Cross-Layer Optimization of Fast Video Delivery in Cache- and Buffer-Enabled Relaying 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
In this paper, we investigate the cross-layer optimization of caching and fast video delivery for enhanced video streaming quality of experience in two-hop relaying networks, where a base station supplies video data to multiple users with the help of relays. Different from conventional systems, each half-duplex relay node is equipped with a cache and a buffer to facilitate joint scheduling of video fetching and delivery. This introduces channel diversity gains and facilitates fast video delivery. In particular, we investigate two-stage caching and delivery control schemes for the minimization of the overall video delivery time. An offline caching and delivery optimization problem, which assumes full knowledge of user requests and channel state information (CSI), is formulated but turns out to be functional and nonconvex. However, we unveil a hidden quasi-convexity and convexity in the two layers of the decomposed problem and, hence, solve the offline problem optimally and efficiently. Moreover, online video delivery control exploiting statistical CSI is investigated under a stochastic dynamic programming (DP) framework. To mitigate the high computational complexity of DP, we further propose a low-complexity online video delivery algorithm, which achieves close-to-optimal performance in the high buffer capacity regime. Simulation results show that our offline and online schemes can significantly reduce the overall video delivery time due to the degrees of freedom enabled by caching and buffering. Besides, an interesting tradeoff between caching and buffering gains in exploiting the diversity of the wireless channel is revealed.
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 | 0,000 | 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 | 0,000 |
| 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 découle