Optimal Delivery of Rate-Adaptive Streams in Underprovisioned Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The growth of Internet video traffic imposes a severe capacity problem in today's Content Delivery Network (CDN). Rate-adaptive streaming technologies, such as the Dynamic Adaptive Streaming over HTTP (DASH) standard, reinforces this problem in the core CDN infrastructure since delivering one video means delivering multiple representations for an aggregated bit-rate that is commonly over 10 Mbps. In this paper, we explore better trade-offs between CDN infrastructure cost and Quality of Experience (QoE) of the end-users for live broadcast video streaming applications. We consider in particular underprovisioned CDN networks, our goal being to maximize the QoE for the population of heterogeneous end-users despite the lack of resources in the intermediate CDN equipments. We show that previous theoretical models based on elastic bit-rates do not fit for this context. We propose a user-centric discretized streaming model where the satisfaction of end-users is related to the context and where a stream has to be either delivered in its entirety, or not delivered at all. We first formulate an Integer Linear Program (ILP) that achieves the optimal delivery through a multi-tree delivery overlay. The evaluation of the ILP shows the benefits of this model. We then design a practical system by revisiting the three main algorithms implemented in CDN: user-to-server assignment, content placement and content delivery. At last, we use a realistic trace-driven large-scale simulator to study the performances of our system. In particular, we show that the population of users is reasonably well served (three quarters of the population do not experience degradation) even when the CDN infrastructure experiences a severe underprovisioning (less than half of the required infrastructure).
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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 découle