MétaCan
Menu
Retour à la cohorte
Enregistrement W2011543627 · doi:10.1109/glocom.2011.6134330

Collaborative Caching for Video Streaming among Selfish Wireless Service Providers

2011· article· en· W2011543627 sur OpenAlexaff
Jie Dai, Bo Li, Fangming Liu, B. Li, Jiangchuan Liu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueCaching and Content Delivery
Établissements canadiensSimon Fraser UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésComputer scienceComputer networkCacheServerProvisioningWirelessService providerWireless networkQuality of experienceQuality of serviceService (business)TelecommunicationsBusiness

Résumé

récupéré en direct d'OpenAlex

Video streaming is now at the fingertips of mobile users with recent advances in wireless communications and mobile networking. Caching has been widely deployed by wireless service providers (WSPs) to facilitate video content dissemination. Yet, capacity provisioning of cache servers is challenging given dynamic user demands and limited wireless bandwidth resources available.With increased densities of wireless service deployment, it is common that mobile users are now covered by more than one WSP within a geographical region. This brings both challenges and opportunities towards a collaborative caching paradigm among cache servers that are deployed by different WSPs. This paper explores the benefits of collaborative caching for wireless video streaming services, addressing challenges related to both incentives and truthfulness of selfish WSPs. We propose a collaborative mechanism that aims to maximize the social welfare in the context of Vickrey-Clarke- Groves (VCG) auctions, which encourages cache servers to spontaneously cooperate for trading their resources in a self-enforcing manner. Results from simulations demonstrate significant performance improvements with respect to video streaming quality.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,216
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCaching and Content DeliveryTravaux en français237 207