MétaCan
Menu
← Retour à la cohorte
Enregistrement W3118472998 · doi:10.3390/fi13080209

Crowdsourcing Framework for QoE-Aware SD-WAN

2021· article· en· W3118472998 sur OpenAlexafffund
Ibtihal Ellawindy, Shahram Shah Heydari

Notice bibliographique

RevueFuture Internet · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage and Video Quality Assessment
Établissements canadiensOntario Tech University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceQuality of experienceCrowdsourcingNetwork delayCloud computingQuality (philosophy)Quality of serviceService (business)Network performanceService qualityMeasure (data warehouse)MultimediaReal-time computingComputer networkData miningWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Abstract The exponential increase in bandwidth-sensitive multimedia traffic on the Internet has created new challenges and opportunities. With the shifting focus from service availability to service quality, there is a need to have quality management measures to serve the high needs of efficient transmission and delivery in time-constrained environments over IP networks. Quality of Experience (QoE) is now considered the most important measure to achieve the twin goals of application efficiency and user satisfaction from a user perspective. In this paper, we propose a framework that can be used to collect real-time QoE feedback through crowdsourcing and forward it to SD-WAN controllers to enhance streaming routes based on real-time user quality perceptions. We analyze how QoE can be affected by different network conditions, and how different streaming protocols compare against each other when the network parameters change dynamically. We compare the real-time user feedback to predefined network changes to measure if participants will be able to identify all degradation events, and to examine which combination of degradation events are noticeable to the participants. These QoE timestamped feedback is sent back to the SD-WAN controller continuously in order to locate problems and bottlenecks in the current service paths and to enable network controllers to take corrective action by rerouting the streamed traffic. Our aim is to demonstrate that real-time QoE feedback can enhance cloud-based services and can adjust services quality based on real-time, active participants’ interaction[1].[1] This paper extends the preliminary results presented by the authors at the PVE-SDN 2019 workshop in IEEE Conference on Network Softwarization (NetSoft 2019).

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0030,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,319
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFuture Internet→Même sujetImage and Video Quality Assessment→Travaux en français237 207→