BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

NGUYỄN THỊ KIM THOA

MỘT SỐ GIẢI PHÁP NÂNG CAO
CHẤT LƯỢNG STREAMING THÍCH ỨNG VIDEO
TRÊN NỀN GIAO THỨC HTTP

Ngành: Kỹ thuật viễn thông
Mã số: 9520208

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

HÀ NỘI - 2019


Công trình này được hoàn thành tại:
Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học: PGS.TS Phạm Ngọc Nam

Phản biện 1:
Phản biện 2:
Phản biện 3:
Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp trường
họp tại Trường Đại học Bách khoa Hà Nội

vào hồi . . . giờ, ngày . . . tháng . . . năm . . .

Có thể tìm hiểu luận án tại:

đời cho phép máy khách thay vì máy chủ là thành phần đưa ra quyết định
về việc thích ứng chất lượng video. Cụ thể, nhà cung cấp dịch vụ sẽ tạo ra
nhiều mức chất lượng (phiên bản video) từ một video gốc. Mỗi mức chất
lượng video được chia nhỏ thành các phân đoạn. Trong phiên streaming,
1


một phương pháp thích ứng chất lượng video đặt tại máy khách có nhiệm
vụ quyết định mức chất lượng nên được truy vấn cho mỗi phân đoạn dựa
vào tình trạng của mạng và mức sử dụng bộ đệm của máy khách. Năm
2014, phiên bản thứ hai của chuẩn MPEG-DASH ra đời và hiện tại, các
chuyên gia MPEG đang hướng tới phiên bản thứ ba cho streaming video
đa hướng.
Cho đến nay, chưa có chuẩn nào chỉ ra việc thích ứng chất lượng trong
HAS nên được thực hiện như thế nào nhằm nâng cao chất lượng trải nghiệm
(QoE). Vì vậy, việc nghiên cứu, đề xuất các giải pháp cải thiện QoE trong
HAS đang thu hút sự quan tâm nghiên cứu của cộng đồng khoa học. Tại
thời điểm bắt đầu luận án này, đã có một số nghiên cứu liên quan đến QoE
trong HAS [19, 32, 36, 50]. Tuy nhiên, các nghiên cứu này vẫn chưa thực
sự hiệu quả trong việc cải thiện QoE, đặc biệt là trong bối cảnh streaming
video qua mạng di động với thông lượng mạng thường biến động mạnh theo
thời gian. Được thúc đẩy bởi tiềm năng chưa được khai thác hết của công
nghệ HAS và nhu cầu mạnh mẽ của streaming video qua mạng di động
những năm gần đây, luận án đề xuất các giải pháp thích ứng chất lượng
video trên nền HTTP để đối phó hiệu quả với sự biến động của thông lượng
mạng, từ đó nâng cao QoE của người dùng.
2. Những vấn đề còn tồn tại
Cho đến này, các phương pháp thích ứng chất lượng hầu hết tập trung vào
video được mã hóa với tốc độ bit không đổi (CBR) [4, 24, 27, 41]. Các
nghiên cứu về streaming thích ứng qua HTTP đối với video được mã hóa

video VBR/CBR qua HTTP/2.
4. Những đóng góp của luận án
• Đề xuất và thực hiện giải pháp cải thiện QoE dựa trên lập trình động
ngẫu nhiên (SDP) trong streaming video dạng VBR qua HTTP. Ngoài
ra, các mô hình toán học được triển khai để dự đoán các thông số
ảnh hưởng đến QoE. Thực nghiệm cho thấy (i) phương pháp đề xuất
mang lại QoE tốt hơn so với một số phương pháp streaming thích
ứng video dạng VBR hiện tại, (ii) kết quả dự đoán các thông số ảnh
hưởng đến QoE bằng mô hình toán khá gần với các thông số được đo
đạc từ mô phỏng thực nghiệm.
• Đề xuất và thực hiện giải pháp phân bổ băng thông và cải thiện QoE
khi streaming đồng thời nhiều video VBR qua một đường truyền có
băng thông hạn chế trên nền giao thức HTTP. Thực nghiệm được
thực hiện trong thời gian thực cho thấy phương pháp đề xuất có
phân bổ băng thông hợp lý và cải thiện đáng kể QoE, trong điều kiện
ràng buộc về tổng lượng băng thông của đường truyền và giới hạn
của độ trễ.
• Đề xuất và thực hiện các thuật toán cải thiện QoE khi streaming
video VBR/CBR qua HTTP/2 đồng thời làm giảm overhead liên
quan đến số lượng truy vấn của máy khách. Thực nghiêm cho thấy
các giải pháp đề xuất cung cấp tốc độ bit video cao, ít sự biến động
chất lượng, bộ đệm ổn định, đồng thời giảm đáng kể số lượng truy
vấn của máy khách.
3


