Clustering‐based quality selection heuristics for HTTP adaptive streaming over cache 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
Summary HyperText Transfer Protocol (HTTP) Adaptive Streaming (HAS) has become the de facto standard video‐streaming technology. The benefits of HAS are manifold: reliable transmission of video data avoiding artifacts caused by packet loss, easy fire wall, and Network Address Translation (NAT) traversal and the seamless reuse of existing HTTP caching infrastructure. However, introducing transparent, intermediary caching nodes on the delivery path can impact the Quality of Experience (QoE) perceived by the end user. In cache‐assisted HAS, segments can be served from different origins based on the content of the caches, causing highly fluctuating throughput and Round‐Trip Time (RTT) measurements, negatively impacting the stability and optimality of the quality decisions due to incorrect throughput estimations. In this paper, we propose heuristics that are able to use information on the streaming origin and intermediary cache contents to optimize the quality selection process. Using more accurate per origin throughput measurements, buffer starvations can be avoided. Moreover, including the cache state information in the decision process can positively impact the streaming quality. Furthermore, approximation techniques based on unsupervised incremental clustering are proposed to detect the streaming origin in absence of an external information channel. Similarly, a cache probability‐based heuristic is proposed to predict the content of the expected delivery location when this information is not transferred. With perfect information, the proposed heuristics improve the QoE with 0.52 on a scale between 1 and 5, while the approximation techniques result in a performance gain between 0.04 and 0.36 for a dynamic scenario and a reduction of buffer starvations with a factor 3 to 7.
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 | 0,001 | 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