相關研究

目前，主流的碼率自適應算法大致可分為兩類：①基于吞吐量的自適應算法；②基于緩沖區的自適應算法。基于吞吐量的自適應算法根據當前估計的可用網絡吞吐量，去選擇盡可能高的碼率[6]。而基于緩沖區的自適應算法，與基于吞吐量的自適應算法不同，這類算法僅使用播放器緩沖區的使用情況作為反饋信號，并使緩沖區占用保持在所需的水平[7]。

針對移動流媒體服務中能耗過高的問題，在基于緩沖區的自適應算法和基于吞吐量的自適應算法的研究基礎上，研究人員提出了一些改進方法。

出于不是視頻所有部分都需要高幀率的基本思想，Park等[8]提出一個EVSO(environment-aware video streaming optimization)模型，模型基于H.264/AVC編碼器在視頻壓縮編碼過程中采用宏塊(macroblocks)計算視頻幀之間相似度的考慮，為視頻不同部分分配不同的幀率，實現了客戶端節能的效果，該方法會導致視頻中部分質量的下降，同時還需要對DASH的媒體描述文件(media presentation description，MPD)進行擴展，以添加對電池電量狀態的支持。EVSO模型在移動流媒體視頻質量和移動設備電量消耗之間取得了一定的平衡，實現了設備電池電量的節約，提高了用戶QoE，然而，它需要對原視頻進行重新的編碼，還需要對視頻編碼器進行修改，并擴展標準的MPD文件，而這在一定程度上，增加了方案實際部署時的成本和難度。

Kim等[9]提出一種基于減少客戶端重復幀刷新的電量節約算法。算法采用內容率(content rate)來度量1 s內有意義幀的變化數量，然后根據內容率來預估最優刷新速率，減少重復幀更新，從而達到電量節約的效果。但是該算法并沒有減少客戶端實際接收到的幀數，即客戶端仍然需要消耗能量去接收播放過程中不需要的幀，所以該算法的節能效果并不好，同時，由于減少了視頻中部分片段的刷新幀率，一定程度降低了視頻質量，影響了用戶QoE。

也有研究者，如Hu等[10]，根據設備當前的電量狀態，提前緩沖用于播放的視頻，以便在不需要時關閉設備的無線網絡接口，從而達到電量節約的目的。但是這種方法存在的問題是，如果用戶中途退出播放，提前緩沖視頻則會造成電量和帶寬的浪費，使用較小的緩沖區可以避免這一問題，但同時，較小的緩沖區又會引入重新緩沖(即播放卡頓)的新問題。此外，由于移動設備所處網絡條件的不穩定性以及用戶觀看視頻的不確定性(如提前退出、快進等)，使得設備無線網絡接口的開啟時機較難確定，而在緩沖區耗盡時，如果未及時打開無線網絡接口緩沖新的視頻，則會造成重新緩沖事件，影響用戶QoE。

葛志輝等[11]提出一種基于剩余電量的用戶QoE模型(power state QoE model，PSQM)，模型考慮了剩余電量、初始延遲、暫停事件以及切換事件對用戶QoE的影響。在提出的QoE模型的基礎上，提出了一種基于移動設備剩余電量和網絡環境的碼率控制策略(power-level bitrate control scheme，PBCS)。該策略的基本思想是根據當前的網絡吞吐量以及設備剩余電量，選擇合適的碼率，即在網絡條件好和設備剩余電量充足時，選擇高碼率視頻下載播放；而在網絡條件差或者設備剩余電量不足時，選擇低碼率視頻進行下載播放。對比其它考慮設備電量的碼率自適應算法，PBCS策略能夠比較方便地集成到客戶端，但是，PBCS策略僅根據當前網絡吞吐量和設備剩余電量進行碼率決策，未考慮播放器緩沖區使用情況，容易造成碼率切換頻繁和視頻卡頓的問題，此外，PSQM模型定義時，也未考慮平均視頻質量對用戶QoE的影響。

