Reactive Estimation of Packet Loss Probability for IP-Based Video Services
Notice bibliographique
Résumé
The advent of IP/MPLS based networks allows providers to implement integrated services packet network (ISPN) concepts for IPTV applications. IPTV systems require a high level of quality of service (QoS) in order to win customers which are subscribed with cable companies. Packet loss probability is one of the primary QoS parameters whose value affects the user experience and which provides a quantitative measure for customers' perception of the QoS factor in practical networks. Therefore, the online accurate measurement and estimation of the packet loss probability is a key issue to be addressed. Furthermore, the packet loss probability provides the feedback information which can be used in the network based control system to maintain it at a prescribed and negotiated value. In this paper, a reactive estimator (RE) of the packet loss probability is constructed. As all parameters related to the network traffic, the packet loss is a non-linear and non-Gaussian stochastic process. The proposed RE has the capability to adapt to variable stochastic contexts by employing one dynamic item based on the feedback of the real-time loss ratio measurement. A series of experiments are devised on a live network to evaluate the performance of the estimator under multiple traffic arrival models and within various buffer sizes. The numeric results show that the practical estimator is accurate enough to approximate the packet loss probability, such that it can be further used as a feedback parameter in a closed control loop which can keep the packet loss probability close to a prescribed value.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».