Improving Streaming Capacity in Multi-Channel P2P VoD Systems via Intra-Channel and Cross-Channel Resource Allocation
Notice bibliographique
Résumé
Multi-channel Peer-to-Peer (P2P) Video-on-Demand (VoD) systems can be categorized into independent-channel P2P VoD systems and correlated-channel P2P VoD systems. Streaming capacity for a channel is defined as the maximal streaming rate that can be received by every user of the channel. In this paper, we study the streaming capacity problem in multi-channel P2P VoD systems. In an independent-channel P2P VoD system, there is no resource correlation among channels. Therefore, we can find the average streaming capacity for the independent-channel P2P VoD system by finding the streaming capacity for each individual channel, respectively. We propose a distributed algorithm to solve the streaming capacity problem for a single channel in an independent-channel P2P VoD system. The average streaming capacity for a correlated-channel P2P VoD system depends on both the intra-channel and cross-channel resource allocation. To better utilize the cross-channel resources, we first optimize the server upload allocation among channels to maximize the average streaming capacity and then propose cross-channel helpers to enable cross-channel sharing of peer upload bandwidths. We demonstrate in the simulations that the correlated-channel P2P VoD systems with both intra-channel and cross-channel resource allocation can obtain a higher average streaming capacity compared to the independent-channel P2P VoD systems with only intra-channel resource allocation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».