2 基于電量狀態的移動流媒體用戶QoE模型

碼率自適應的最終目標是改善用戶QoE，有關用戶QoE的研究已經較為深入[12]，而在流媒體服務中，不同研究者對于用戶QoE模型的定義可能是不同的，但一般來講，會考慮初始延遲、重新緩沖、碼率切換平滑度以及平均視頻質量這幾個關鍵元素對用戶QoE的影響[13]。

在移動流媒體服務中，除了視頻質量QoE外，還需要考慮設備的電量消耗對用戶QoE的影響。因此，在定義用戶QoE時，綜合設備電量狀態對用戶QoE的影響，提出了一種基于電量狀態的移動流媒體用戶QoE模型(battery status QoE model，BSQM)。模型包括視頻損傷Imedia和設備電量消耗損傷Ibattery兩部分。

視頻損傷Imedia由初始延遲、重新緩沖(即卡頓)、平均視頻質量及碼率切換4部分組成。設Ω為所有可選碼率，則播放器可以在播放第n個視頻塊時，選擇碼率為Bn∈Ω的視頻進行播放。設dn(Bn) 為碼率為Bn的第n視頻塊的大小，則第n視頻塊的下載時間可以表示為dn(Bn)/Cn， 這里Cn表示下載第n個視頻塊時的下載速率。設q(Bn) 表示選擇碼率為Bn時候的視頻質量。設總的視頻塊為N。將組成視頻質量損傷Imedia各部分描述如下：

(1)初始延遲：即播放器的初始緩沖時長，通常，播放器會在初始階段緩沖一定長度(小于最大緩沖長度)的視頻后，才進行播放，避免在初始階段就出現重新緩沖事件。設播放器設置的初始緩沖時長為L，初始選擇的碼率為Binit，則初始延遲為

TID=(L*Binit)/Cinit

(1)

針對不同初始延遲對用戶QoE的影響進行測試，發現初始延遲與用戶QoE損傷基本呈線性關系，將初始延遲與用戶QoE的損傷的關系表示為

IID=α*TID

(2)

其中，α為線性相關系數，取α=3.2。

(2)重新緩沖：對于每個視頻塊n來說，當開始播放后，如果視頻塊的下載時間高于播放緩沖長度(比如Buffern)，則會發生重新緩沖事件，總的重新緩沖次數為

(3)

其中

(4)

重新緩沖對用戶QoE的損傷除了和重新緩沖次數NRB有關，還與重新緩沖時長DRB有關，根據文獻[14]的研究，發現當重新緩沖次數NRB固定時，用戶QoE損傷會隨著重新緩沖時長DRB單調增加；而當重新緩沖時長DRB固定時，用戶QoE損傷則不會隨著重新緩沖次數NRB單調增加。同時，頻繁的重新緩沖造成較高用戶QoE的損傷?；谶@些發現，經測試，在不考慮視頻內容類型(比如運動類、風景類)的情況下，將重新緩沖與用戶QoE的損傷關系定義為

(5)

其中，系數a=3.35，b=3.98，c=2.50。

(3)平均視頻質量：一般來講，選擇越高的碼率，則用戶獲得的視頻質量就越高，而視頻質量越高，則用戶QoE越好，反之，視頻質量越低，則會對用戶QoE造成越大的損傷。平均視頻質量與用戶QoE損傷關系如下

(6)

(4)碼率切換：在碼率自適應的過程中，需要進行碼率切換，從一個視頻塊切換到另一個視頻塊時視頻質量的變化大小，反映了碼率切換的平滑度，通常，頻繁或者較大幅度的碼率切換，都會對用戶QoE造成損傷，碼率切換與用戶QoE損傷關系為

(7)

因為用戶對于4個部分中哪個更重要有不同的偏好，用上述4個部分的加權求和來定義從視頻塊 1到N的總體視頻用戶QoE損傷Imedia

Imedia=βIID+δIRB+λIQ+μIS

(8)

