Robust Long-Term Predictive Adaptive Video Streaming Under Wireless Network Uncertainties
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
Recent research on predictive video delivery promised optimal resource utilization and quality of service (QoS) satisfaction to both dynamic adaptive streaming over HTTP (DASH) providers and mobile users. These gains were attained while presuming an idealistic environment with perfect predictions. Thus, a robust QoS-aware predictive-DASH (P-DASH) is of paramount importance to handling the practical uncertainty implied in predicted information. In this paper, we propose a stochastic QoS-aware robust predictive-DASH (RP-DASH) scheme over future wireless networks that takes into account imperfect rate predictions. The objective is to achieve long-term quality fairness among the DASH users while capping the probability of service degradation by an operator predefined level. A deterministic formulation is then obtained using the scenario approximation, which adopts the probability density function (PDF) of predicted rates. A linear conservative approximation is introduced to provide an NP-complete formulation, which can be optimized by commercial solvers. Since exact PDF might not be available, Gaussian approximation is adopted by the introduced scheme to provide a closed form less complexity formulation. To support real-time implementations, a guided heuristic algorithm is devised to obtain near-optimal resource allocations and quality selections, while satisfying the predefined QoS level. Previous non-robust P-DASH schemes are evaluated in this paper, while considering typical error models in predicted rates. Such schemes resulted in increased QoS and the quality of experience degradations with the network load, which was avoided by the introduced RP-DASH. Results further revealed the ability of RP-DASH to reach optimal and fair QoS satisfactions.
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 | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,005 | 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