MétaCan
Menu
Retour à la cohorte
Enregistrement W2479930532 · doi:10.1109/icc.2016.7511481

A performance study of proxy-based TCP rate control design for mobile video streaming services

2016· article· en· W2479930532 sur OpenAlexfundno aff
Joohyung Lee, Hyung Ho Lee, Jinsung Lee, HanNa Lim, Jungshin Park, Jicheol Lee

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Network Optimization
Établissements canadiensnon disponible
Organismes subventionnairesPetroleum Technology Research Centre
Mots-clésComputer networkComputer scienceReal-time computingBackhaul (telecommunications)Proxy (statistics)Network packetBase stationQueueBandwidth (computing)

Résumé

récupéré en direct d'OpenAlex

Reducing startup delay of video streaming is important for attracting more users. In LTE networks, even though available bandwidth has increased, behavior of TCP, which has a slow start phase and estimates available capacity based on packet loss event, increases the startup delay of video streaming. To solve this issue, we design a proxy-based TCP rate control (PTRC) scheme for achieving low startup delay of mobile video streaming by using the explicit radio related information from a base station (BS). We introduce a target queue length (Qtarget) as feedback information to a proxy, which represents a desired value at the BS. Here, the Qtarget is dynamically calculated by referring to average data rate of a radio link and backhaul delay. Then the proxy is informed of this Qtarget by an in-band signaling message from the BS, and controls its sending rate accordingly. Hence, the proposed PTRC scheme can boost up its transmission rates in the initial phase, and keep instant queue length at the BS close to the Qtarget. We verify that the proposed PTRC scheme achieves about 71.2% reduction of startup delay for mobile video streaming in LTE environment, compared to conventional schemes.

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)0,010
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 enseignants0,004
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
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 Opus0,007
Tête enseignante GPT0,211
Écart entre enseignants0,204 · 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

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Wireless Network OptimizationTravaux en français237 207