Chương 1
TỔNG QUAN VỀ CÔNG NGHỆ HAS VÀ KHẢO SÁT
CÁC NGHIÊN CỨU LIÊN QUAN



1.2.3. Công nghệ HAS
Kiến trúc của một hệ thống HAS gồm máy chủ, mạng phân phối và máy
khách (Hình 1.2). Một video gốc được mã hóa thành nhiều mức chất lượng
(phiên bản). Mỗi mức chất lượng được chia thành nhiều phân đoạn nhỏ
có độ dài bằng nhau. Nội dung video được gửi từ máy chủ tới máy khách
thông qua một chuỗi truy vấn/phản hồi. Đối với mỗi truy vấn của máy
khách, thuật toán thích ứng chất lượng đặt tại máy khách sẽ quyết định
mức chất lượng và số lượng phân đoạn (đối với HTTP/2.0) nên được tải
về dựa trên tình trạng của mạng và mức sử dụng bộ đệm của máy khách.
Dựa vào truy vấn của máy khách, máy chủ sẽ phản hồi một hay nhiều phân
đoạn video với cùng một mức chất lượng. Máy khách lưu những phân đoạn
video nhận được vào bộ đệm, sau đó giải mã và hiển thị trên thiết bị của
người dùng.
Nội dung video

Mã hóa video

Bộ phận thích
ứng chất lượng

Phân đoạn
video
Truy vấn

Phiên bản 3
Phiên bản 2
Phiên bản 1

Bộ đệm

e
Ti+1
= Tis =

s + γ × T , i > 1,
(1 − γ) × Ti−1
i
Ti , i = 1,

(1.2)

với γ là trọng số nằm trong khoảng [0;1].

1.2.4. Các yếu tố ảnh hưởng đến QoE trong HAS
Trong HAS, TCP - lớp dưới của HTTP có cơ chế kiểm soát tắc nghẽn và
cơ chế truyền lại khi mất gói. Độ trễ do mất gói và jitter đã được chuyển
thành sự biến động thông lượng của TCP. Vì vậy, các yếu tố chính ảnh
hưởng đến QoE được điều khiển bởi máy khách bao gồm: độ trễ nạp bộ
đệm ban đầu, sự gián đoạn video, chất lượng cảm nhận, độ trễ trực tiếp
(trong streaming trực tuyến) [20] (Hình 1.5).
Các yếu tố tác động
đến QoE trong HAS

Độ trễ
nạp bộ đệm
ban đầu

Sự gián
đoạn video


1.2.5. Tối đa hóa QoE trong HAS
Các yếu tố ảnh hưởng đến QoE được trình bày trong Phần 1.2.4 không thể
được xem xét một cách riêng lẻ. Ví dụ, để tránh gián đoạn video và giảm
thiểu số lần chuyển đổi mức chất lượng, máy khách luôn chọn mức chất
lượng thấp nhất. Việc này làm giảm chất lượng tổng thể nếu dung lượng
mạng cho phép tốc độ bit video cao hơn. Mặt khác, tối đa hóa QoE bằng
cách luôn chọn mức chất lượng cao nhất thường dẫn đến số lần gián đoạn
rất lớn. Các yếu tố khác như biên độ và tần suất giảm mức chất lượng có
6


tác động rất lớn đến QoE trong HAS [22, 48]. Nghiên cứu [13] cho thấy số
lần và khoảng thời gian mỗi lần gián đoạn video ảnh hưởng nghiêm trọng
nhất đến QoE, đặc biệt trong trường hợp streaming trực tiếp. Người dùng
sẵn sàng chấp nhận độ trễ ban đầu và sự biến động chất lượng video cao
hơn, nếu nó giúp giảm thiểu số lần hoặc khoảng thời gian gián đoạn [16, 35].
Qua những phân tích ở trên có thể kết luận rằng, để tối đa hóa QoE
cần: (i) loại bỏ sự gián đoạn video, (ii) tăng tốc độ bit trung bình của video,
(iii) giảm số lần giảm mức chất lượng, (iv) giảm biên độ giảm mức chất
lượng.

