QoS Improvement for Video Streaming over MANET Using Network-Coding
Notice bibliographique
Résumé
Video streaming (like YouTube) services and related applications become more and more widespread. Therefore, video streaming delivery over a mobile ad-hoc network (MANET) becomes a necessity as an important content delivery infrastructure between the user (content consumer) and the content storage node. Furthermore, user mobility impacts the quality of the delivered video and hence new concepts should be considered. Accordingly, the innovative concept on network coding (NC) emerges as a promising approach for improving the video transmission quality mainly in multicast environment. In this paper, we focus on Quality of Service (QoS) improvement for video streaming over MANET using random network coding. Basically, we consider video coded by H264/SVC codec that generates packets with different priorities and uses the IEEE 802.11e MAC for traffic differentiation. A successful transmission of high priority packets leads to enhance the video transmission quality. Accordingly, we propose a transmission scheme to protect high priority packets from being lost. Our approach, named Multicast Scalable Video Transmission using Classification-Scheduling Algorithms and Network Coding over MANET (and denoted MSVT_CSA_NC), adopts a cross layer solution between the H.264/SVC codec, the network and MAC layers. Moreover, our delivery mechanisms based on random network coding ensure high throughput and low network load over MANET. Simulation results confirm the substantial performance improvement brought by our approach.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».