2.1 개인화된 동영상 추천 시스템

동영상 서비스는 사용자의 만족을 위해 최대한 많은 개수의 동영상을 확보하여 제공하는데, 사용자가 그 수많은 동영상을 전부 볼 수 없기 때문에 특정한 기준으로 동영상을 선별하여 추천하는 방법들이 연구되었다.

처음에는 동영상 컨텐츠의 정보만을 기반으로 추천⁽¹⁾하는 연구가 진행되었다. 동영상의 제목과 설명의 유사도 또는 인기도 순위 등의 기준으로 선정하여 추천하는 것이다. 이러한 방법은 어떤 사용자에게도 해당 동영상 서비스에서 제공하는 주요 동영상 컨텐츠를 추천해 줄 수 있었지만, 각 개인의 취향을 전혀 반영하지 못하였기 때문에 어떤 사람들에게는 추천의 정확도가 떨어지는 문제가 있었다.

모든 사용자에게 동일한 동영상들을 추천하는 것보다, 각 사용자의 정보를 활용하여 개개인에게 맞춤형 서비스를 제공하는 것이 전체적인 사용자의 만족도가 높을 것이라는 가정에 기반하여 개인화된 동영상 추천시스템⁽²⁾이 연구되었다. 이러한 연구에서는 사용자가 동영상을 시청했던 기록을 활용하여 각 사용자에게 맞춤형 추천 동영상을 제공한다. 사용자의 시청기록⁽³⁾뿐만 아니라, 상황을 인식하여 추천하는 방법⁽⁴⁾도 연구되었다.

2.2 동영상 프리페칭 시스템

프리페칭은 클라이언트가 데이터를 요청하기 전에 미리 전송하는 방법으로, 요청 이후 전송받기까지의 지연을 줄일 수 있다. 처음에는 비교적 크기가 작은 웹 콘텐츠⁽⁵⁾, 프록시 서버⁽⁶⁾등이 프리페칭 대상이었지만, 조금 더 확장하여 동영상의 일부분인 작은 청크⁽⁷⁾를 프리페칭 하는 방법도 연구되었다.

특히, 동영상의 재생을 시작하는데 전체가 필요한것이 아닌 방식의 동영상들은 앞부분의 일부만 수신하여도 재생을 시작할 수 있고, 이런 특징을 통해 동영상의 일부만 프리페칭함으로써 재생 지연을 감소시키는 연구⁽⁸⁾가 있었다. .

최근에는 모바일 소셜 동영상 프리페칭을 위해 사용자의 동영상 선호, 인기도, 소셜 상호작용을 공식화하여 프리페칭하는 연구⁽⁹⁾가 있었다.

우리의 지난 연구에서는 동영상 서비스에서 프리페칭 적중률 향상을 위해 동영상 간의 순서 관계와 유사도, 각 동영상의 인기도를 고려한 동영상 프리페칭 기법⁽¹⁰⁾을 적용하였다. 본 논문에서는 3가지의 서로 다른 기준을 동시에 고려하기 위해서 각 기준을 수치화하여 합산하는 프리페칭 지수를 정의하였다. 각 동영상들의 프리페칭 지수를 계산하고, 그 프리페칭 지수가 높은 동영상들을 선정하여 프리페칭하는 것이다. 실험의 결과를 통해, 한 가지 기준으로 프리페칭 하는 것보다 3가지 기준을 결합하여 프리페칭 하는 것이 더 정확도가 높음을 확인하였다.

2.3 에지 컴퓨팅

네트워크의 발전과 확장으로 인해 클라우드 컴퓨팅 모델⁽¹¹⁾이 개발되어 그에 따라 기존의 서버와 클라이언트 이외에 네트워크의 에지영역에 존재하는 에지 노드⁽¹²⁾를 새로운 네트워크 노드로 활용하는 방법들이 연구되었다. 그중에서도 동영상 전송과 관련한 연구⁽¹³⁾가 에지 노드를 프리페칭에 활용하는 연구의 동기가 되었다. 이 연구에서는 에지 노드 기반의 동영상 서비스에서 사용자의 만족도를 높이기 위해 어떤 동영상의 어떤 세그먼트를 캐시하거나 프리페칭 할지를 인공지능을 통해 결정하는 방법으로 에지 노드를 활용하였다. 이 방법은 모든 사용자의 전체 만족도를 높이는 방법이지만, 각 사용자에게 개인화된 서비스를 제공하지는 못하는 단점이 있다.