1.3. Khảo sát các giải pháp cải thiện QoE trong
HAS
1.3.1. Các giải pháp thích ứng cho streaming một video
Cho đến nay, các giải pháp thích ứng cho streaming một video có thể được
chia thành hai nhóm chính: nhóm giải pháp heuristic [4, 9, 15, 18, 26, 27,
37, 51] và nhóm giải pháp dựa vào mô hình toán học [6, 10, 17, 23, 25, 47,
52, 53].
Các giải pháp thích ứng chất lượng thuộc các nhóm trên hầu hết tập
trung vào video CBR. Các nghiên cứu về streaming thích ứng qua HTTP

xuất đầu tiên bởi Wei và cộng sự trong [45]. Họ triển khai chiến lược PushN, nghĩa là máy khách truy vấn một mức chất lượng cụ thể cho mỗi N
phân đoạn. Ngoài ra, chiến lược Push-N được nghiên cứu để giảm overhead
liên quan đến truy vấn của máy khách [44] và tiết kiệm năng lượng trong
streaming trên thiết bị di động [46]. Tuy nhiên, do số lượng phân đoạn cho
mỗi truy vấn là cố định trong toàn bộ phiên streaming dẫn tới máy khách
không thể phản ứng nhanh với sự biến động của mạng.
Để khắc phục vấn đề của chiến lược Push-N, một số giải pháp được
đề xuất nhằm quyết định số lượng phân đoạn được đẩy cho mỗi truy vấn
của máy khách [21, 28]. Tuy nhiên, máy khách phải tải đủ số lượng phân
đoạn video đã được truy vấn trước khi gửi một truy vấn mới. Kết quả là,
máy khách vẫn cần nhiều truy vấn cũng như sẽ phản ứng chậm với sự giảm
thông lượng đột ngột, dẫn đến bộ đệm có nhiều nguy cơ bị rỗng.
Rõ ràng là, nếu máy chủ có thể đẩy liên tiếp nhiều phân đoạn video
cho đến khi nhận được truy vấn yêu cầu thay đổi mức chất lượng từ máy
khách thì máy khách có thể ứng phó tốt hơn với sự biến động của mạng.

1.4. Kết luận chương
Chương này đã trình bày cơ sở lý thuyết nền tảng của công nghệ HAS và
các yếu tố tác động đến QoE trong HAS. Từ đó luận án đi đến kết luận
rằng để tối đa hóa QoE cần loại bỏ sự gián đoạn video, tăng tốc độ bit
trung bình, hạn chế tần suất và biên độ giảm mức chất lượng. Đây cũng
chính là các thông số ảnh hưởng đến QoE, được dùng để đánh giá các giải
pháp đề xuất và các giải pháp đối sánh trong luận án. Ngoài ra, các nghiên
cứu liên quan cũng được khảo sát kỹ lưỡng. Từ đó, luận án kế thừa những
ưu điểm và nghiên cứu, đề xuất các mô hình, thuật toán nhằm cải thiện
QoE được thể hiện trong Chương 2, Chương 3 và Chương 4.
8


Chương 2

lượng trung bình và xác suất bộ đệm bị rỗng.

2.3. Mô hình hóa hệ thống để áp dụng SDP
2.3.1. Rời rạc hóa băng thông
Băng thông được rời rạc hóa thành W mức. Sau đó, W trạng thái băng
thông khác nhau BWw (1 ≤ w ≤ W ) được tạo ra từ W mức này. Do băng
thông mạng thường biến động mạnh và ngẫu nhiên, luận án sử dụng mô hình
chuỗi Markov được minh họa trong Hình 2.3. Mỗi trạng thái được đặc trưng
bởi một giá trị băng thông BWw (1 ≤ w ≤ W ). Có một xác suất pij khi băng
thông chuyển từ trạng thái này sang trạng thái khác sau mỗi bước thời gian.
Tổng các xác suất trong mô hình (

pij ) bằng 1.

i,j

Hình 2.3: Mô hình băng thông Markov-Chain gồm W trạng thái

2.3.2. Rời rạc hóa bộ đệm
Tương tự như băng thông, bộ đệm được rời rạc hóa thành B mức từ 1 đến
Bs tương ứng với số phân đoạn video có trong bộ đệm. Bs là kích thước
bộ đệm.

