Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas
A distribuição de vídeos através da Internet tem se tornado crescente nos últimos anos, estima-se que conteúdo de vídeos represente 82% de todo o tráfego da Internet. Os grandes provedores de conteúdos de vídeo como Netflix, Prime Vídeo, Youtube, utilizam redes de distribuição de conteúdos para rep...
| Autor principal: | Liborio Filho, João da Mata |
|---|---|
| Outros Autores: | http://lattes.cnpq.br/1951337510541030, https://orcid.org/0000-0002-1987-6198 |
| Grau: | Tese |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Amazonas
2023
|
| Assuntos: | |
| Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/9518 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-9518 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-95182023-07-29T05:03:44Z Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas Internet video delivery improved by super-resolution based on generative adversarial networks Liborio Filho, João da Mata Melo, Cesar Augusto Viana http://lattes.cnpq.br/1951337510541030 http://lattes.cnpq.br/0097703442306179 Fonseca, Nelson Luís Saldanha da http://lattes.cnpq.br/9612704468357790 Verdi, Fábio Luciano http://lattes.cnpq.br/9143186843657940 Cristo, Marco Antônio Pinheiro de http://lattes.cnpq.br/6261175351521953 https://orcid.org/0000-0002-1987-6198 Vídeos para Internet Redes neurais (Computação) Vídeos - Qualidade da imagem CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Super-resolução de vídeo Redes neurais adversária generativa Cdn Distribuição de vídeo Streaming de vídeo adaptativo A distribuição de vídeos através da Internet tem se tornado crescente nos últimos anos, estima-se que conteúdo de vídeos represente 82% de todo o tráfego da Internet. Os grandes provedores de conteúdos de vídeo como Netflix, Prime Vídeo, Youtube, utilizam redes de distribuição de conteúdos para replicar seus conteúdos em locais mais próximo da audiência, com o intuito de melhorar a latência e evitar rebuffering. Além disso, empregam a tecnologia de taxa de bits adaptável que permite a codificação de vídeos em diferentes resoluções e taxas de bits para diferentes dispositivos, sendo que essa codificação geralmente ocorre nos data centers desses provedores de conteúdo. Os algoritmos de posicionamento de conteúdo encontram o melhor ajuste entre esses arquivos e o público-alvo, levando em consideração restrições de custos. No entanto, essa técnica requer múltiplas representações do mesmo vídeo, o que resulta em dados redundantes trafegando nas infraestruturas de distribuição e pode sobrecarregar as redes de distribuição de conteúdo. Por outro lado, nos últimos anos, as redes neurais profundas, em especial as redes adversárias generativas, têm se destacado na literatura para métodos de super-resolução de imagem e vídeo. Esses métodos são capazes de restaurar imagens de baixa para alta resolução com qualidade imperceptível à visão humana. Nesta pesquisa, foi avaliada a aplicação de super-resolução de vídeo usando redes adversárias generativas em duas abordagens principais: i) reduzir o volume de dados de vídeos enviados pelas infraestruturas de nuvem, replicando vídeos em versões de baixa resolução entre data centers e servidores substitutos geograficamente distribuídos, e restaurando-os para alta resolução nesses servidores usando um modelo de super-resolução; ii) otimizar a qualidade de experiência da audiência dos aplicativos de streaming de vídeo ao vivo, melhorando a qualidade perceptiva por meio da super-resolução. O estudo foi conduzido em um ambiente experimental configurado para corresponder aos cenários reais. Os resultados apresentam dois frameworks que incorporam modelos de super-resolução, um para o serviço de replicação de vídeo em nuvem e outro para o serviço de distribuição de vídeo ao vivo, apoiado por computação de borda. As avaliações experimentais mostraram uma redução no tráfego relacionado a vídeo nas infraestruturas de até 88,37%, enquanto ao mesmo tempo melhoravam os padrões de qualidade de experiência na sessão, medidos durante o streaming de vídeo ao vivo. Over the years, video content distribution over the internet has increased dramatically, with video content predicted to represent 82% of all internet traffic. Major video content providers, such as Netflix, Prime Video, and YouTube, use content delivery networks (CDNs) to replicate their content in locations closer to their users, improving latency and avoiding rebuffering. Content providers use adaptive video streaming to enable viewers to watch videos with adequate image quality based on their end-to-end connection with the provider. However, this technology requires multiple representations of the same video with varying resolutions and bitrates, increasing the volume of redundant data flowing through distribution infrastructures and overburdening CDN infrastructure. Recent literature has highlighted deep neural networks, particularly generative adversarial networks, for image and video super-resolution methods. These methods can restore low-resolution images and videos to high resolution with unnoticeable quality loss to human vision. In this study, the application of video super-resolution using a generative adversarial network was evaluated in two ways: i) To reduce video traffic in cloud infrastructures, videos were replicated in low-resolution versions between data centers and geographically distributed surrogate servers. These videos were then restored to high resolution on these servers using a super-resolution model; ii) To optimize the quality of experience for viewers of live video streaming