https://doi.org/10.37815/rte.v37n1.1308
ArtÃculos originales
Evaluation of an Adaptive Video Control Algorithm using Traditional
Routing and SDN
Marlon
Gomezcoello RodrÃguez1
Justin
Picón Barros<=
span
lang=3DPT-BR style=3D'mso-ansi-language:PT-BR'>1Â =
https://orcid.org/0009-0008-6319-47=
50, Santiago González MartÃnez1 https://orcid.org/0000-0001-6604-88=
9X
=
1Uni=
versidad
xavier.gomezcoello94@ucuenca.edu.ec,
justin.picon@ucuenca.e=
du.ec,
santiago.gonzalezm@ucu=
enca.edu.ec
Enviado:Â Â Â Â=
  2025/04/11
Aceptado:Â Â Â Â Â Â 2025/05/15
Publicado:
    2025/06/30
Resumen
Sumario: Introducción, =
Materiales y Métodos, Resultados y Discusión, Conclusiones. Como citar:<=
/span> Gomezcoello, M., Picón, J. & González, S. (2025). Evalua=
ción
de un algoritmo de control para video adaptativo empleando enrutamiento
tradicional y SDN. Revista Tecnológica - Espol, 37(1),=
264-284. https://rte.espol.edu.ec/index.php/tecnologica/article/view/1308=
Actualmente, según=
el Cisco
Annual Internet Report, entre el 80% y el 85% del tráfico de datos en Inte=
rnet
es generado por contenido en video. Esto hace imperativo desarrollar métod=
os o
algoritmos que permitan una transmisión eficiente de contenido multimedia a
través de la red. En este contexto, el presente artÃculo propone un algor=
itmo
optimizado para el control de tráfico de video en un entorno SDN, con el
objetivo de permitir una transmisión adaptativa en tiempo real. La metodol=
ogÃa
incluyó la transmisión de un video codificado a un bitrate mÃnimo;
posteriormente, se midió el ancho de banda de la red a partir de los cuale=
s se
ajustó la tasa de codificación y la calidad del video; y, finalmente, el
contenido se reprodujo en el lado del cliente. Los resultados obtenidos
mediante el algoritmo de control se compararon con los generados por protoc=
olos
de enrutamiento comunes como Routing Information Protocol (RIP) y
=
Pa=
labras
clave: =
streaming,
adaptable, rip, ospf, redes definidas por software.
Abstract
Currently, according to the Ci=
sco
Annual Internet Report, between 80% and 85% of internet data traffic is
generated by video content, making it imperative to develop methods or
algorithms that enable the efficient transmission of multimedia content ove=
r the
network. In this context, this article proposes an optimized algorithm for
video traffic control in an SDN environment, allowing for adaptive real-time
transmission. The methodology consists of the following stages: first, the
video is transmitted at a minimum encoded bitrate; then, the available netw=
ork
bandwidth is measured, based on which the encoding rate and video quality a=
re
adjusted; and finally, the video is played on the client side. The results
obtained using the control algorithm were compared with those obtained using
common routing protocols such as RIP (Routing Information Protocol) and OSPF
(Open Shortest Path First). The use of the control algorithm resulted in an
18.1% lower delay compared to RIP and a 94.8% lower delay compared to OSPF.=
Under
background traffic conditions, SDN demonstrated a 27.23% lower delay than R=
IP
and a 54.1% lower delay than OSPF. The main contribution of this work is,
through the implementation of a testbed, the analysis of a mechanism that
improves quality of service (QoS) and quality of experience (QoE) by optimi=
zing
real-time video transmission through the selection of the best route and/or=
the
dynamic adjustment of video bitrate according to network conditions.
Introducción
Las Redes Definidas por Software (S= DN) representan un paradigma innovador en el campo de las redes informáticas, = en el cual los administradores emplean herramientas de software para gestionar su= s infraestructuras de red. La SDN optimiza la capacidad de administración al enfocarse en un controlador lógicamente centralizado que proporciona interfaces de configuración de alto nivel y abstracciones de red (Bonaventure et al. 201= 7).
En el contexto de los proveedores de servicios de Internet (ISP) y las redes empresariales actuales, las redes S= DN desempeñan un papel crucial. Esto se debe a que las demandas y requisitos = de las redes de los ISP están en constante evolución debido al creciente con= sumo de contenido multimedia.
Un estudio de Sandvine revela que e= n 2022 el 65% del tráfico de Internet fue generado por el consumo de video, un au= mento del 24% respecto al año anterior (Sam, 2023). Estos datos evidencian el pa= pel crucial del video en las redes, destacando la necesidad de optimizar su gestión. Esto podrÃa lograrse mediante sistemas de control que mejoren la entrega de contenido, ya sea, ajustando la calidad del video según el anch= o de banda disponible.
A continuación, se discuten los pr= incipales trabajos relacionados disponibles en la literatura sobre el tema. En Makolk= ina et al. (2017), los autores destacan la importancia de explorar nuevas forma= s de entregar contenido de video a los usuarios, particularmente mediante redes definidas por software (SDN). En su estudio, implementaron una infraestruct= ura de IPTV sobre SDN para evaluar el impacto de esta tecnologÃa en la calidad= de transmisión de video. La topologÃa de prueba consistió en tres switches = OpenFlow conectados en anillo. Se analizó el retardo de paquetes en una red con SDN= y en una red tradicional sin controlador SDN. Los resultados muestran un retardo promedio de 1.8 ms en la red SDN frente a 11.2 ms en la red tradicional, lo= que sugiere que la arquitectura SDN es una opción eficaz para la distribución= de contenido multimedia.
