A Classification-Based Path Selection Scheme for Video Streaming over Multi-Hop Networks
Notice bibliographique
Résumé
A classification-based method is proposed to select an optimal path for video streaming over multi-hop mesh networks. Our main contribution is translating of path selection over multi-hop networks to a standard classification problem. The classification is based on minimizing average video packet distortion at the receiving nodes. We also consider long range dependence (LRD) characteristics of variable bit rate (VBR) video encoders by modeling the link as a fractional Brownian motion queue. In our method, a support vector machine is applied at each hop to optimally assign the next hop (partial path) for each video packet received at that hop. Wireless channel conditions (WCC) including packet loss probability of the channel and maximum achievable rate are used as class prototypes. Sample feature vectors include video content features (VCF) and video encoding parameters (VEP) extracted from video sequences. The classifiers are trained offline using a vast collection of video sequences and wireless channel conditions in order to yield optimal performance during real time path selection. Our method substantially reduces the complexity of conventional exhaustive optimization methods and results in high quality (low distortion). Simulations are conducted over an elementary multi-hop structure and cascades of such structure which not only proves the superiority of our method in terms of low complexity and high peak signal to noise ratio (PSNR) performance, but also provides important insights that can guide the design of network infrastructures and streaming protocols for video streaming.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».