Video streaming accounts for the majority of global internet traffic, placing significant demands on energy resources, particularly for mobile devices with limited battery capacity and lifespan. Adaptive BitRate (ABR) algorithms play a key role in this process by dynamically selecting video quality levels to maintain user Quality of Experience (QoE) under varying network conditions. However, most existing ABR schemes prioritize QoE without considering energy efficiency, resulting in excessive power and data consumption. To address these limitations, recent ABR algorithms have introduced reinforcement learning–based approaches that jointly optimise perceptual QoE and energy efficiency. However, new challenges arise: current energy-aware models are often trained on limited datasets, struggle to handle videos with diverse base energy consumption, and do not fully exploit the range of parameters available when selecting video quality. This thesis proposes an ABR system trained with reinforcement learning, with two core contributions. First, we develop a new training method that focuses on improving generalization across video content. Second, we combine the ABR with Deep Pixel Value Reduction (DeepPVR) technology to enhance the trade-off between QoE and energy consumption by introducing an additional tunable parameter, video luminance reduction rate. The proposed methods are evaluated from a client-side perspective in a simulated environment, using real-world network traces (i.e. 3G, 4G, and 5G) and on-device power measurements. The results demonstrate that the new training procedure, combined with DeepPVR, improves both generalization across video content and the QoE–energy trade-off relative to state-of-the-art baselines, for energy and non-energy aware ABR. These outcomes could enable streaming application developers to deploy more sustainable streaming systems, reducing energy consumption while maintaining user satisfaction and extending battery lifetime.

Videoströmning står för merparten av den globala internettrafiken och ställer betydande krav på energiresurser, särskilt för mobila enheter med begränsad batterikapacitet och livslängd. Adaptive BitRate-algoritmer (ABR) spelar en central roll i denna process genom att dynamiskt välja videokvalitetsnivåer för att upprätthålla användarens upplevda kvalitet (Quality of Experience, QoE) under varierande nätverksförhållanden. De flesta befintliga ABR-metoder prioriterar dock QoE utan att beakta energieffektivitet, vilket leder till överdriven energi- och dataförbrukning. För att hantera dessa begränsningar har nyare ABR-algoritmer introducerat förstärkningsinlärningsbaserade metoder som gemensamt optimerar perceptuell QoE och energieffektivitet. Trots detta kvarstår flera utmaningar: nuvarande energimedvetna modeller tränas ofta på begränsade datamängder, har svårt att hantera videor med varierande grundläggande energiförbrukning och utnyttjar inte fullt ut det parameterutrymme som finns tillgängligt vid val av videokvalitet. Denna avhandling föreslår ett ABR-system tränat med förstärkningsinlärning med två huvudsakliga bidrag. För det första utvecklas en ny träningsmetod med fokus på förbättrad generalisering över olika videoinnehåll. För det andra kombineras ABR med tekniken Deep Pixel Value Reduction (DeepPVR) för att förbättra avvägningen mellan QoE och energiförbrukning genom införandet av en ytterligare justerbar parameter: den luminansrelaterade reduktionsgraden för videoinnehållet. De föreslagna metoderna utvärderas ur ett klientsideperspektiv i en simulerad miljö med hjälp av verkliga nätverksspår (3G, 4G och 5G) samt energimätningar på enheten. Resultaten visar att den nya träningsmetoden, i kombination med DeepPVR, förbättrar både generalisering över videoinnehåll och avvägningen mellan QoE och energiförbrukning jämfört med moderna referensmetoder, både energimedvetna och icke-energimedvetna. Dessa resultat kan möjliggöra för utvecklare av strömningstjänster att implementera mer hållbara strömningssystem som minskar energiförbrukningen samtidigt som användartillfredsställelsen bibehålls och batteriets livslängd förlängs.