Para ajustar el tráfico de video s= egún la congestión de la red y reducir los tiempos de carga, se emplea el método descrito en Lin (2015), que prioriza las necesidades de los usuarios. A cada usuario se le asigna una prioridad en función de sus requerimientos de cal= idad de video: por ejemplo, los usuarios que solicitan video en alta definición reciben mayor prioridad que aquellos que solicitan baja definición. El sis= tema utiliza un algoritmo de enrutamiento multitrayectoria que considera tanto l= as prioridades de los usuarios como la carga de la red para seleccionar las ru= tas óptimas para cada flujo de video, además, incorpora un mecanismo de contr= ol de congestión que, al detectar saturación, reduce el ancho de banda de los f= lujos de menor prioridad. Los experimentos muestran que los clientes de mayor prioridad cuentan con una tasa de datos garantizada de 1.5 Mbps, mientras q= ue los de menor prioridad reciben 1 Mbps.
En Jiawei et al. (2018), se propone= un algoritmo de enrutamiento multipath dinámico y adaptativo para redes defin= idas por software (SDN), que considera la pérdida de paquetes, el retardo y el = ancho de banda como restricciones. Este algoritmo, llamado Dynamic and Adaptive Multi-path Routing (DAMR), emplea la información de estado global del controlador SDN para calcular rutas óptimas, distribuyendo el tráfico a t= ravés de múltiples caminos y mejorando asà el rendimiento de la red, además, m= inimiza el impacto de fallas al redirigir rápidamente el tráfico a rutas alternat= ivas. En simulaciones de redes SDN a gran escala, DAMR mostró solo un 10% de pé= rdida de paquetes frente al 60% del enrutamiento de un solo camino, y un retardo = de 0.05 ms frente a 0.4 ms.
En Banchuen et al. (2018) se destac= a la relevancia de la videoconferencia en telecomunicaciones y la necesidad de asegurar una alta calidad de servicio. Para optimizar el rendimiento sin modificar la aplicación cliente, se propone el uso de redes SDN, implement= ando la técnica de par de paquetes para evaluar el ancho de banda y el retardo = entre clientes. Esto permite al controlador SDN elegir la mejor ruta, basándose = en la topologÃa, puertas de enlace, direcciones de host, latencia y ancho de ban= da disponible. En las pruebas, la red SDN mostró una latencia de 100 ms, significativamente menor que los 230 ms obtenidos en una red tradicional.
La construcción de árboles de mul= tidifusión es una técnica común en redes tradicionales para implementar multicast. E= n Sheu et al. (2015), los autores proponen el algoritmo Maximum Bandwidth Utilization Algorithms with Shortest Path (MBUA-SP) para transmitir vid= eo en entornos SDN. Este algoritmo tiene como objetivo optimizar el ancho de b= anda máximo disponible entre el origen y cada cliente a lo largo de la ruta con menor latencia, maximizando el rendimiento del enlace servidor-cliente ante= s de enfrentar problemas de throughput. Los resultados experimentales muestran q= ue el algoritmo reduce la tasa de rechazo en un 20% en comparación con el algoritmo de multicast Shortest-path tree (SPT) y aumenta la utiliza= ción del enlace en un 80%, es decir, el porcentaje de ancho de banda consumido respecto al total disponible en la red.
Khan (2023) propone el uso de un al= goritmo centrado en el usuario, priorizando el contenido que más consume, además,= si el usuario prefiere calidades de video altas, el algoritmo entrega dicha calid= ad, siempre y cuando el ancho de banda lo permita, para lo cual se realiza una medición.
En Abar et al. (2021), los autores = aplican el método DASH en SDN para monitorear la calidad del video entregado al usuario, estructurando el enfoque en varias fases: una asignación inicial equitativa del bitrate, seguida de la mejora de la calidad visual mediante un algoritmo especÃfico. El controlador SDN gestiona la red, mien= tras un modelo de procesos de Poisson y técnicas de machine learning optimizan la tasa de bits, incluyendo la selección de bitrate, cuad= ros por segundo y resolución del video. Simulaciones realizadas en Weka, usando Random Forest, AdaBoost y Stacking, mostraron que el método Stacking super= a a Random Forest, logrando una métrica de recuperación de 0.95 frente a 0.92= , por lo que es el más efectivo para predecir recursos óptimos según el comportamiento del usuario.
En Yamansavascilar et al. (2020), l=
os
autores proponen un plano de datos tolerante a fallos denominado DPQoAP (
El estudio en Sayit et al. (2019) p= resenta una arquitectura altamente escalable para diferenciar servicios de red en el contexto de DASH sobre SDN. Esta arquitectura incluye dos componentes clave: módulos de control en el controlador SDN y un marco de optimización para establecer rutas de transmisión hacia los clientes DASH. En la capa de con= trol, el controlador gestiona la red, definiendo rutas de flujo entre clientes y servidor y enviando estas reglas a los conmutadores. Una vez establecidas, = las rutas se actualizan y envÃan a los conmutadores, permitiendo el enrutamien= to dinámico de los paquetes. Los experimentos mostraron un aumento de hasta u= n 83% en la tasa de bits promedio y una reducción del 39% en la variación de ca= lidad de video, en comparación con el enfoque de rutas más cortas.
 =
En Abuteir et al. (2016) se describ= e una nueva técnica para mejorar la entrega de video de alta calidad en redes inalámbricas con múltiples clientes denominado Wireless Network Assist= ed Video Streaming (WNAVS), basado en Redes Definidas por Software (SDN). WNAVS realiza un modelado dinámico del tráfico y asigna ancho de banda en tiempo real a los clientes. En comparación con el método tradicional D= ynamic Adaptive Streaming over HTTP (DASH), los experimentos demostraron que W= NAVS logró una tasa de transmisión de 1000 Kbps para 8 clientes simultáneos, mientras que DASH solo alcanzó 500 Kbps.
 =
En Storck et al. (2020) se implemen= ta el protocolo de Transmisión Adaptativa Dinámica sobre HTTP (DASH, por sus si= glas en inglés) en un servidor V2X, el gNodeB recibe las solicitudes de video enviadas por los vehÃculos a la vez que mide las condiciones de la red, pa= ra de esa manera entregar la mejor calidad de video de acuerdo con el ancho de ba= nda disponible.
