Die Übertragung von Videoinhalten über das Internet ist maßgeblich verantwortlich für die Last von Internetanbietern auf der ganzen Welt. Vor allem VoD Streaming-Dienste wie YouTube, Netflix und Amazon Video haben dazu beigetragen, dass VoD-Dienste zu einem festen Bestandteil der täglichen Routine vieler Menschen geworden sind. Mittels dieser Dienste kann jederzeit eine Vielzahl von Inhalten auf unterschiedlichen Geräten wie Smart-TVs, Laptops und Smartphones angesehen werden. Eine US-Studie zeigt, dass viele Personen, die jünger als 32 Jahre sind, bereits mit VoD-Diensten aufgewachsen sind und mit zunehmendem Anteil noch nie einen traditionellen TV-Bezahldienst abonniert haben. Diese Verschiebung des Video-Konsumverhaltens setzt sich fort und wird von einer wachsenden Anzahl von Benutzern begleitet. Um die daraus resultierende große Nachfrage nah VoD-Inhalten zu bedienen, verlassen sich VoD-Dienste typischerweise auf CDN-Netzwerke, welche VoD-Streaming skalierbar machen, indem sie ein geografisch verteiltes Netzwerk von mehreren hunderttausend Servern betreiben. Dadurch liefern CDN-Netzwerke Inhalte von Servern in der Nähe der Benutzer aus, was den Datenverkehr lokal hält und einen schnellen Start der Wiedergabe ermöglicht. CDN sind tagsüber stark ausgelastet und verhalten sich in der Regel reaktiv zu den Benutzeranfragen, was nicht optimal ist, da dies zu kostspieliger Überprovisionierung auf Seiten der CDN- und Internetanbieter-Netze führt, um die Verkehrsspitzen bedienen zu können. Damit jedoch zukünftige VoD-Streaming-Szenarien mit Millionen von Benutzern ermöglicht werden, sind neue Ansätze erforderlich, um die Effizienz der Inhaltsbereitstellung zu erhöhen. Zu diesem Zweck identifiziert diese Arbeit drei Forschungsschwerpunkte, welche die zukünftige Nachfrage nach VoD-Inhalten adressieren.

Der erste Beitrag ist das Design von vFetch, einem Vorlade-Mechanismus für mobile Geräte, der die Privatsphäre der Nutzer wahrt. vFetch konzentriert sich speziell auf OTT VoD-Dienste wie YouTube. Dabei lernt der Mechanismus das Nutzerinteresse an verschiedenen Inhaltskanälen und nutzt diese Erkenntnisse, um Videoinhalte auf mobilen Endgeräten prädiktiv herunterzuladen. Dazu überwacht vFetch kontinuierlich das Benutzerverhalten und die zur Verfügung stehenden mobilen Verbindungskanäle des Geräts, um eine effiziente und ressourcenschonende Download-Planung zu ermöglichen. vFetch zeigt unter anderem, wie personalisiertes Vorladen von Videoinhalten das mobile Datenvolumen schonen und mobile Netze entlasten kann, während es gleichzeitig eine netzunabhängige und hochqualitative Videowiedergabe gewährleistet.

Der zweite Beitrag konzentriert sich auf proaktives Zwischenspeichern von Videoinhalten in Netzwerken. Zu diesem Zweck wird das Design des ProCache-Mechanismus präsentiert, der den Speicherbereich von Caches basierend auf Inhaltskategorien in separate Speicherbereiche aufteilt. Der verfügbare Speicher wird diesen Bereichen basierend auf ihrem Beitrag zur Effizienz des Gesamtsystems zugeordnet. Wir schlagen die Unterstützung von mehreren Videokategorien sowie einen auf Musikvideoinhalte zugeschnittenen Arbeitsablauf vor, da Musikvideos die Hauptlast von YouTube darstellen. Damit zeigt ProCache, wie die Berücksichtigung von Inhaltskategorien zu einem effizienten Zwischenspeichern von Inhalten in Netzen beitragen kann.

Der dritte Beitrag zielt auf die Anwendung von Multicast für VoD-Szenarien ab. Populäre VoD-Inhalte werden von vielen Nutzern mit nur geringen Unterschieden in ihrer Wiedergabe-Startzeit geschaut, was ein Potential für Multicast eröffnet. Der vorgeschlagene Mechanismus, VoDCast, nutzt dieses Potenzial, indem Teile beliebter Videos per Multicast übertragen werden. Dadurch zeigt VoDCast, wie Internet-Anbieter mit CDN-Netzwerken kooperieren können, um die VoDCast-basierte Videoübertragung zu koordinieren.