Notice bibliographique
Résumé
Cloud-based multimedia application has emerged as a popular service, delivering on demand media computing and storage to millions of users. Though widely deployed, the quality of service (QoS) in current cloud-based multimedia service is not satisfying, due to the varying user demands and strict response time requirements. This thesis investigates resource allocation approaches to improve QoS for cloud-based multimedia services. A service model is desired to quantify the user demands and resource allocation. To meet this need, we propose a queueing model to characterize the cloud service process, based on which we investigate the response time minimization problem and the resource cost minimization problem in single-service scenario, multi-service scenario, and priority service scenario, respectively. Dynamic workload causes the unbalanced resource utilization and local congestion in multimedia cloud. To address this issue, we propose a two-time-scale resource configuration (TRC) scheme to dynamically allocate virtual machines (VMs) to adapt to varying workload. Based on the TRC scheme, we solve the optimal VM configuration problems to minimize the resource cost or minimize the average response time for the single-site cloud scenario and the multi-site cloud scenario, respectively. We propose optimal workload scheduling schemes at user level and task level, respectively. At user level, we optimize the workload assignment to minimize the response time or minimize the resource cost. At task level, we introduce a directed acyclic graph to model the precedence constraints among tasks, and then solve the execution time minimization problems for sequential structure, parallel structure, and mixed structure, respectively. Cloud gaming is an emerging interactive multimedia service. However, current cloud gaming suffers from a high bandwidth consumption and a large response delay. We propose a hybrid streaming framework to provide a high quality cloud gaming experience. We solve the delay-rate-distortion (d-R-D) optimization problem to minimize the overall distortion under the bandwidth and response delay constraints.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».