En la propuesta expuesta en Dac et = al. (2021), el video a transmitir se divide en varios segmentos y cada segmento= es codificado a diferente tasa, es decir, cada segmento tiene diferente calida= d, los segmentos se almacenan en el lado del cliente en el búfer. Si este se mantiene lleno, indica que hay un buen ancho de banda, lo que permite desca= rgar el segmento de mejor calidad; en cambio, si el búfer no permanece lleno, significa que el ancho de banda ha disminuido, y se opta por descargar segmentos de menor calidad.
La mayorÃa de los reproductores ut= ilizan algoritmos de tasa de bits adaptativa para elegir dinámicamente la tasa de= bits para cada fragmento según la capacidad percibida de la red, lo que mejora = la calidad de escenas dinámicas, pero ocupa mayor codificación de la necesar= ia para escenas estáticas, por lo que, en Li et al. (2023) se propone un algo= ritmo de tasa de bits adaptativa donde se seleccione una mayor tasa de codificaci= ón únicamente para fragmentos dinámicos.
A modo de resumen, en la metodologÃ= a usada en los trabajos previos se elaboró una tabla que indica si cada trabajo fue implementado mediante simulación o con equipamiento fÃsico. Los trabajos = se presentan en el mismo orden que fueron expuestos.
           MetodologÃa usada= en los trabajos previos   Â
|
TRABAJOS RELACIONADOS |
SIMULACION |
EQUIPAMIENTO |
|
Quality of experience estimation for video servi=
ce
delivery based on sdn core network Makolkina et al. (2017) |
|
x |
|
Research on video traffic control technology bas=
ed
on sdn Lin (2015) |
x |
|
|
Dynamic and
adaptive multi-path routing algorithm based on software-defined network
Jiawei et al. (2018) |
x |
|
|
An sdn
framework for video conference in inter-domain network Banchuen et al. (2=
018) |
x |
x |
|
Efficient multicast algorithms for scalable video
coding in software-defined networking Sheu et al. (2015) |
x |
|
|
User-centric algorithms: Sculpting the future of
adaptive video streaming Khan (2023) |
x |
|
|
Chapter fi=
ve -
user behavior-ensemble learning based improving qoe fairness in http adap=
tive
streaming over sdn approach Abar et al. (2021) |
x |
|
|
Fault
tolerance in sdn data plane considering network and application based met=
rics Yamansavascilar et al. (2020)<=
/span> |
x |
|
|
A scalable
network layer service differentiation architecture for dash over sdn Sayit et al. (2019) |
x |
|
|
An sdn approach to adaptive video streaming in
wireless home network Abuteir et al. (2016) |
x |
|
|
A performance analysis of adaptive streaming
algorithms in 5g vehicular communications in urban scenarios Storck et al.
(2020) |
x |
|
|
Qoe-aware video adaptive streaming over http Dac=
et
al. (2021) |
x |
|
|
An apprenticeship learning approach for adaptive
video streaming based on chunk quality and user preference   Li et al. (2023) |
x |
|
En tal contexto, a partir del anál=
isis de
los estudios previos, en el presente trabajo se propone el desarrollo e
implementación de un algoritmo de control para la transmisión de video
adaptativo en redes SDN, diseñado especÃficamente para entornos de redes =
de
comunicaciones multimedia. Para evaluar la solución propuesta se implement=
ó un testbed
el cual consiste en un conjunto de cinco Raspberry Pi para emular una red S=
DN y
comparar su rendimiento frente a esquemas de enrutamiento tradicional, en
concreto Routing Information Protocol (RIP) y Open Shortest Path
First (OSPF). La implementación fÃsica de un banco de pruebas se debe=
a la
necesidad de experimentar y analizar los resultados obtenidos en un medio q=
ue
se asemeje a una red de uso real, ya que, la mayorÃa de los trabajos previ=
os se
centran en simulaciones y no en un banco de pruebas fÃsico.
Materiales y Mét=
odos
Para ilustrar mejor la metodologÃa= de la lógica de control se ha desarrollado un diagrama de flujo que se ilustra e= n la Figura 1. Como se observa en dicha figura, en la interfaz gráfica, se debe ingresar la dirección IP del cliente y seleccionar la categorÃa del video a transmiti= r. Inicialmente, el sistema transmite a una tasa de 70 Kbps debido a la falta = de conocimiento sobre el ancho de banda disponible entre el servidor y el clie= nte, dicho valor ha sido seleccionado debido a que, al realizar varios experimen= tos se observó que 70 Kbps es un valor de codificación en el que se puede obt= ener una calidad de imagen aceptable sin necesidad de usar mucho ancho de banda,= a menores valores la calidad se degradaba mucho por lo que no era pertinente transmitir a dicha calidad. Durante esta transmisión, se mide el ancho de = banda y, una vez obtenido, se ajusta la tasa de codificación. Si no se puede med= ir el ancho de banda, se mantiene la tasa actual y se intenta una nueva medición, asegurando asà un control sobre la calidad del video sin exceder la capaci= dad de la red.
Figura =
1=
Diagrama de flujo del sistema de =
control
de video
A continuación, se presenta un pse= udocódigo para representar el mecanismo que hemos propuesto para la aplicación de nu= estro mecanismo de control:
|
Inicializar programa Ingresar IP del cliente Seleccionar la categorÃa de video Transmitir a una tasa =3D 70 Kbps y medir a=
ncho de
banda    =         Si ancho de banda bajo                        =
Transmitir a
70 Kbps                        =
Medir ancho de banda    =         Si ancho de banda medio                        =
Transmitir a
tasa de codificación media según categorÃa                        =
Medir ancho de banda    =         Si ancho de banda alto                        =
Transmitir a
tasa de codificación alta según categorÃa                        =
Medir ancho de banda    =         Si ancho de banda muy alto=                        =
Transmitir a
tasa de codificación muy alta según categorÃa                        =
Medir ancho de banda Fin si     =
         Â
Finalizar transmisión Finalizar programa |
MetodologÃa
Una vez expuesta la metodologÃa de= l sistema de control, es fundamental detallar las herramientas y procesos necesarios = para su correcta implementación. Este proceso y las herramientas utilizadas se describen detalladamente en la Figura 2.
