Optimal and Robust QoS-Aware Predictive Adaptive Video Streaming for Future Wireless Networks
Notice bibliographique
Résumé
The exploitation of mobility traces and rate predictions has enabled predictive delivery of video content that can achieve optimal resource utilization and long-term Quality of Service (QoS) satisfaction. The network recognizes users moving towards poor radio conditions in order to prioritize them over other users with better future conditions. In this paper, we propose a QoS-aware predictive Dynamic Adaptive Streaming over HTTP (DASH) scheme that leverages future information to select both the resource sharing and video qualities over a time horizon. The scheme minimizes the number of quality switches while achieving a minimal average quality level with no video stops. We firstly define the maximum prediction gains under idealistic conditions by a scheme referred to as Optimal QoS-Aware Predictive-DASH (OQP-DASH). Then, a robust stochastic based formulation is introduced to handle the practical uncertainty in predicted information, where the scheme is denoted by Robust QoS-Aware Predictive-DASH (RQP-DASH). A chance constraint programming model based on Scenario Approximation (SA) is adopted to cap the risk of service degradation while using the Probability Mass Function (PMF) of predicted rates. Under idealistic conditions, OQP-DASH outperforms the non-predictive opportunistic counterpart and results in fewer quality switches. Applying estimation errors, RQP-DASH avoids QoS degradation without compromising the prediction gains which supports the application of predictive DASH in future network.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».