3.1 전체 구조

그림 1은 제안하는 에지 노드 구조와 기존의 동영상 스트리밍 서비스들의 구조를 비교하는 그림이다. 원본 서버에는 동영상 서비스에서 제공하는 동영상의 원본 파일이 저장되어있다. 기존 서버-클라이언트 구조의 서버와 같은 역할이지만, 에지 노드에 프리페칭된 동영상과 명확히 구별하기 위해 본 연구에서는 원본 서버로 칭한다.

에지 노드는 원본 서버와 클라이언트 사이에 위치한다. 그래서 원본 서버와 클라이언트 사이의 전송 시간보다 에지 노드와 클라이언트 사이의 전송 시간이 더 짧다. 즉, 원본 서버에서 모든 동영상을 제공하는 것보다 에지 노드에서 동영상의 앞부분 일부를 제공하는 것이 더 빠른 것이다.

클라이언트는 사용자가 조작하는 디바이스이고, 또한 동영상을 시청하기 위한 재생기이다.

3.2 원본 서버와 에지 노드의 상호작용

원본 서버에는 동영상 서비스에서 제공하는 모든 동영상의 원본 파일이 저장되어 있고, 에지 노드는 그 동영상들 중에서 사용자가 시청할 것으로 예상되는 동영상의 일부를 전송받아 저장한다. 이것은 클라이언트의 요청과 상관없이 에지 노드가 사용자의 정보를 기반으로 판단하여 원본 서버에 프리페칭을 요청하는 것이다. 원본 서버는 요청받은 동영상의 일부를 전송해주는 역할만을 수행한다.

에지 노드가 클라이언트로부터 동영상 요청을 받았을 때, 그 동영상이 프리페칭 되어있는지 아닌지에 따라 다른 동작을 하게된다. 프리페칭 되어있는 동영상을 요청받았을 경우, 에지 노드는 프리페칭 되어있는 부분을 클라이언트로 전송하면서, 원본 서버에는 프리페칭 된 부분의 뒷부분을 요청한다. 원본 서버는 그 뒷부분을 이어서 보내준다.

클라이언트가 요청한 동영상이 에지 노드에 프리페칭 되어있지 않을 경우에는 에지노드가 원본 서버에 해당 동영상을 요청한다. 이 경우에는 동영상의 맨 처음부터 보내주게 된다.

3.3 에지 노드와 클라이언트의 상호작용

에지 노드는 클라이언트의 모든 요청을 처리한다. 클라이언트가 동영상을 요청하면 에지 노드는 프리페칭 여부에 따라 다르게 동작하지만, 결과적으로 온전한 동영상을 클라이언트로 전송해주게 된다. 클라이언트 입장에서는 에지 노드와 원본 서버를 구별할 수 없다.

에지 노드는 클라이언트의 동영상 시청 내역을 계속 기록하여 분석에 활용한다. 사용자가 어떤 동영상을 언제 시청하였는지, 어느 채널을 구독하는지 등의 서비스 사용 내역을 에지 노드가 관리하게 된다.

기존 서버-클라이언트 구조와 비교하여 에지 노드를 한번 거치게 되는 것이 단점이지만, 프리페칭이 적중했을 때 더 빠르게 전송받을 수 있고 에지 노드가 원본 서버에 집중될 부담을 나눌 수 있는 장점이 있다.

4.1 프리페칭 동영상 선정기준

제안하는 프리페칭 메커니즘에서는 5가지의 선정기준을 사용하여 프리페칭의 대상이 될 동영상을 선정한다.

첫 번째 기준은 인기 있는 동영상이다. 구체적으로는 조회수가 높은 동영상으로, 많은 사람이 시청한 동영상이라면 해당 사용자가 시청할 확률이 높다는 가정이다.

두 번째 기준은 사용자가 기존에 시청한 동영상과 같은 재생목록에 있는 동영상이다. 여기서 재생목록이란 동영상 서비스 제공자 또는 동영상 업로더 또는 기타 사용자가 생성하는 여러 동영상의 집합체이다. 어떤 이유로든 누군가 재생목록을 생성하였다면, 그 동영상들은 무언가의 연관관계가 있을것이고, 그 중 하나를 시청하였다면 다른 하나도 시청할 확률이 높다는 가정이다.

세 번째 기준은 사용자가 선호하는 업로더의 동영상이다. 해당 사용자가 특정 업로더의 동영상들을 다수 시청하였다면, 그 업로더의 다른 동영상 또한 시청할 확률이 높다는 가정이다.

