PEMODELAN TRAFIK VIDEO ONE LAYER DAN TWO LAYER
Yasdinul Huda1
ABSTRACT
This paper presents the modeling of VBR video traffic source (Variable Bit Rate). Of the model was obtained knowledge of the dynamic nature of network performance video source that is in short-term correlation. Modelling applied to H.261 video coding and MPEG-2.
In VBR video modeling is also applied to the temporal two-layer video scalabel. Modeling results showed that two-layer video coding has a better statistical models and simpler than a single layer video coding.
Keywords: MPEG2, multiplexing, traffic model, two-layer, VBR Video
INTISARI
ABSTRACT
Makalah ini mempresentasikan pemodelan sumber trafik video VBR (Variabel Bit Rate). Dari pemodelan ini didapatkan pengetahuan kinerja jaringan berupa sifat dinamis sumber video yaitu korelasi jangka pendeknya. Pemodelan diterapkan pada video coding H.261 dan MPEG-2.
Pada pemodelan video VBR juga diaplikasikan pada video scalabel temporal dua layer. Hasil pemodelan diperoleh bahwa video coding dua layer mempunyai model statistical yang lebih baik dan sederhana daripada video coding satu layer.
Kata Kunci: MPEG2, multiplexing, traffic model, two-layer, VBR Video
PENDAHULUAN
Salah satu teknik kompresi video dapat mencapai bit rate yang dapat dikategorikan kualitas baik yaitu antara 1-5 Mb/s. Pada jaringan yang membawa informasi suara, video dan data, hanya trafik video yang paling dominan mengkonsumsi bandwidth jaringan. Untuk mengetahui karakteristik trafik video VBR (Variable Bit Rate) perlu dilakukan pemodelan video baik satu layer maupun dua layer.
Video dapat dikirimkan baik pada Constant Bit Rate (CBR) maupun VBR. Video pada VBR mempunyai banyak kelebihan dibandingkan CBR yaitu kualitas citra dan delay yang lebih pendek. Dengan melakukan Statistical Multiplexing diperoleh alokasi kanal yang lebih baik dibandingkan pada video CBR. Namun karena bervariasinya hasil delay buffer dan rugi-rugi buffer menyebabkan penurunan kualitas video. Untuk mengatasi hal ini dilakukan pengembangan skema Congestion Control, meliputi; Connection Admission Control (CAC) dan Usage Parameter Control (UPC). Untuk permasalahan diatas penelitian ini fokus dilakukan dengan membangun algoritma error-concealment dan merancang model pengkodean two-layer yang efisien.
Pemodelan One-layer trafik video VBR dari “Frame video” dapat diidentifikasi dengan model statistik Autocorrelation Function (ACF) dan atau dengan Probability Density Function (pdf). Selain memverifikasi kinerja model non-Markovian untuk full-motion video berbasis
karakterisasi scene dengan cara mencocokkan probabilitas sel-loss pada ukuran buffer yang berbeda.
Membandingkan one-layer video, setidaknya harus mengetahui tentang karakteristik statistik two-layer video. Karakteristik statistik pendekatan nonstandard yang membagi bitstreams MPEG mirip dengan partisi data, menguji pemodelan MPEG-2 dengan partisi data TES, dengan asumsi bahwa keduanya merupakan base layer adalah VBR (pada base layer VBR enhancement, CAC dan UPC adalah penting, karena cell-loss rate lebih ketat).
Pada paper ini fokus pada memodelkan scalabilitas temporal (dalam base layer terdiri dari versi dikuantisasi kasar dari video dan enhancement layer terdiri dari penyempurnaan informasi), dengan alasan pemilihannya adalah karena menyediakan tradeoff yang terbaik antara resilence-error dan kompleksitas di antara algoritma pengkodean lapisan standar [1].
Model ARIMA digunakan dalam paper ini yang merupakan pemodelan video yang cukup akurat dari berbagai tingkat aktivitas untuk single source ataupun untuk ukuran buffer yang besar. Markov chain berbasis sumber dapat dievaluasi menggunakan analisis fluid-buffer [2] dimana distribusi probabilitas delay dan loss adalah fungsi eksplisit dari eigenvalue and eigenvector dari matrix markov.