式中：β、δ、λ、μ是分別和初始延遲、重新緩沖、平均視頻質量以及碼率切換相關的非負權重系數。在用戶傾向于更低的初始延遲的情況下，則需要使用一個更大的β。一個大的δ，表明相對于其它因素，用戶更關心重新緩沖事件。在用戶傾向于更高視頻質量時，使用一個更大的λ。一個相對較小的μ表明用戶不是特別關心視頻質量的變化；而一個更大的μ則說明需要保證更平滑的質量切換。在文獻[13]的研究基礎上，經測試，在平衡狀態(即綜合考慮各參數對用戶QoE的影響)時，取β=0.18、δ=0.21、λ=0.48，μ=0.13。

同時考慮到設備的電量消耗對移動流媒體服務中用戶QoE的影響，用放電速率(discharge rate)[15]來表示流媒體播放期間的電量消耗，經測試，將電量消耗與Ibattery的關系表示為

Ibattery=ω(Battery1-Batteryn)/n*t

(9)

其中，n為播放的視頻片段數，t為視頻切片長度，Battery1-Batteryn表示播放期間電池電量的消耗量，ω為線性相關系數，取ω=1.3。

綜上，將基于電量狀態的移動流媒體用戶QoE模型BSQM表示為

IQoE=λ1Imedia+λ2Ibattery

(10)

其中，λ1、λ2分別為視頻質量損傷和電量消耗損傷的權重系數， 0≤λ1≤1， 0≤λ2≤1， 且λ1+λ2=1。 定義的4種不同的設備剩余電量狀態分別為H(≥70%)、M(40%～70%)、L(20%～40%)、E_L(≤20%)，以及一種正在充電狀態CHARGING。根據文獻[11]，當設備處于不同的電量等級時候，用戶對視頻質量和電量消耗的偏好程度不同，經過大量用戶測試，設置權重參數如下

(11)

(1)高電量狀態，或者是充電狀態

在此狀態下，用戶對于電量的消耗不敏感，而對視頻質量有較高的要求，因此，碼率自適應策略應盡可能請求高碼率視頻，并減少重新緩沖次數，保證用戶QoE。因此，在該狀態下，設置參數權重值為：λ1=1.0，λ2=0。

(2)中電量狀態

在此狀態下，用戶關心電量的消耗，同時，又不希望視頻質量有較大的降低，因此，碼率自適應策略應該適當降低視頻質量，減少視頻重新緩沖次數，減少設備電量消耗。因此，該狀態下，設置參數權重值為：λ1=0.8，λ2=0.2。

(3)低電量狀態

當設備處于低電量狀態時，用戶比較關心電量的消耗，愿意犧牲一部分視頻質量來減少電量消耗，保證設備的通訊等基礎功能的正常使用。因此，碼率自適應策略應執行更保守的碼率選擇，即選擇更低的碼率等級，保證視頻的流暢播放，避免重新緩沖。該狀態下的參數權重值設置為：λ1=0.4，λ2=0.6。

(4)極低電量狀態

在極低電量狀態下，用戶非常關心電量的消耗，但如果用戶仍有觀看在線視頻的需求，碼率自適應算法應該盡可能選擇最低的碼率，減少重新緩沖，縮短初始延遲時間，保證最小的電量消耗，確保設備有足夠的電量使用通訊等基礎功能。該狀態下的參數權重值設置為：λ1=0.2，λ2=0.8。

3 基于電量狀態的移動流媒體碼率自適應策略

應用基于電量狀態的移動流媒體碼率自適應策略(battery status based bitrate adaptation scheme，BSAS)的客戶端在視頻播放過程中，執行如下的3個步驟：

(1)獲取參數：使用文獻[6]提出的帶寬預測方法預測可用帶寬Rateavail。因為BSAS策略主要是基于網絡吞吐量來進行碼率決策的，自然地，更準確的帶寬預測將有助于做出更準確的碼率決策，避免帶寬浪費或者重新緩沖事件的發生。也就是，本文提出的碼率自適應策略可以通過提高帶寬預測機制的準確性來改進，如在LTE網絡中，使用機器學習方法獲得更準確的帶寬預測[16]。還需要獲取的參數是設備當前電量BSlevel和充電狀態BSplugin，以及播放器當前的緩沖區占用情況Buffernow。