2.4. Mô tả vấn đề và giải pháp
2.4.1. Trạng thái hệ thống
Hệ thống được đặc trưng bởi biến trạng thái sk (bk , bwk , vk ) khi một phân
đoạn video được tải xong tại giai đoạn k. Tại mỗi trạng thái sk , hệ thống
lựa chọn một hành động a tương ứng với mức chất lượng cho phân đoạn
tiếp theo. Hệ thống sau đó ngẫu nhiên nhảy sang trạng thái mới sk+1 tại
giai đoạn tiếp theo, khi đó sinh ra một chi phí C(sk , a).

Đối với mỗi trạng thái sk , hành động a hợp lý nhất, được gọi là chính sách
cho trạng thái sk . Tập π chứa các chính sách cho từng trạng thái sk , là sự
ánh xạ giữa tập trạng thái và tập hành động π : s −→ a. Luận án sử dụng
thuật toán PI (Policy Iteration) của SDP [42] để tìm ra tập chính sách tối
ưu π ∗ sao cho tối tiểu hóa hàm giá trị của mỗi trạng thái:
π ∗ (sk ) = argmina C(sk , a) +

P (sr |sk , a) × V (sr ) , ∀a ∈ a.

(2.13)

sr ∈s

Các tập chính sách tìm được giống như một bảng tìm kiếm để ánh xạ mỗi
trạng thái với một mức chất lượng tối ưu cho phân đoạn tiếp theo.

2.5. Dự đoán các thông số ảnh hưởng đến QoE
Để dự đoán các thông số ảnh hưởng đến QoE, điểm mấu chốt là cần xác
định vectơ xác suất p = [p1 , p2 , ..., pN ] với pn (1 ≤ n ≤ N ) là xác suất mà
11


hệ thống ở trạng thái sn trong suốt phiên streaming. Trong phần này, xác
suất trạng thái p được tính như sau:
L
ti
i=1 p

p=



2.5.3. Dự đoán mức sử dụng bộ đệm
Mức sử dụng bộ đệm trung bình Ab và xác suất video bị gián đoạn Pund
được thể hiện qua 2.7 và 2.8 dưới đây:
N

bn × pn ,

Ab =

(2.20)

n=1
N

bn × pn |bn =1 .

Pund =

(2.21)

n=1

2.6. Thực nghiệm và đánh giá
2.6.1. Cài đặt thực nghiệm
Test-bed gồm một máy khách chạy Java 8.0 trên máy tính Window 7 để
thực thi thuật toán thích ứng và một máy chủ Apache2 chạy trên Ubuntu
12



2. Đánh giá các mô hình dự đoán các tham số ảnh hưởng đến QoE.
Ngữ cảnh dùng một băng thông có sẵn
Lưu lượng được lấy từ mạng di động [27] được dùng làm băng thông
cho mô hình toán trong việc thống kê băng thông đồng thời được
dùng trong mô phỏng. Bảng 2.2 thống kê chi tiết các kết quả thực
nghiệm trong ba trường hợp lựa chọn giá trị cho phiên bản lớn nhất:
Vmax = 7, Vmax = 8 hoặc Vmax = 9. Dễ dàng nhận thấy rằng không
có sự khác nhau nhiều giữa thông số chất lượng được dự đoán và
thông số chất lượng được đo đạc. Đặc biệt, khi phiên bản lớn nhất
(Vmax ) càng nhỏ thì hệ thống dự đoán gần như chính xác các thông
số ảnh hưởng đến QoE.
13


Bảng 2.2: Ngữ cảnh dùng một băng thông có sẵn
Tham số Vmax = 9
Vmax = 8
Vmax = 7
Dự Mô Dự Mô Dự Mô
đoán phỏng đoán phỏng đoán phỏng
Ab (s)
9.48 8.52 9.59 8.77 9.8 9.68
Aq
7.64 7.88 7.45 7.73 6.48 6.87
Asw
0.30 0.18 0.14 0.09 0.03 0.02
P rund
0.01 0.00 0.006 0.00 0.00 0.00
Ngữ cảnh dùng các lưu lượng lịch sử
Ngữ cảnh này sử dụng hai băng thông lịch sử được ghi lại từ hai phiên



Chương 3
GIẢI PHÁP PHÂN BỔ BĂNG THÔNG VÀ CẢI THIỆN
QoE TRONG STREAMING ĐỒNG THỜI NHIỀU VIDEO
VBR QUA HAS

3.1. Giới thiệu chương
Trong chương này, một mô hình thỏa hiệp giữa chất lượng cảm nhận và độ
trễ ban đầu [29] được sử dụng để tìm ra mức chất lượng thích ứng tốt nhất
cho một video ứng với một mức băng thông được cấp cho video đó. Sau đó,
một thành phần trong mạng đóng vai trò phân bổ băng thông và lựa chọn
mức chất lượng video phù hợp cho từng máy khách nhằm cải thiện QoE.