네 번째 기준은 사용자가 선호하는 카테고리의 동영상이다. 세 번째와 비슷하게 동영상 서비스에서 제공하는 여러가지 카테고리 중에서 사용자가 특정 카테고리의 동영상들을 다수 시청하였다면, 그 카테고리의 다른 동영상 또한 시청할 확률이 높다는 가정이다.

다섯 번째 기준은 사용자가 구독 중인 채널의 동영상이다. 동영상 서비스에 따라 업로더는 채널과 비슷한 개념으로 사용되지만, 사용자가 구독하는 행위의 대상은 채널로 통용된다. 사용자가 특정 채널을 구독하고 있다면, 해당 채널의 다른 동영상들을 시청할 확률이 높다는 가정이다.

4.2 개인화

동영상 서비스의 사용자는 동영상 시청의 경향성이 각자 다르기 때문에, 프리페칭에 이것을 반영할 수 있다면 해당 사용자가 시청할 것으로 예상되는 동영상들을 더 많이 프리페칭 할 수 있게 된다. 그렇기 때문에 제안하는 5가지 기준을 일괄적으로 적용하는 것이 아니라, 각 기준에 가중치를 주어서 기준별 프리페칭 개수를 변동시킬 필요가 있다. 예를 들어, IT 카테고리의 동영상을 계속 시청하는 사용자에게 선호 카테고리의 동영상을 더 많이 프리패칭 해준다면, 그 사용자가 프리페칭 된 동영상을 선택할 확률이 높아지게 되는 것이다.

5가지 기준의 프리페칭 개수에 가중치를 적용하는 가장 기본적인 방법은 사용자가 지금까지 해당 기준의 동영상을 선택한 비율을 총 프리페칭 개수에 곱하여 나온 값을 해당 기준의 프리페칭 개수로 사용하는 것이다. 즉, 해당 기준의 동영상이 선택된 횟수를 사용자의 총 선택 수로 나눈 값이 가중치가 된다. 특정 기준 $c$에 대한 가중치 $w_{c}$를 수식으로 표현하면 식(1)과 같다.

여기서 $REQ_{c}$은 특정 기준 $c$로 프리페칭 된 동영상을 요청한 횟수이고, $REQ_{all}$은 사용자가 5가지 기준으로 프리페칭 된 동영상을 요청한 총 횟수이다.

식(1)의 가중치를 총 프리페칭 개수에 곱하면, 해당 기준의 프리페칭 개수가 된다. 특정 기준 $c$의 프리페칭 개수 $PV_{c}$를 수식으로 표현하면 식(2)와 같다.

여기서 $PV_{all}$은 총 프리페칭 개수를 의미한다.

만약 사용자가 5가지 기준을 똑같은 비율로 선택했다면, 가중치는 5가지 모두 5분의 1이 되므로, 각 기준이 동일한 프리페칭 개수를 가지게 된다. 반대로 특정 기준 하나를 많이 선택했다면, 그 기준의 가중치만 기본값인 5분의 1보다 커지게 되고 그만큼 다른 4가지 기준의 가중치는 낮아지게 된다.

5.1 클래스 정의

CM(Communication Middleware)은 네트워크 응용서비스 개발에 필요한 기능을 제공하는 프레임워크이다. 본 논문에서는 CM에서 제공하는 서버/클라이언트 구조에서의 상호작용과 사용자 및 세션 관리 기능을 활용하였고 RTP 채널을 통한 동영상 스트리밍 기능을 구현하여 추가하였다. 그림 2는 동영상 스트리밍 기능과 관련된 클래스를 보여준다.

에지 노드와 클라이언트는 CM에서 제공하는 TCP 채널로 연결되어있다. 이 채널을 통해 서로에게 요청하고 응답하는 것으로 상호 작용한다.

CMServerApp과 CMClientApp은 각각 서버와 클라이언트로서의 동작을 수행한다. 에지 노드가 원본 서버는 아니지만, 클라이언트 입장에서 원본 서버와 구별되지 않고 클라이언트의 요청을 처리하고 응답하기 때문에 편의상 CM에서 서버로 구현하였다.

CMStreamingManager는 동영상 스트리밍에 관련된 모든 동작을 관리한다. CMServerApp과 CMClientApp에서 서로에게 요청을 보내거나, 요청에 대한 처리 이후에 응답을 보낼 때, CMStreamingManager의 기능을 실행하여 이벤트 형식으로 상대에게 보내는 것이다.

CMStreamingApp은 클라이언트에서 일종의 동영상 재생기로서 동작한다. 전송받은 동영상을 GUI를 통해 화면에 표시하는 것이다.

