Utilization of Stochastic Modeling for Green Predictive Video Delivery Under 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
Predictive resource allocation (PRA) has gained momentum in the network research community as a way to cope with the exponential increase in video traffic. Existing PRA schemes have demonstrated profound energy savings and ubiquitous quality of service (QoS) satisfaction under idealistic prediction of future network states. In this paper, we relax the main assumption of existing PRA work and tackle uncertainties in predicted information which resulted from space and time variation of the network load and users demands. A robust green PRA (R-GPRA) is proposed to: model the uncertainties as random variables, ensure a probabilistic satisfaction of QoS constraints, and follow a risk-aware preallocation of future demand. A recourse programming model is used to represent the tradeoff between the energy-savings and the risk of wasting resources while considering the probability of a user terminating the video session at each time slot. Thus, the scheme prevents the network from prebuffering the future video content that might be skipped by the user. Similarly, a chance constrained programming model is proposed to provide a probabilistic QoS representation to guarantee that the sum of resources, predetermined to video streaming users, do not surpass the total time-varying network capacity. We prove that a near-optimal solution is attainable by proposing a guided heuristic search with small optimality gap to numerical methods. Simulation results demonstrate the ability of R-GPRA to deliver energy-efficient video streaming with less resources than existing PRA while promising QoS satisfaction. These results provide the incentive to implement the R-GPRA in future wireless networks.
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 | 0,001 | 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