作者：Purdue University 来源：ACM SIGCOMM '23 论文题目：Veritas: Answering Causal Queries from Video Streaming Traces 论文链接：https://dl.acm.org/doi/pdf/10.1145/3603269.3604828 代码连接：https://github.com/Purdue-ISL/Veritas 内容整理：王柯喻
引言
在目前的视频流媒体的研究中，因果查询通常用来研究不同因素之间的因果关系，这种分析可以帮助视频流媒体服务提供商了解特定因素如何影响用户体验，从而优化服务。但在实际场景中，很难进行完全随机的实验来确定不同因素之间的因果关系，特别是当涉及到网络性能、用户行为和视频质量等复杂因素时。本文提出了 Veritas 框架，该框架利用现有的记录数据，因果推理和反事实查询，来推断不同设计选择（不同的 ABR 算法、ABR 算法中新的视频质量选项等）对视频流媒体性能的影响，因此，Veritas 框架能通过不同的设计来推断对视频流媒体性能的影响，有助于改善视频流媒体服务的高效性和稳定性。
挑战
在视频流媒体的因果推理中，具有诸多限制因素与技术挑战如：
- 传统机器学习具有局限性。如神经网络和决策树仅仅判断了已收集数据的相关性，限制了它们只能进行关联性预测，不满足因果推理的要求。
- 存在混淆因素。ABR算法决策依赖于网络条件。由于其自适应性质，会话期间遇到的网络条件会作为潜在的混淆变量，导致数据中出现复杂的伪相关关系。
- 级联效应。不同 video chunk、bitrate 的选择会对缓冲区占用、比特率选择以及未来块的下载产生级联影响。
面对上述挑战，本文提出了 Veritas 框架，Veritas 是一种用于视频流媒体中因果推理的新型框架。与复杂的机器学习模型或 RTC （随机对照实验）不同，Veritas 仅依赖于简单易懂的机器学习模型，并且只需要预录制的数据。
Veritas框架
视频流中的因果关系
图1 视频流中的因果图
上图为描述视频流中因果依赖关系的有向无环图，这些变量之间的因果依赖关系可以总结如下：
