QoE-Aware Adaptive BitRate streaming framework for edge layers

Abstract

O crescimento contínuo do tráfego de vídeo na Internet exige estratégias avançadas para garantir a entrega eficiente e de alta qualidade em ambientes distribuídos e heterogêneos. Aplicações sensíveis à latência, como transmissões ao vivo e vídeo sob demanda, enfrentam desafios relacionados à variabilidade da rede, à largura de banda limitada e à competição entre múltiplos usuários por recursos na camada Edge. Esta pesquisa propõe e avalia uma abordagem de Adaptive Bitrate Streaming em ambientes de Edge Computing, integrando técnicas de Deep Reinforcement Learning (DRL) para decisões adaptativas orientadas por métricas de Fairness. A arquitetura proposta utiliza métricas locais e globais de fairness que orientam o processo de seleção de taxa de bits com base na variabilidade entre usuários, considerando aspectos como consistência temporal da experiência, distribuição equitativa da qualidade de vídeo, suavidade na reprodução e estabilidade nas adaptações de qualidade. Essas métricas são compartilhadas dinamicamente entre os clientes, permitindo decisões mais justas e adaptativas sob condições de rede variáveis. O sistema foi implementado em um ambiente de testes containerizado com suporte a múltiplas sessões concorrentes e traços de rede realistas. Foram comparadas estratégias ABR baseadas em heurísticas e abordagens baseadas em aprendizado, considerando cenários com variabilidade de rede sintética e real. Os resultados demonstram que o controlador proposto, consciente de justiça, melhorou a Qualidade de Experiência média, reduziu desigualdades na distribuição de qualidade e apresentou menos interrupções de reprodução mesmo sob condições de banda degradada ou flutuante. Além disso, manteve tempos de inicialização menores e perfis de adaptação mais estáveis, demonstrando robustez frente à alta variabilidade da rede. De forma inovadora, este trabalho transforma a fairness de uma métrica de avaliação pós-processo em um elemento ativo de controle no processo decisório, propondo um modelo de Fairness-Aware Reinforcement Learning que amplia o estado da arte em streaming adaptativo na camada Edge, promovendo uma entrega de vídeo mais inteligente, equitativa e colaborativa.

Abstract: The continuous growth of Internet video traffic demands advanced strategies to ensure efficient, high-quality delivery in distributed and heterogeneous environments. Latency-sensitive applications such as live streaming and on-demand video face persistent challenges related to network variability, limited bandwidth, and competition among multiple users for constrained edge resources. This research proposes and evaluates a Fairness-Aware Adaptive Bitrate (ABR) Streaming approach for Edge Computing environments that integrates Deep Reinforcement Learning (DRL) with fairness-driven decision-making. The proposed architecture employs both local and global fairness metrics that actively guide bitrate selection based on user variability, considering aspects such as time-based QoE consistency, equitable quality distribution, playback smoothness, and adaptation stability. These fairness indicators are dynamically shared among clients to enable more equitable and adaptive bitrate decisions under variable network conditions. The system was implemented in a containerized Edge Computing testbed supporting multiple concurrent client sessions with realistic network traces. Experiments compared heuristic-based and learning-based ABR strategies under both synthetic and real-world network variability. Results show that the proposed fairness-aware DRL controller improved overall Quality of Experience, reduced inequality in quality distribution, and maintained lower startup delays and more stable adaptation profiles even under degraded bandwidth. In doing so, this research transforms fairness from a post-evaluation metric into an active decision-making component, introducing a Fairness-Aware Reinforcement Learning model that advances the state of the art in adaptive streaming at the edge, fostering more intelligent, equitable, and cooperative multimedia delivery systems.