在兩種情況下，策略不執行碼率切換。第一種情況是，Bnext>Bnow且BuffernowmaxBufferForDecrease， 即選擇的下一碼率小于前一個碼率，同時緩沖區的長度大于切換到更低碼率的緩沖區最大值(默認是25 s)時，策略將保持當前碼率，不切換到更低的碼率。

(3)應用：開始加載碼率為Bnext的視頻塊，并進行渲染播放。

算法1： BSAS碼率選擇算法

start

輸入：Rateavail,BSlevel,BSplugin,Buffernow

輸出：Bnext

(1)ifplayer state is startupthen

(2)ifBSlevel=E_Lthen

(3)Bnext=Blowest

(4)else

(6)else

(7)Bnow=Bnext

(8)ifBSlevel=HorBSplugin=CHARGINGthen

(10)elseifBSlevel=Mthen

(12)elseifBSlevel=Lthen

(14)elseifBSlevel=E_Lthen

(15)Bnext=Blowest

(16)ifBnext>Bnow

(17)andBuffernow

(18)Bnext=Bnow

(19)ifBnext

(20)andBuffernow>maxBufferForDecreasethen

(21)Bnext=Bnow

end

定性來看，本文提出的碼率自適應策略有如下幾個方面的優勢。第一，策略進行碼率選擇時，將移動設備的剩余電量作為一個考慮因素，因此，比起單純基于吞吐量的RB算法，能更好地適應不同的設備電量狀態；第二，策略在客戶端應用，不需要對原視頻進行重新編碼，也不需要對流媒體服務器進行額外配置，可以快速方便地集成；第三，和PBCS策略比較，策略對電量等級進行了更細的劃分，能更好地實現視頻質量和電量節省的平衡，同時，策略結合了播放器當前的緩沖區狀態信息，避免作出不符合當前緩沖區的碼率決策，導致卡頓和頻繁碼率切換等問題。

4 實驗及結果

4.1 實驗環境

實驗平臺采用Nginx服務器作為流媒體服務器，運行在Ubuntu 20.04系統上，采用華為FRD-AL10安卓手機作為實驗設備，客戶端采用Google開源的多媒體播放框架Exoplayer[17]。通過監聽系統廣播的方式獲取設備電量及充電狀態，使用Android性能分析工具Battery Historian[18]獲取視頻播放期間的設備電量消耗值，使用Exoplayer提供的API獲取當前播放器緩沖區大小。

選用的實驗視頻為開源視頻“Big Buck Bunny”[19]，原視頻數據集有20個不同的碼率等級，實驗中選取其中10個不同的碼率等級，每個碼率等級有150個視頻切片，每個視頻切片長度為4 s。實驗視頻分辨率及碼率見表1。

表1 實驗視頻分辨率及碼率

真實網絡環境中，帶寬變化情況不可控，為了測試本文提出的碼率自適應策略在波動的網絡環境中的性能，利用Linux系統的Traffic Control工具[20]進行帶寬控制，設置如表2所示的4種不同的帶寬序列。

表2 4種帶寬序列平均碼率及特點

4.2 實驗結果及分析

根據提出的BSQM模型，從初始延遲、重新緩沖、平均視頻質量、碼率切換平滑度、電量消耗以及總體的QoE損傷等幾個參數，對比了RB算法[6]、BBA-0算法[7]、BOLA算法[21]、Exo+CBF算法[22]以及BSAS算法在不同帶寬條件和電量狀態下的性能表現。