En la subsección de selección y caracterización del tráfico multimedia se describen los criterios definid= os para escoger las distintas categorÃas de video que se va a utilizar, asà = como los criterios para establecer las tasas de codificación. En la subsección= de ajuste de la codificación se presenta el uso de la desviación estándar p= ara la correcta selección de las tolerancias de las tasas de codificación para l= as distintas categorÃas.
Luego, en la subsección de topolog= Ãa, se presenta la topologÃa utilizada. En la subsección de preparación del sis= tema de control de video adaptativo se detalla cómo se implementó el sistema de c= ontrol de video adaptativo, el mismo que ajusta la calidad del video al tener conocimiento del ancho de banda del enlace con el cliente. Finalmente, en la sección de Resultados y Discusión, se exponen los distintos experimentos = que se realizaron.
Todos los comandos, códigos y s= cripts han sido liberados para su uso académico o investigativo en Gomezcoello et= al. (2024).
Figura = 2=
Herramientas y procesos para la
implementación del sistema de control
Selección y caracterización del trá= fico multimedia
En esta fase se procedió con la se= lección de las categorÃas de los siguientes videos que serán transmitidos:=
· =
Noticias
· =
Entretenimiento
· =
Tiempo real
Estas categorÃas fueron seleccionadas a base de la alta demanda ac=
tual.
En primer lugar, se capturó el trÃ= ¡fico de transmisiones en vivo según las clases de video previamente seleccionadas.= Esto permitió obtener información sobre las tasas de codificación utilizadas = en diferentes servicios de streaming de video dentro de las distintas categorÃas seleccionadas. Con estos datos, se puede establecer tasas de codificación realistas para los videos que se va a utilizar, asegurando as= à que reflejen las prácticas comunes de codificación en Internet. El resultado = se presenta en la Figura 3.
Figura = 3=
Tráfico real de diferentes categ= orÃas de servicio
Para ilustrar los resultados de los experimentos realizados se ha utilizado un intervalo de confianza del 95% y barras que muestran los valores promedio.
La figura anterior muestra que la c= ategorÃa de noticias tiene la tasa de codificación más baja (aproximadamente de 2.5 Mbps), además de contar con un intervalo de confianza más amplio, lo que = indica que en algunos instantes la tasa de codificación fue inferior a 2 Mbps o superior a 3 Mbps, las tasas de codificación bajas indican que, al ser una secuencia con pocos cambios o movimientos entre frames, el video aprovecha la redundancia espacial y temporal cuando el presentador habla, permitiendo tasas menores sin perder calidad; sin embargo, cuando existen cambios de escenas entre noticias, se usa una codificación más alta, lo c= ual no sucede con mucha frecuencia, no siendo asà el uso de escenas estáticas; en cambio, los contenidos de entretenimiento requieren una tasa más alta debi= do a los frecuentes cambios de escena, que aumentan la cantidad de información = por segundo para mantener la calidad visual.
Por otro lado, los videos en tiempo= real tienen una tasa de codificación ligeramente mayor a 3 Mbps, siendo esta, la tasa de codificación más alta de entre todas las categorÃas, además se = observa un intervalo de confianza de menor amplitud, lo cual indica que en la mayor parte de tiempo la tasa de codificación se mantiene elevada (entre 2.8 Mbp= s y 3.2 Mbps). Esto se debe a la necesidad de procesar y transmitir simultánea= mente el contenido, lo que exige una alta tasa para garantizar una transmisión f= luida y de calidad, sin interrupciones ni retrasos.
Luego de analizar los resultados ob= tenidos, se llegó a la conclusión de que la tasa de bits a usar al momento de real= izar nuestros experimentos serán diferentes para cada categorÃa de video, cuyos valores seleccionados serán presentados en la siguiente subsección.
Ajuste de la codificación
De acuerdo con la teorÃa del lÃmi= te central, independientemente de la forma de la población, la distribución muestral de la media se aproxima a una curva normal si el tamaño de la mue= stra es, estadÃsticamente, significativo en Witte et al. (2017); por lo tanto, = al tener claro este concepto, se modeló las muestras obtenidas del tráfico r= eal como si tuvieran una distribución normal.
La regla empÃrica de probabilidad = expone que, cada dato que se puede observar caerá bajo tres desviaciones estándar diferentes de la media en una distribución normal, de acuerdo con la regla= , el 68% de los datos caerán en la primera desviación estándar, el 95% caerá= n en la primera y la segunda desviación y el 99,7% de los datos caerán en las tres desviaciones Team (2020). Dicho concepto se ilustra en la Figura 4.
Figura =
4=
Regla empÃrica
Luego de exponer los conceptos ante=
riores,
se procedió a establecer los valores de codificación para las distintas
calidades de acuerdo con la regla empÃrica; es decir, el valor para la
codificación de la calidad media será restando una desviación estándar =
del
valor promedio (
Los valores de codificación para l=
as
distintas categorÃas se exponen en la siguiente Tabla 2.