CMSendVideoTask와 CMRecvVideoTask는 각각 동영상을 보내고 받는 역할을 수행한다. 양측이 각각 발신, 수신의 준비가 끝나면 동영상의 각 프레임이 UDP 채널을 통해 전송되고 클라이언트에 전송된 동영상이 화면에 표시된다.

5.2 프리페칭 시나리오

에지 노드에서 프리페칭은 다음 시나리오대로 동작한다.

사용자가 동영상 서비스를 이용하고 있지 않을 때, 에지 노드는 프리페칭 동작을 시작한다. 먼저 5가지 선정기준 별 가중치를 4.2절에서 서술한 대로 계산하여 각 선정기준에 따른 프리페칭 할 동영상의 개수를 확정한다. 그리고 프리페칭 대상 목록을 생성하여 각 선정기준에 맞는 동영상들을 목록에 추가한다. 이 과정에서 기존에 시청했던 동영상과 이미 프리페칭 되어있는 동영상, 그리고 목록에 존재하는 동영상을 제외한다.

먼저 가장 단순한 인기 있는 동영상을 프리페칭 개수만큼 추가한다. 이 기준은 사용자의 정보와 상관없이 동영상 서비스의 조회수가 높은 동영상들을 선정하기 때문에 간단하고 이전 시청 기록이 없는 사용자에게도 적용된다.

다음으로 사용자가 최근에 시청한 동영상과 같은 재생목록에 있는 동영상들을 추가한다. 재생목록이 없는 동영상을 시청하였을 경우를 제외하고, 가장 최근에 본 동영상의 재생목록에서부터 정해진 프리페칭 개수에 도달할 때까지 추가한다.

그 다음으로는 선호 업로더와 선호 카테고리의 동영상을 추가한다. 이 기준은 사용자의 시청 기록을 누적시키면서 업로더별 시청 횟수와 카테고리별 시청 횟수를 계산해놓는 것이 필요하다. 그 중에서 시청 횟수가 높은 업로더와 카테고리에서 동영상을 추가한다.

마지막으로 사용자가 구독 중인 채널의 동영상을 추가한다. 특히 가장 최근에 구독한 채널의 최근에 업로드된 동영상을 우선으로 하지만, 한 채널에서만 과도하게 프리페칭 되는경우를 제한하기 위해 한 개의 채널에서 3개 이하의 동영상까지만 추가하는 것으로 정하였다.

위의 5가지 선정기준에 따라 프리페칭 대상 목록이 완성되고 나면, 에지 노드는 원본 서버에 해당 목록의 동영상의 프리페칭을 요청한다. 원본 서버는 그것에 대한 응답으로 해당 동영상들의 앞부분 일부를 전송한다. 에지 노드는 전송받은 동영상을 프리페칭 저장소에 저장하는 것으로 프리페칭 동작은 끝난다.

이러한 과정으로 에지 노드가 프리페칭 동영상을 보유하고 있고, 클라이언트에서 동영상을 요청하게 되면 그 동영상이 프리페칭 되어있는지 확인한다. 요청한 동영상이 프리페칭 되어있는 동영상이라면, 즉시 프리페칭 되어있는 부분을 클라이언트로 전송해주고, 원본 서버에는 프리페칭 되어있지 않은 부분을 요청한다. 원본 서버가 보내주는 부분을 클라이언트로 이어서 보내주면 클라이언트는 전체 동영상을 볼 수 있게 된다.

하지만 클라이언트가 요청한 동영상이 프리페칭 되어있지 않은 동영상이라면, 해당 동영상을 원본 서버에게 요청하여 클라이언트로 보내준다. 이런 경우엔 에지 노드가 동영상 전송의 중계 역할을 하는 것이다.

6.1 실험 환경

실험을 위해 가상의 사용자 시청 기록을 생성한다. 사용자가 동영상을 시청하는 것을 사용자 모델링을 통해 확률에 기반하여 동영상을 선택하는 것으로 시뮬레이션하는 것이다. 그러나 시뮬레이션에서는 어느 동영상을 선택하였는지보다 어느 선정기준으로 프리페칭 된 동영상을 선택하였는지가 중요하기 때문에, 선정기준을 먼저 선택하고, 그 선정기준으로 프리페칭 될 동영상 중에서 임의의 동영상을 선택하여 시청 기록을 생성하였다. 즉, 가상의 사용자 시청 기록은 4장에서 소개된 5가지 선정기준 중에서 특정 확률로 하나를 선택하고 그 기준으로 프리페칭 될 동영상 중의 하나를 시청한 것으로 간주한다. 5가지의 선정기준을 같은 확률인 20%로 선택하는 사용자뿐 아니라 다양한 성향을 반영하기 위해 특정 기준을 20%, 40%, 60%, 80%로 선택하고 나머지 4가지 기준을 동일한 확률로 선택하는 사용자도 모델링 하였다. 본 실험에 사용된 컴퓨터 환경은 다음 표 1과 같다.

