Distribuição de vídeo na internet aprimorada por super-resolução baseada em redes neurais adversárias generativas
| Ano de defesa: | 2023 |
|---|---|
| Autor(a) principal: | |
| Outros Autores: | , |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Federal do Amazonas
Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://tede.ufam.edu.br/handle/tede/9518 |
Resumo: | 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. |