           Tasas de codificac= ión para las distintas categorÃas y calidades
|
CATEGORIA |
BAJA |
MEDIA |
ALTA |
MUY ALTA |
|
Noticias |
70 Kbps |
1703 Kbps |
2580 Kbps |
3457 Kbps |
|
Entretenimiento |
70 Kbps |
1829 Kbps |
2770 Kbps |
3712 Kbps |
|
Tiempo real |
70 Kbps |
2051 Kbps |
3107 Kbps |
4164 Kbps |
Con las codificaciones previas, se = pudo obtener información relevante sobre el perfil de tráfico. Con los resulta= dos obtenidos de los perfiles de tráfico, se procedió a configurar una tasa de codificación personalizada para cada categorÃa de tráfico y establecer l= os umbrales de ancho de banda para seleccionar el valor de codificación de ac= uerdo con el valor pico del perfil de tráfico; por ejemplo, para la categorÃa de noticias el perfil de tráfico para la calidad media cuenta con picos alred= edor de 2.5 Mbps, como se observa en la Figura 5 por lo que, un valor de umbral adecuado debe ser superior a dicho pico.<= /p>
Figura =
5=
Perfil de tráfico de la categorÃ= a noticias en calidad media
En la siguiente subsección se expo= ndrá la topologÃa diseñada para la implementación de nuestro testbed.
TopologÃa
La topologÃa implementada se expon= e en la Figura 6.
Figura =
6=
TopologÃa del testbed
 =
Como se puede observar en la Figura 6, la topologÃa consta de cuatro Raspberry Pi que funcionan tanto como enrutador= es como Open vSwitch. Se eligió esta topologÃa debido a su redundancia y mú= ltiples caminos. Se pueden apreciar todas las direcciones IP que se ha implementado= al usar las Raspberry Pi como enrutadores. Al utilizar SDN, simplemente se configuran las direcciones IP de los clientes y del servidor, los cuales de= ben estar en la misma red. Luego de diseñar la topologÃa a utilizar, se proce= dió con la implementación fÃsica de la misma, realizando todas las conexiones necesarias utilizando los adaptadores USB a RJ45 y cables Ethernet, como se ilustra en la Figura 7.
Figura =
7=
Implementación fÃsica del testb= ed
Preparación del sistema de control de= video adaptativo
El sistema de control de video adap= tativo se lo realizó siguiendo la metodologÃa expuesta en la Figura 1. Para su implementación se ha escrito un código en lenguaje Python, el mismo qu= e se encuentra en Gomezcoello y Picón (2024).
El código implementado para el alg= oritmo de control de video adaptativo sigue una serie de pasos. Primero, se creó un diccionario para almacenar las rutas de los videos de las distintas categor= Ãas a transmitir; luego, se implementaron funciones para cargar y seleccionar e= stos videos. A continuación, se desarrolló una función para medir el ancho de= banda utilizando la herramienta iPerf en Jon Dugan y Prabhu (2024). Basándose en= los resultados de esta medición, se implementó una función que ajusta la tas= a de codificación para cada categorÃa de video.
Posteriormente, se implementó la f= unción de transmisión de video utilizando la herramienta FFmpeg en FFmpeg (2024). Si= no se ha realizado la medición del ancho de banda, se transmite a una tasa de codificación de 70 Kbps. Una vez obtenido el valor del ancho de banda disponible, se ajusta la tasa de codificación según los umbrales establec= idos.
Finalmente, se desarrolló la funci=
ón de
transmisión demo, que permite la transmisión a tres tasas de
codificación diferentes: primero se transmite a la calidad más baja, lueg=
o a
una calidad media y, finalmente, a una calidad alta. La última parte del c=
ódigo
se encarga de la configuración para la implementación de la interfaz grá=
fica.
Los resultados mostraron diferencias claras en términos de throughput, retardo y jitter. Dichas métricas son fundamentales para garantizar= una transmisión de video eficiente y de alta calidad. El throughput ase= gura que se transmitan suficientes datos para evitar almacenamiento en búfer, mientras que el jitter, que mide la variabilidad en la llegada de paquetes, es crucial para evitar interrupciones en la reproducción, por ú= ltimo, un bajo delay es esencial para aplicaciones en tiempo real, ya que permite una sincronización adecuada entre audio y video. El análisis de e= stas métricas permite diseñar algoritmos que se adapten dinámicamente a las condiciones de la red, optimizando asà la experiencia del usuario.<= /span>
Resultados obtenidos con sistema de control sin tráfico de fondo
Throughput
En la Figura 8(a) que corresponde = a la categorÃa de entretenimiento se observa que, el peor rendimiento en thr= oughput lo obtiene OSPF con velocidad promedio de 2.3 Mbps y un intervalo de confianza amplio lo que indica una inestabilidad en la tasa de transmisión= ; por otro lado, RIP y SDN tienen un throughput (2.7 Mbps) y un intervalo = de confianza similares las cuales son más estables, lo cual indica que OSPF no selecciona la ruta con mayor ancho de banda, no asà RIP y SDN. El mismo análisis anterior aplica para las Figura 8<= /span>(b) y 9(c).
|
Figura 8
Throughput obtenido para l=
as
diferentes categorÃas de video |
Figura 9
Retardo obtenido para las
diferentes categorÃas |
|
|
|
|
|
|
|
(c) Tiempo real |
(c) Tiempo real |
Retardo
Las Figura 9(a), (b) y (c) evide= ncian que SDN y RIP cuentan con el menor retardo en la transmisión de video, seg= uido por OSPF, dichos resultados indican que SDN y RIP seleccionaron la ruta con mayor ancho de banda para la transmisión de video en todas las categorÃas= ; sin embargo, en la categorÃa de tiempo real, RIP tuvo un retardo 0.4 ms menor,= pero con gran inestabilidad debido a que enviaba todo el tráfico por una única= ruta. SDN mostró retardo más estable, garantizando que la ruta principal no se sature, mientras que OSPF seleccionó una ruta sin importar el ancho de ban= da.
Jitter
En
cuanto al jitter, SDN mostró una variabilidad más estable (±30 ms=
) como
se muestra en la Figura 10=
(b) mientras que RIP
presentó picos significativos, lo que confirma que SDN es superior en tér=
minos
de estabilidad del retardo. Dichas fluctuaciones se muestran en la <=
/span>Figura 10=
(a).