applications, enhanced perceptual quality was achieved through super-resolution. The research was conducted in an experimental setting designed to simulate real-world scenarios. The findings demonstrate two frameworks that use a super-resolution model, one for a cloud video replication service and the other for a live video distribution service supported by edge computing. The experiment results revealed a reduction in video-related traffic in infrastructures of up to 88.37%. Additionally, the quality of the session experience during live video streaming was improved, as measured by perceptual quality. Overall, the study suggests that using super-resolution techniques for video content delivery can reduce network traffic and improve the quality of experience for viewers. These findings could have implications for the future of video content delivery, especially as video content continues to grow in popularity and demand. FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas 2023-07-28T14:41:12Z 2023-05-10 Tese LIBÓRIO FILHO, João da Mata. Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas. 2023. 158 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2023. https://tede.ufam.edu.br/handle/tede/9518 por Acesso Aberto http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
por |
| topic |
Vídeos para Internet Redes neurais (Computação) Vídeos - Qualidade da imagem CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Super-resolução de vídeo Redes neurais adversária generativa Cdn Distribuição de vídeo Streaming de vídeo adaptativo |
| spellingShingle |
Vídeos para Internet Redes neurais (Computação) Vídeos - Qualidade da imagem CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Super-resolução de vídeo Redes neurais adversária generativa Cdn Distribuição de vídeo Streaming de vídeo adaptativo Liborio Filho, João da Mata Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas |
| topic_facet |
Vídeos para Internet Redes neurais (Computação) Vídeos - Qualidade da imagem CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO Super-resolução de vídeo Redes neurais adversária generativa Cdn Distribuição de vídeo Streaming de vídeo adaptativo |
| description |
A distribuição de vídeos através da Internet tem se tornado crescente nos últimos anos, estima-se que conteúdo de vídeos represente 82% de todo o tráfego da Internet. Os grandes provedores de conteúdos de vídeo como Netflix, Prime Vídeo, Youtube, utilizam redes de distribuição de conteúdos para replicar seus conteúdos em locais mais próximo da audiência, com o intuito de melhorar a latência e evitar rebuffering. Além disso, empregam a tecnologia de taxa de bits adaptável que permite a codificação de vídeos em diferentes resoluções e taxas de bits para diferentes dispositivos, sendo que essa codificação geralmente ocorre nos data centers desses provedores de conteúdo. Os algoritmos de posicionamento de conteúdo encontram o melhor ajuste entre esses arquivos e o público-alvo, levando em consideração restrições de custos. No entanto, essa técnica requer múltiplas representações do mesmo vídeo, o que resulta em dados redundantes trafegando nas infraestruturas de distribuição e pode sobrecarregar as redes de distribuição de conteúdo. Por outro lado, nos últimos anos, as redes neurais profundas, em especial as redes adversárias generativas, têm se destacado na literatura para métodos de super-resolução de imagem e vídeo. Esses métodos são capazes de restaurar imagens de baixa para alta resolução com qualidade imperceptível à visão humana.
Nesta pesquisa, foi avaliada a aplicação de super-resolução de vídeo usando redes adversárias generativas em duas abordagens principais: i) reduzir o volume de dados de vídeos enviados pelas infraestruturas de nuvem, replicando vídeos em versões de baixa resolução entre data centers e servidores substitutos geograficamente distribuídos, e restaurando-os para alta resolução nesses servidores usando um modelo de super-resolução; ii) otimizar a qualidade de experiência da audiência dos aplicativos de streaming de vídeo ao vivo, melhorando a qualidade perceptiva por meio da super-resolução. O estudo foi conduzido em um ambiente experimental configurado para corresponder aos cenários reais. Os resultados apresentam dois frameworks que incorporam modelos de super-resolução, um para o serviço de replicação de vídeo em nuvem e outro para o serviço de distribuição de vídeo ao vivo, apoiado por computação de borda. As avaliações experimentais mostraram uma redução no tráfego relacionado a vídeo nas infraestruturas de até 88,37%, enquanto ao mesmo tempo melhoravam os padrões de qualidade de experiência na sessão, medidos durante o streaming de vídeo ao vivo. |
| author_additional |
Melo, Cesar Augusto Viana |
| author_additionalStr |
Melo, Cesar Augusto Viana |
| format |
Tese |
| author |
Liborio Filho, João da Mata |
| author2 |
http://lattes.cnpq.br/1951337510541030 https://orcid.org/0000-0002-1987-6198 |
| author2Str |
http://lattes.cnpq.br/1951337510541030 https://orcid.org/0000-0002-1987-6198 |
| title |
Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas |
| title_short |
Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas |
| title_full |
Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas |
| title_fullStr |
Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas |
| title_full_unstemmed |
Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas |
| title_sort |
distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2023 |
| url |
https://tede.ufam.edu.br/handle/tede/9518 |
| _version_ |
1831970194162974720 |
| score |
11.753735 |