6.2 실험 환경

프리페칭의 정확도를 측정하기 위해, 분류기의 정확도를 측정하기 위한 개념인 Precision과 Recall을 응용하여 평가 기준으로 하였다. 분류기가 참, 거짓으로 분류하는 것을 에지 노드의 프리페칭 여부로 대응한다면 실제 참, 거짓은 사용자가 해당 동영상을 시청했는지로 대응할 수 있다. 그렇다면 프리페칭에서의 Precision은 프리페칭이 된 동영상 중에서 사용자가 시청한 동영상의 비율을 의미하고, 마찬가지로 프리페칭에서의 Recall은 사용자가 시청한 동영상 중에서 프리페칭 된 동영상의 비율을 의미하는 것이다.

제안하는 방법과의 비교를 위해 인기도만을 기준으로 하는 프리페칭과 개인화 방법을 제외한 프리페칭 방법으로도 실험하였다. 4.2절의 가중치 계산 및 프리페칭 개수조정이 없으므로 동영상이 5가지 기준으로 처음부터 끝까지 10개씩 프리페칭 된다는 의미이다.

실험은 5장의 구현을 토대로 사용자 모델링을 통해 생성한 가상의 사용자 시청 기록으로 에지 노드가 프리페칭한 동영상을 얼마나 시청하는지 확인하였다. 각 사용자의 1일 동영상 시청 개수는 0~10개로 임의로 지정하였고 실험 기간은 30일로 제한하였다. 따라서 모든 사용자는 최소 0개에서 최대 300개의 동영상 시청 기록을 가지게 된다.

6.3 결과

그림 3~7은 각각의 선정기준의 선택 확률이 증가함에 따라 평균 Precision과 평균 Recall이 어떻게 변하는지 표현한 그래프이다.

5가지 기준 모두 해당 기준의 확률이 높은 사용자 모델일수록 평균 Precision과 평균 Recall이 높아지는 경향을 보였다. 이것은 사용자가 특정 선정기준을 많이 선택할수록 제안하는 프리페칭 방법이 사용자에게 맞는 동영상들을 더 많이 프리페칭 한다는 것을 의미한다.

표 2는 제안하는 방법과 기존의 인기도 프리페칭 방법을 비교하는 실험의 결과이다.

나머지 모든 사용자 모델링에서는 제안하는 방법의 평균 Recall이 인기도 프리페칭보다 더 높았으나, 80%의 높은 확률로 인기 동영상을 선택하는 사용자들의 경우에 한해 제안하는 방법보다 더 높았다. 이것은 사용자의 선택 경향을 그대로 반영한 방법으로 프리페칭 했기 때문이다. 또한, 사용자들의 인기 동영상 선택 확률과 평균 Recall의 수치가 매우 근접한 것도 동일한 원인의 결과로 보인다. 다만 평균 Precision의 경우에는 인기도 프리페칭이 한정된 동영상만을 프리페칭 해서 높은 수치의 결과를 얻게 되었다.

인기도가 아닌 다른 4가지 기준을 더 많이 선택하는 사용자들은 인기도 프리페칭을 했을 때 평균 Precision과 평균 Recall이 20%의 동일한 확률로 선택한 사용자들보다 낮았고, 인기도를 선택하는 확률이 낮을수록 평균 Recall은 더 낮아졌다. 이것은 인기도 프리페칭의 고정된 기준이 사용자의 선택 경향과 맞지 않았고 시간이 지날수록 그 차이가 누적되었기 때문이다.

표 3은 제안하는 방법과 프리페칭 개수조정이 없는 일괄 프리페칭 방법을 비교하는 실험의 결과이다.

일괄 프리페칭은 시청 기록에 따른 가중치 계산과 그 결과로 프리페칭 개수를 조정하는 부분이 없으므로 처음부터 끝까지 계속 같은 개수로 프리페칭을 하게 된다. 따라서 20%로 동등하게 기준을 선택하는 사용자의 경우엔 큰 차이가 없으나, 선택 확률이 높아질수록 해당 기준의 동영상을 프리페칭 하는 데에 한계가 생기므로, 제안하는 방법보다 평균 Precision과 평균 Recall이 낮은 것을 알 수 있다.