Figura 10 (a) Jitter en RIP (b) Jitter en SDN Resultados
obtenidos con sistema de control con tráfico de fondo En
estos experimentos, el escenario incluyó tráfico de fondo mediante la des=
carga
de un archivo de video de aproximadamente 200 MB. Throughput OSPF
presentó el mayor throughput (hasta 2.5 Mbps), mientras que SDN tuv=
o el
menor rendimiento debido al balance de carga aplicado al descargar el archi=
vo
simultáneamente, llegando máximo hasta 1.5 Mbps. Los resultados obtenidos=
se
presentan en la Figura 11=
. En
la Figura 11(a) se observan tasa=
s de
transmisión promedio de 2.1 Mbps, 2.4 Mbps y 1.5 Mbps para los protocolos =
RIP,
OSPF y SDN, respectivamente, con intervalos de confianza de amplitud simila=
r,
lo que indica una variabilidad comparable entre los tres protocolos. OSPF
presentó el mayor throughput, mientras que SDN registró el menor
rendimiento, debido principalmente al mecanismo de balanceo de carga aplica=
do
durante la descarga simultánea del archivo. Este
mismo análisis es aplicable a las Figura 11=
(b) y 11(c), ya que =
los
resultados obtenidos son consistentes con los de la Figura 11=
(a).
Retardo En
las Figura 12(a) y 12(b), SDN pre=
sentó
los menores valores de retardo en las categorÃas de entretenimiento y noti=
cias,
con aproximadamente 20 ms, mientras que RIP y OSPF registraron retardos
cercanos a 40 ms y 50 ms, respectivamente. En la Figura 12=
(c), los retardos ob=
servados
fueron de 28 ms para RIP, 58 ms para OSPF y 37 ms para SDN. En este caso
particular, se evidenció un cambio de ruta en RIP que permitió una reducc=
ión
del retardo, mientras que SDN experimentó un leve incremento debido al vol=
umen
de datos que debió gestionar mediante balanceo de carga. Este mecanismo, si
bien sacrificó ligeramente el throughput, logró mejorar el retardo=
; por
otro lado, OSPF y RIP presentaron mayores pérdidas en la calidad del video,
atribuidas a la congestión del único enlace disponible en las categorÃas=
de
entretenimiento y noticias. Figura 11
Throughput obtenido para l=
as
diferentes categorÃas de video Figura 12
Retardo obtenido para las
diferentes categorÃas de video (b) Noticias (b) Noticias (c) Tiempo real (c) Tiempo real Calidad
del video Las
Figuras 13(a), <=
!--[if supportFields]>Â REF _Ref201678975 \h 13=
(b) y =
13=
(c), correspondiente=
s a las
categorÃas de noticias, entretenimiento y transmisión en tiempo real,
respectivamente, evidencian una disminución en la calidad del video ante
movimientos en los protocolos OSPF y RIP, mientras que en SDN la calidad se
mantuvo más alta y estable. Los fotogramas analizados muestran que SDN con=
serva
una mejor calidad visual en comparación con OSPF y RIP, incluso en escenar=
ios
con tráfico de fondo. Es importante destacar que estas conclusiones se
obtuvieron a partir de un proceso de evaluación subjetiva.
