Stride: Distributed Video Transcoding in Spark
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
On one hand, since the introduction of UHD (ultra-high definition) videos, e.g., 4K and 8K videos, it is becoming more resource and time intensive to transcode videos. On the other hand, the increasing demand for video streaming implies more videos need to be transcoded. These two facts motivate the need for techniques to speedup coding and transcoding time. In this paper, we propose Stride, the first distributed video transcoding system that leverages the Apache Spark big data platform. The design of Stride is transcoder agnostic, meaning it can adopt any transcoder implementation (e.g., FFMPEG) without any modification. We provide an experimental characterization of the impact of video transcoding and Spark configuration parameters to identify the optimal settings. We also compare Stride with competing approaches. Our results show that Stride achieves 3.27 times speedup when the computing power (i.e., the number of vCPUs in a cloud) is increased by a factor of 4, which is significantly higher than the other alternatives we explore. In particular, Spark's dynamic task scheduler allows Stride to reduce transcoding time by 19.86% compared to an implementation without Spark. Our benchmark study suggests that Stride can support transcoding from 4K to 1080p (full HD) at a rate matching the video bitrate using approximately only 24 virtual cores.
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 | 0,001 |
| 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