Model uncontrained VBR coders digunakan disini untuk mengevaluasi burstiness pengkodean one- and two- layer , serta untuk memberikan pemahaman tentang penjelasan
kegunaan keduanya yang menjelaskan nilai parameter trafik dan multiplexing gain yang dihasilkan jika nilai parameter trafik deskriptor ini digunakan untuk panggilan masuk. PENDEKATAN PEMECAHAN MASALAH
Data Video Variable Bit Rate 1. One-Layer Encoding
Frame video dibagi menjadi sejumlah blok tetap. Untuk setiap blok dalam current frame , sebuah blok pada previous frame ditemukan bahwa memprediksi terbaik current block. Jika gerak-kompensasi yang dihasilkan blok prediksi cukup dekat ke current block, blok akan diberi kode sebagai blok predictive (P), jika tidak, blok akan dikodekan sebagai blok intra (I). Untuk blok P, hanya perbedaan informasi antara blok awal dan blok yang diperkirakan dikirim. Frame P berisi minimal satu blok P, sementara frame I berisi hanya satu blok I. Karena P blok menggunakan informasi sebelumnya, frame P biasanya ditandai oleh bit rate moderat, sementara frame I ditandai oleh berbagai rate tertinggi, sebagaimana diperlihatkan pada Gambar 1.
Gambar 1. Deret Waktu Frame I dan P pada Video Foreman
Gambar 2. Deret Waktu Frame P pada Video Foreman
Gambar 3. Deret Waktu Frame P pada Video Sony Demo
MPEG-2 juga memungkinkan menghasilkan frame B. biasanya, frame B ditandai dengan rate terendah, karena mereka dapat menggunakan prediksi dari kedua frame sebelumnya (I) dan frame berikutnya (P). Namun, dalam simulasi ini tidak menganalisis frame B.
Hasil simulasi dari Gambar 1 – 2 di atas berdasarkan data yang disimulasikan dari trace video Verbose_foreman_2_0 dapat dilihat bahwa Garis vertikal merupakan panjang bit (bit/frame) sedangkan garis horizontal adalah menujukan sampling waktu (ms).
Pada Gambar 1 menampilkan bentuk time series dari blok (I) dan blok (P), dimana pada one-layer encoding sesuai dengan standar H. 261 encoder dapat memprediksi bahwa frame pertama adalah frame I dengan waktu kemunculan frame/blok
(I) pada setiap 11 blok (P), dimana blok P yang merupakan frame berikutnya. Bit terendah blok (I) adalah bernilai 14536 bit/frame berada diantara bit rate tertinggi dari frame P; 9944 bit/frame dan 10040 bit/frame, dan berada pada selang waktu 11520 mili detik. Dari data trace video ini terlihat juga bahwa jumlah keseluruhan frame P adalah 183 blok dan frame I adalah 16 blok. Gambar 2 menampilkan bentuk time series dari frame P, tanpa frame I, sepanjang rentang waktu 0 – 15920 ms, dengan bit rate tertinggi adalah 10040 bit.
Pada Gambar 3, Garis vertikal merupakan menunjukan panjang bit (bit/frame) sedangkan garis horizontal adalah Frame indeks sebagai sampling waktu (ms). Hasil simulasi one-layer time series frame P dari verbose trace video sony demo, dari hasil simulasi ini menunjukkan bahwa frame P terdiri dari 7721 blok (P) dengan bit rate tertinggi ada pada 126769 bit/frame.
2. Two-Layer Encoding
Proses encoding base-layer identik dengan sebuah nonlayered encoder. Koefisien kuantisasi DCT dari base-layer (setelah dequantized) adalah dikurangkan dari masukan DCT blok. Menghasilkan kuantisasi kesalahan dari bitstream enhancement-layer.
Data yang digunakan untuk pengkodean dua-layer adalah video sony demo pada temporal scalable. Video ini berdurasi 10 menit. Deret waktu dari video tersebut ditunjukkan pada gambar 4 berikut.
Gambar 4. Deret Waktu Pada Video Sony Demo Temporal Scalable (Dua
Layer) Pemodelan ARIMA
1. Satu Layer : Pemodelan Frame P pada Video Foremen
Dari gambar 5, grafik ACF dan PACF dapat ditentukan orde lag p dan q. Grafik ACF menunjukan penurunan yang drastis ACF dengan meningkatnya orde lag q, ini dapat dikategorikan bahwa orde q=0. Sedangkan grafik PACF menunjukan orde p=1.
Dengan demikian diperoleh model AR(1).
Gambar 5. Grafik ACF dan PACF dari video foremen
Gambar 6. Grafik Scatter dari video foremen dan prediksinya Sedangkan pada gambar 6 menunjukkan grafik scatter plot antara data dengan data prediksinya.