Figura 13 Fotogramas al usar SDN con tráfico de fondo y sistema de co=
ntrol (a) =
Noticias (b) =
Entretenimiento (c) =
Tiempo real Resultados
obtenidos de carga de CPU En
este experimento se midió la carga del CPU del Raspberry Pi utilizado como=
gateway
del servidor de video. Carga
de CPU sin tráfico de fondo Con
el sistema de control activo, se observó que SDN requiere una mayor carga =
de
procesamiento en comparación con los protocolos tradicionales. Las medicio=
nes
de uso de CPU fueron de 10% para RIP, 11% para OSPF y 20% para SDN. Este
incremento en el uso de CPU por parte de SDN se debe al mecanismo de balanc=
eo
de carga, mediante el cual los datos se distribuyen simultáneamente a trav=
és de
múltiples rutas, a diferencia de RIP y OSPF, que establecen una única rut=
a fija
para la transmisión de datos; no obstante, este aumento en la carga de
procesamiento en SDN no resulta significativo y no genera degradación
perceptible en los niveles de Calidad de Servicio (QoS) ni en la Calidad de
Experiencia (QoE). Estos resultados se ilustran en la Figura 14=
. Figura 14 Comparación
de carga de CPU Figura 15 Carga
del CPU Carga
de CPU con tráfico de fondo El
tráfico de fondo aumenta aún más la carga del CPU, especialmente en el m=
odo
Open vSwitch utilizado por SDN, lo que confirma que SDN es más exigente en
términos de procesamiento. Esto nos llevó a obtener los resultados de la =
Figura 15=
. Resultados
obtenidos sin sistema de control y sin tráfico de fondo Throughput Los
tres protocolos (SDN, RIP y OSPF) presentaron valores primedio de throug=
hput
de hasta 3 Mbps. Retardo RIP
mostró el mejor rendimiento en términos de retardo, seguido por OSPF y SD=
N. Sin
tráfico de fondo, los protocolos tradicionales son más eficientes, ya que
envÃan todo el tráfico por un solo enlace, mientras que SDN presenta mayor
retardo debido al balanceo de carga. Las métricas analizadas en este caso =
se
presentan en las Figuras 16=
y  REF _Ref201679397 \h 17=
. Figura 16 Throughput
de la categorÃa noticias sin tráfico y sin control Figura 17 Retardo
de la categorÃa noticias sin tráfico y sin control Presentaremos
un consolidado de los resultados obtenidos donde compararemos los aspectos =
más
relevantes de nuestro estudio en la Tabla 3. Tabla 3=
Comparación
de resultados CategorÃa Métrica Con
tráfico Sin
tráfico Entret=
enimiento Throughput (Mbps) 1.5 (SDN) < 2.2 (RIP) < 2=
.4
(OSPF) 2.4 (OSPF) < 2.7 (SDN) < =
2.71
(RIP) Delay (ms) 21 (SDN) < 31 (RIP) < 55
(OSPF) 40 (SDN) < 50 (RIP) < 680
(OSPF) Jitter (ms) ±32 (SDN) vs. ± 40000 (RIP y =
OSPF) ± 30 (SDN) vs. ± 40000 (RIP y=
OSPF) Carga CPU (%) 15 (RIP) < 16 (OSPF) < 34
(SDN) 10 (RIP) < 11 (OSPF) < 20
(SDN) Notici=
as Throughput (Mbps) 0.5 (SDN) < 0.7 (RIP) < 0=
.75
(OSPF) 0.75 (OSPF) < 0.9 (SDN) <
0.91 (RIP) Delay (ms) 18 (SDN) < 40 (RIP) < 47
(OSPF) 40 (SDN) < 51 (RIP) < 340
(OSPF) Jitter (ms) ±31 (SDN) vs. ± 40000 (RIP y =
OSPF) ± 35 (SDN) vs. ± 40000 (RIP y=
OSPF) Carga CPU (%) 14 (RIP) < 15(OSPF) < 30
(SDN) 9 (RIP) < 10 (OSPF) < 22
(SDN) Tiempo=
real Throughput (Mbps) 1.2 (SDN) < 2.1 (RIP) < 2=
.5
(OSPF) 2.47 (OSPF) < 2.75 (SDN) <
2.9 (RIP) Delay (ms) 28 (RIP) < 25 (SDN) < 58
(OSPF) 40 (RIP) < 41 (SDN) < 750
(OSPF) Jitter (ms) ±29 (SDN) vs. ±40000 (RIP y O=
SPF) ± 33(SDN) vs. ± 40000 (RIP y =
OSPF) Carga CPU (%) 15 (RIP) < 18 (OSPF) < 40
(SDN) 11 (RIP) < 12 (OSPF) < 19
(SDN) Como
se puede analizar en la Tabla 3, con tráfico de fo=
ndo, SDN
muestra bajo ancho de banda efectivo; sin embargo, mantiene fluida la
reproducción de los mismos gracias al mecanismo implementado. Siendo este =
un
protocolo eficaz para el tipo de tráfico estudiado. Al emplear este
sistema de control sin tráfico de fondo, se observó que SDN presenta meno=
res
valores de retardo. Las categorÃas de video en las que más destacó fueron
noticias y entretenimiento. Promediando los valores obtenidos de las tres
categorÃas, SDN obtuvo un retardo de 30.89 ms, de igual manera, el protoco=
lo
RIP presentó un retardo de 37.72 ms, finalmente OSPF obtuvo un valor de 59=
4.57
ms. Lo que significa que SDN tiene un retardo 18.1 % menor que RIP y 94.80 %
menor que OSPF, de esta manera, se concluye que SDN tiene un mejor rendimie=
nto
al emplear nuestro sistema de control, con menores retardos, lo cual es muy
importante debido al alto consumo multimedia actual, especialmente en lo que
respecta al contenido en streaming. En cuanto al
experimento con sistema de control y tráfico de fondo, los valores de t=
hroughput
fueron ligeramente inferiores a los de otros protocolos; sin embargo,
promediando los valores de retardo de las tres categorÃas SDN obtuvo un re=
tardo
de 24.53 ms, RIP de 33.71 ms y OSPF de 53.43 ms, lo que significa que SDN t=
iene
un delay 27.23 % menor que RIP y 54.1 % menor que OSPF. SDN emplea
balance de carga, utilizando varias rutas para enviar los datos. Esto reduc=
e el
throughput, pero también disminuye el retardo, por tanto, SDN es una
opción recomendada para redes en las que se puede tolerar una disminución=
de throughput
pero no un aumento en el retardo, como en servicios de tiempo real, tal=
es
como videoconferencias o intervenciones quirúrgicas remotas. El uso de SDN
conlleva un costo relacionado con el procesamiento necesario en cada nodo p=
ara
llenar sus tablas de flujo. Presentó un valor promedio más alto que los o=
tros
dos protocolos, lo que se traduce en un mayor consumo energético; por lo t=
anto,
implementar SDN en un centro de datos implica un aumento en los gastos de
climatización y energÃa eléctrica. Cuando no está
presente el sistema de control y no hay tráfico de fondo, el throughput=
fue
similar. En términos de retardo, los protocolos tradicionales mostraron un
mejor rendimiento, ya que, al no existir congestión en el enlace, el retar=
do es
menor, el valor de retardo obtenido para la categorÃa de noticias en SDN f=
ue de
94.21 ms, para RIP de 24.85 ms y para OSPF de 77.65 ms, lo que se traduce en
que RIP tiene un retardo 73.62 % menor que SDN y OSPF un 17.57 % menor que =
SDN,
cabe destacar que dichos valores fueron similares para el resto de las
categorÃas. A pesar de util=
izar