從圖1可以看出，高電量(或者是充電)狀態下，BSAS策略和RB算法以及Exo+CBF算法的碼率選擇策略接近，能在帶寬狀況變好時，及時切換到高碼率視頻，而BBA-0算法則在碼率選擇上存在較大的波動性，同為基于緩沖區的BOLA算法則相對穩定。從圖2可以看出，總體來講，BSAS對比RB算法，選擇更低一級的碼率等級，考慮了設備處于中等電量的這一狀態變化，而在400 s后，帶寬狀態下降時，由于在350 s～400 s帶寬條件較好時，緩存了足夠的視頻片段，BSAS策略沒有進行降低碼率，減少了碼率的波動，而RB算法則請求下載新的更低碼率的視頻，BBA-0算法仍然存在幅度較大且頻繁的碼率波動，特別是在初始時，緩沖區為空，BBA-0算法選擇最低的碼率等級，而帶寬序列2的初期帶寬較高，則就導致BBA-0算法有一個較大幅度的碼率波動。從圖3可以看出，在一個帶寬波動幅度較大，頻率較高的帶寬序列3下，且設備處于低電量的狀態時，BSAS策略維持了一個較為中等偏下等級的碼率選擇，且較為穩定，而RB算法由于只根據網絡帶寬條件進行碼率決策，則有一個幅度較大且頻繁的波動，BBA-0算法和BOLA算法的碼率選擇波動性也較大，在100 s～200 s時帶寬突然大幅度降低，而BBA-0算法仍然選擇了高碼率的視頻，未及時切換，導致了重新緩沖事件。從圖4看出，極低電量情況下，BSAS策略維持在最低的碼率等級，而不會繼續請求高碼率的視頻。

圖1 帶寬序列1高電量時算法碼率選擇情況

圖2 帶寬序列2中電量時算法碼率選擇情況

圖3 帶寬序列3低電量時算法碼率選擇情況

圖4 帶寬序列4極低電量時算法碼率選擇情況

圖5 帶寬序列1高電量狀態下算法性能及QoE損傷

圖6 帶寬序列2中電量狀態下算法性能及QoE損傷

圖7 帶寬序列3低電量狀態下算法性能及QoE損傷

圖8 帶寬序列4極低電量狀態下算法性能及QoE損傷

從圖5的性能對比結果可以看出，由于BBA-0算法初始選擇一個較低的視頻碼率，且在播放過程中，通常進行更為激進的碼率選擇策略，因此，該算法在初始延遲和平均視頻質量這兩項指標上，優于RB和BSAS，然而，頻繁的碼率切換則導致碼率切換平滑性較差，而激進的碼率選擇策略，則常常導致重新緩沖事件的發生，因此，BBA-0算法在這兩項上損傷較大。而由于使用了Lyapunov優化技術，BOLA算法相比BBA-0算法，減少了重新緩沖事件的發生，且在碼率切換上表現更好。在高電量或者充電狀態下，RB和BSAS的各指標和總體QoE損傷較為接近。而從圖6、圖7可以看出，中、低電量狀態下，BSAS根據電量狀態，進行自適應碼率決策，選擇更低的視頻碼率，有效減少了視頻的碼率切換和重新緩沖事件，降低設備電量消耗，在平均視頻質量上，低于BBA-0算法和BOLA算法，略低于RB算法和Exo+CBF算法，但在總體QoE上表現更好。從圖8可以看出，在極低電量狀態時， 由于帶寬序列4初始帶寬條件較好，RB算法在初始階段選擇了較高的視頻碼率，導致初始緩沖時間過長，BBA-0算法則仍然存在重新緩沖次數較多，碼率切換平滑度較差等問題，而BSAS則充分考慮了此時的設備電量狀態，選擇最低的碼率等級，從而避免了初始延遲過大和碼率切換頻繁等問題，并且播放過程中沒有重新緩沖時間發生，在總體QoE損傷上，優于RB算法和BBA-0算法。

5 結束語

通過研究不同電量狀態下碼率選擇策略對用戶QoE的影響，提出了一種基于電量狀態的BSQM模型，模型的參數包括初始延遲、重新緩沖、平均視頻質量、碼率切換平滑度以及設備電量狀態。在模型的基礎上，給出了一種基于網絡吞吐量，同時考慮設備電量狀態的碼率自適應策略BSAS。該策略在RB算法的基礎上，針對不同電量狀態執行不同的碼率決策。與基于吞吐量和基于緩沖區的自適應算法的對比實驗結果表明，BSAS能較好地平衡不同電量狀態下的視頻質量和電量消耗。未來工作是研究碼率自適應策略BSAS在5G網絡環境下的應用。