3.2. Mô hình thỏa hiệp giữa chất lượng video và độ
trễ
Mô hình thỏa hiệp giữa chất lượng cảm nhận và độ trễ đề xuất trong [29]
được thực hiện bằng cách thay thế một số phân đoạn có tốc độ bit cao của
một mức chất lượng bằng các phân đoạn tương ứng ở mức chất lượng thấp
hơn. Mục đích của mô hình là hạ tốc độ bit đại diện và/hoặc giảm độ trễ
ban đầu trong khi chất lượng video tổng thể không bị ảnh hưởng nhiều.
Giả sử video C gồm M mức chất lượng {Vi , 1 ≤ i ≤ M }. Mỗi mức
chất lượng Vi có chất lượng QPi và gồm N phân đoạn với tốc độ bit
{Bij , 1 ≤ j ≤ N }. Các tác giả trong [29] đã định nghĩa một hàm p( ) như
sau. Đặt V ∗ là mức chất lượng thích ứng tương ứng với một hàm p( ). Tại
mỗi phân đoạn, nếu tốc độ bit của nó lớn hơn thì phân đoạn đó được thay
thế bởi một phân đoạn tương ứng ở mức chất lượng thấp hơn gần nhất mà
có tốc độ bit nhỏ hơn .
15



Các máy khách
Các máy chủ
Tòa nhà, trường học

Hình 3.2: Hệ thống streaming nhiều video

Giả sử hệ thống streaming đồng thời H video tới các máy khách. Mỗi
video Vi có thể được cấp Ki mức băng thông khác nhau. Băng thông tại
mỗi mức ki được ký hiệu bởi ri (ki ),(ki ∈ [1; Ki ]). Tại mỗi mức băng thông
được cấp ri (ki ), ta có phiên bản thích ứng tốt nhất Vi∗ (ki ) mang lại giá trị
lợi ích u∗i (ki ) cao nhất, ứng với ngưỡng tốc độ bit ∗i (ki ).
Tìm {Vi∗ (ki )} cho tất cả các video Vi (ki ∈ [1; Ki ] , i ∈ [1; H]) sao cho
tối đa hóa lợi ích trung bình U , cụ thể:
16


H

wi × u∗i (ki )), i ∈ [1; H] , ki ∈ [1; Ki ],

U = max(

(3.10)

i=1

với điều kiện
H


toán xử lý trực tuyến được đề xuất so với thuật toán Viterbi (Hình 3.7). Cả
hai thuật toán được triển khai trên C++ và thời gian chạy được đo trên
Window 8.1 notebook với CPU Intel i5-1.7GHz và bộ nhớ 6GB. Số luồng
video (H) thay đổi từ 5 đến 15 và được lựa chọn ngẫu nhiên từ 5 video trên.
Giả sử rằng băng thông được cấp là Rc = 800 ∗ H(kbps).
Hình 3.8 thể hiện thời gian chạy của thuật toán đề xuất với các số lượng
video khác nhau. Có thể thấy, thời gian chạy của thuật toán đề xuất chỉ

17


CSM

Đề xuất

5
4.5
4

Lợi ích (MOS)

3.5
3
2.5
2
1.5
1
2000

3000


7

9

11

13

15

Số lượng video

Hình 3.7: Thời gian chạy của thuật toán đề xuất và thuật toán Viterbi
200

Thời gian chạy (ms)

180
160
140
120
100
80
60
40
20
0
0



Chương 4
ỨNG DỤNG TÍNH NĂNG SERVER PUSH CỦA HTTP/2
ĐỂ CẢI THIỆN QoE TRONG STREAMING VIDEO
QUA HAS

4.1. Giới thiệu chương
Năm 2015, giao thức HTTP/2 ra đời cung cấp một số tính năng mới trong
đó tính năng Server Push có thể được sử dụng hiệu quả trong streaming
video. Trong chương này, tác giả đề xuất hai phương pháp thích ứng chất
lượng video dùng tính năng Server Push. Thứ nhất, tác giả lần đầu tiên
đề xuất một phương pháp thích ứng chất lượng trong streaming video qua
HTTP/2 với video dạng VBR. Thứ hai, tác giả đề xuất một cách tiếp cận
hiệu quả hơn nữa khi sử dụng tính năng Server Push cho HAS. Phương
pháp này có tên là Full Push, được áp dụng cho video dạng CBR.