un testbed, se obtuvieron resultados significativos que demuestran q=
ue
SDN en conjunto con un sistema de control es considerablemente superior a l=
os
protocolos tradicionales; por lo tanto, su implementación en redes complej=
as y
congestionadas en una opción a considerar. En la actualida=
d,
implementar SDN es fundamental para mejorar la calidad de servicio y la cal=
idad
de experiencia en sistemas de transmisión multimedia, ya que permite una
gestión centralizada e inteligente de la red, capaz de adaptarse dinámica=
mente
a las condiciones cambiantes del tráfico. Dado que el video representa má=
s del
80% del tráfico global en Internet, y exige bajos niveles de retardo, j=
itter
y pérdida de paquetes, las redes tradicionales con protocolos como RIP=
u
OSPF resultan insuficientes; en cambio, SDN posibilita priorizar flujos
crÃticos, asignar ancho de banda de forma eficiente y enrutar el contenido=
por
trayectorias óptimas, lo que se traduce directamente en una experiencia de
usuario más fluida y estable frente al creciente consumo de contenidos com=
o streaming,
videollamadas, telemedicina y plataformas interactivas. Reconocimient=
os Los autores agradecen al Departamen=
to de
Eléctrica, Electrónica y Telecomunicaciones de la Facultad de IngenierÃa=
de la
Universidad de Cuenca por el apoyo brindado durante el desarrollo del prese=
nte
trabajo de investigación. Los autores de=
claran
la contribución y participación equitativa de roles de autorÃa para esta
publicación. Referencias Abar, T., Ben Letaifa, A., & El=
Asmi,
S. (2021).
Abuteir, R.=
M.,
Fladenmuller, A., & Fourmaux, O. (2016). An sdn approach to adaptive vi=
deo
streaming in wireless home networks. 2016 International Wireless Communicat=
ions
and Mobile Computing Conference (IWCMC), 321-326. Recuperado a partir de =
https://api.semanticscholar.org/C=
orpusID:12044836
Banchuen, T=
.,
Kawila, K., & Rojviboonchai, K. (2018). An sdn framework for video
conference in inter-domain network. 2018 20th International Conference on
Advanced Communication Technology (ICACT), 600-605. Recuperado a partir de =
<=
span
lang=3DEN-US style=3D'font-size:10.0pt;color:windowtext;mso-ansi-language:E=
N-US;
text-decoration:none;text-underline:none'>https://api.semanticscholar.org/C=
orpusID:4370122
Bonaventure=
, O.,
Hartert, R., Lebrun, D., Schaus, P., Tilmans, O., & Vissicchio, S. (201=
7).
Robust and scalable software defined networks. Recuperado a partir de =
https://api.semanticscholar.org/C=
orpusID:41750697
Dac, C. T.,=
Tran,
H. T. T., Huong, T. T., Tran, S., Thanh, N. H., Ngoc Nam, P., & Thang, =
T.
C. (2021). Qoe-aware video adaptive streaming over http. In 2020 IEEE Eighth
International Conference on Communications and Electronics (ICCE) (pp.
117-122). https://doi.org/10.1109/ICCE48956.2021.9352077
FFmpeg. (20=
24). A
complete, cross-platform solution to record, convert and stream audio and
video. Recuperado a pa=
rtir de https://www.ffmp=
eg.org/
Gomezcoello, M., =
&
Picón, J. (2024). Desarrollo e implementación de un algoritmo de control =
de
video adaptativo en entornos de redes definidas por software (SDN). Recuper=
ado
a partir de https://github.com/marlonpikis/trabajo-titulacion=
Jiawei, W., Xiuquan, Q., & Guos=
hun, N.
(2018). Dynamic
and adaptive multi-path routing algorithm based on software-defined network.
International Journal of Distributed Sensor Networks, 14(10), 1550147718805=
689.
https://doi.org/10.1177/155014771=
8805689
Jon Dugan, =
B. A. M.
J. P., Seth Elliott, & Prabhu, K. (2024). iperf - the ultimate speed te=
st
tool for tcp, udp and sctp. Recuperado a partir de https://i=
perf.fr/
Khan, K. (2=
023).
User-centric algorithms: Sculpting the future of adaptive video streaming.
International Transactions on Electrical Engineering and Computer Science.
Recuperado a partir de https://api.semanticscholar.org/CorpusID:26891039=
4
Li, W., Hua=
ng, J.,
Wang, S., Wu, C., Liu, S., & Wang, J. (2023). An apprenticeship learning
approach for adaptive video streaming based on chunk quality and user
preference. IEEE Transactions on Multimedia, 25, 2488-2502. https://doi.org/10.1109/TMM.2022.3147667
Lin, Z. (20=
15). Research
on video traffic control technology based on sdn. Recuperado a partir de https://api.semanticscholar.org/CorpusID:55442197
Makolkina, M., Muthanna, A., &
Manariyo, S. (2017). Quality of experience estimation for video service
delivery based on sdn core network. In Next Generation Teletraffic and
Wired/Wireless Advanced Networking. Recuperado a partir de =
https://api.semanticscholar.org/C=
orpusID:43433926
Sam, G. (20=
23). In
2022, 65% of all internet traffic came from video sites. Recuperado a partir de https://www.tubefilter.com/2023/01/20/sandvine-video-data-bandwidth-i=
nternet-traffic-report-streaming-video-youtube-netflix/
Sayit, M.,
Cetinkaya, C., Yildiz, H. U., & Tavli, B. (2019). Dash-qos: A scalab=
le
network layer service differentiation architecture for dash over sdn.
Computer Networks, 154, 12-25. https://doi.org/10.1016/j.comnet.2019.02.015
Sheu, J.-P.=
, Chang,
C., & Chang, Y.-C. (2015). Efficient multicast algorithms for scalab=
le
video coding in software-defined networking. 2015 IEEE 26th Annual
International Symposium on Personal, Indoor, and Mobile Radio Communications
(PIMRC), 2089-2093. Re=
cuperado
a partir de https://api.semanticscholar.org/CorpusID:12455700
Storck, C. R., & Duarte-Figueir=
edo, F.
(2020). A performance analysis of adaptive streaming algorithms in 5g vehicu=
lar
communications in urban scenarios. In 2020 IEEE Symposium on Computers and
Communications (ISCC) (pp. 1-7). https://doi.org/10.1109/ISCC50000.2020.9219682}
Team, D. S. (2020). Regla empÃr=
ica.
Recuperado a partir de https://datascience.eu/es/matematica-y-estadistica/regla-empirica-que=
-es/
Witte, R., =
&
Witte, J. (2017). Statistics. Wiley. Recuperado a partir de <=
span
lang=3DES-EC>https://books.google.com.ec/books=
?id=3DKcxjDwAAQBAJ
Yamansavascilar, B., Baktir, A. C.,
Ozgovde, A., & Ersoy, C. (2020). Fault tolerance in sdn d=
ata
plane considering network and application based metrics. Journal of
Network and Computer Applications, 170, 102780. https://doi.org/10.1016/j.jnca.2020.102780=