2. Satu Layer: Pemodelan Frame P pada video Sony Demo Single Layer
Dari gambar 7, grafik ACF dan PACF dapat ditentukan orde lag p dan q. Diperoleh model ARIMA (5,1,6) dengan menggunakan metode AIC, di mana dipilih nilai AIC terkecil. Penggunaan AIC ini dilakukan karena menduga orde lag p dan q menggunakan grafik ACF dan PACF tidak terlalu mudah apabila data yang digunakan sudah sangat banyak.
Sedangkan pada gambar 8 merupakan grafik scatter plot antara data video sony single layer dengan data prediksinya. Nampak bahwa data
terakumulasi ditengah scatter plotnya. Gambar 7. ACF dan PACF dari
Video Single Layer
Gambar 8. Scatter Plot dari Video Sony Demo dan data prediksinya.
3. Dua Layer: Pemodelan Video Sony Demo pada Temporal Scalable
Dari gambar 9, grafik ACF dan PACF dapat ditentukan orde lag p dan q. Diperoleh model ARIMA (2,1,2) dengan menggunakan metode AIC, di mana dipilih nilai AIC terkecil.
Penggunaan AIC ini dilakukan karena menduga orde lag p dan q menggunakan grafik ACF dan PACF tidak terlalu mudah apabila data yang digunakan sudah sangat banyak dan kompleks.
Sedangkan pada gambar 10 merupakan grafik scatter plot antara data video sony single layer dengan
Gambar 9. ACF dan PACF dari Video Temporal Scalable Sony
Demo
Gambar 10. Scatter Plot dari Data Temporal dan Data Prediksinya
untuk Video Sony Demo
Hasil dan Diskusi
1. Validasi Model Pada Satu Layer
Gambar 11. QQPlot untuk model VAR(1) pada Video Foremen
Gambar 12. Distribusi Normal pada kedua video single layer (Foremen
dan Sony Demo)
Hasil model AR(1) pada video foremen divalidasi menggunakan qqplot. Pada gambar 11 nampak bahwa hasil qqplot mengikuti garis referensi 45 derajat. Hal ini menunjukkan bahwa antara data video foremen dan data prediksinya berasal dari distribusi yang sama.
Pada gambar 12 ditunjukkan bahwa kedua video single layer (foremen dan sony demo) mempunyai distribusi normal. Uji dilakukan dengan menggunakan qqnorm.
Gambar 13. QQPlot untuk model Video Sony Demo pada Single
Layer
Hasil model ARIMA(5,1,6) pada video foremen divalidasi menggunakan qqplot. Pada gambar 13 nampak bahwa hasil qqplot mengikuti garis referensi 45 derajat, namun pada frame sekitar 300.000 menunjukkan bahwa data video sony memiliki jumlah bit/frame yang lebih besar dibandingkan data prediksi dengan model ARIMA(5,1,6)
Gambar 14. QQPlot untuk model Video Sony Demo pada Temporal
Scalable
2. Validasi Model Pada Dua Layer
Hasil model ARIMA(2,1,2) pada video foremen divalidasi menggunakan qqplot. Pada gambar 14 nampak bahwa hasil qqplot mengikuti garis referensi 45 derajat, namun pada frame sekitar 250.000 menunjukkan bahwa data video sony memiliki jumlah bit/frame yang lebih besar dibandingkan data prediksi dengan model ARIMA(2,1,2).
Apabila di bandingkan dengan gambar 13, nampak bahwa jumlah bit/frame dari video dua layer lebih besar dari single namun dengan model yang lebih baikdan sederhana. KESIMPULAN
Model Two-Layer Encoding dari video temporal scalable (ARIMA (2,1,2)) lebih sederhana (jumlah orde lag p-nya lebih kecil) daripada model single-layer encoding dari video sony demo (ARIMA(5,1,6)).
Walaupun dengan model ARIMA dari two-layer yang lebih sederhana, namun jumlah bit/frame-nya lebih besar daripada single-layer.
DAFTAR PUSTAKA
[1] Kavhita Chandra, Amy R.Reibman, “Modeling One and Two-Layer Variable Bit Rate Video” IEEE/ACM Transaction
On Networking, Vol. 7 No. 2, June 1999
[2] Min Dai, Yueping Zhang, and Dmitri Loguinov,”A Unified Traffic Model for MPEG-4 and H.264 Video Traces”,IEEE Transactions on Multimedia, VOL. 11, NO. 5, AUGUST 2009