4.2. Giải pháp cải thiện QoE trong streaming video
VBR qua HTTP/2
4.2.1. Giải pháp thích ứng chất lượng
Quyết định mức chất lượng
Giả sử rằng, sau khi gửi truy vấn i để yêu cầu Ni phân đoạn video tại
mức chất lượng Ii , máy khách nhận được tất cả N i phân đoạn video, mỗi
phân đoạn có độ dài τ giây. Mức sử dụng bộ đệm hiện tại là Bi , thông
lượng hiện tại là Ti . Khi đó, máy khách sẽ quyết định mức chất lượng Ii+1
và số lượng phân đoạn Ni+1 cho truy vấn tiếp theo i + 1.
Để lựa chọn mức chất lượng cho truy vấn tiếp theo, cần thiết phải dự
đoán thông lượng tương lai. Do tốc độ bit của video VBR biến động mạnh
19




Ni+1 × τ
,
Bi − Blow

(4.6)

Crq =
Cbf =

và α, (1 − α) lần lượt là trọng số của Crq và Cbf .

4.2.2. Kết quả thực nghiệm và đánh giá
Phương pháp đề xuất được đánh giá và so sánh với hai phương pháp đó
là Push-N được trình bày trong [44] và phương pháp AGG được đề xuất
trong [28]. Trong phương pháp Push-N, số lượng phân đoạn cho mỗi truy
vấn được cố định là N phân đoạn. Trong phương pháp AGG, tốc độ bit
được quyết định là tốc độ bit cao nhất mà nhỏ hơn thông lượng mạng dự
đoán.
20


Bảng 4.2: Thống kê kết quả thích ứng
Tham số
Push-N
AGG Đề xuất
N=1 N=2 N=3 N=4
Số lượng truy vấn
500 250 167 125 180
173

τ

…

RTT

…
τ

…

RTT/2

k phân đoạn

…
…

…
Thời gian

Thời gian

Thời gian

Thời gian

Hình 4.7: Cơ chế hoạt động của tính năng Server Push trong giải pháp đề xuất.

Hoạt động của hệ thống đề xuất được thể hiện trong Hình 4.1. Máy

4.3.2. Thuật toán thích ứng chất lượng
Để quyết định mức chất lượng cho mỗi truy vấn, luận án đề xuất bốn trường
hợp, đó là tăng, giữ ổn định, giảm và trường hợp nguy hiểm tương ứng khi
máy khách tăng, duy trì, giảm hoặc lựa chọn mức chất lượng thấp nhất.
Khi đó, bộ đệm được chia thành bốn khoảng giá trị bởi các ngưỡng Bmin ,
Blow và Bhigh (Bmin < Blow < Bhigh < Bmax ) với Bmax là kích thước bộ
đệm. Khoảng bộ đệm từ Blow đến Bhigh được coi là khoảng an toàn với tốc
độ bit video được duy trì ổn định. Khi mức sử dụng bộ đệm tương lai thấp
hơn hoặc cao hơn khoảng này, tốc độ bit sẽ được giảm hoặc tăng tương
ứng.

4.3.3. Thực nghiệm và đánh giá kết quả
Tất cả các phương pháp được đánh giá khi streaming đoạn video gồm 550
phân đoạn, với RTT bằng 100ms và băng thông được mô tả ở trên. Hình
4.2 thể hiện kết quả thích ứng của các phương pháp. Để rõ ràng, sự so sánh
tốc độ bit của tất cả các phương pháp được thể hiện trong Hình 4.2a, 4.2b,
22


4.2c. Hình 4.2d thể hiện sự thay đổi mức sử dụng bộ đệm của các phương
pháp trong suốt phiên streaming.

3000

Thông lượng

Push 1

Push 8



0

0

0

50

100

150

200

250
300
Thời gian (s)

350

400

450

500

550

0

(b) Push 4, Push 12 and
phương pháp đề xuất.

Adapt-N method

Proposed method

Bitrate (kbps)

2500
2000
1500
1000
500
0
0

50

100

150

200

250
300
350
Time (seconds)