Content-aware and QoE Optimization of Video Stream Scheduling over LTE Networks using Genetic Algorithm and Random Neural 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
Long Term Evolution (LTE) networks support Quality of Service (QoS) of multimedia services with fast communication connectivity, high data transfer speed and high level of security. Video streaming over LTE networks is one of the highest proportions of global mobile data traffic and is growing; this has led to the development of several scheduling algorithms aimed at improving the performance of these networks. The performance analysis and evaluation of existing scheduling algorithms are generally limited to QoS parameters. It is not clear how these scheduling algorithms perform in terms of Quality of Experience (QoE) which is the overall acceptability of a service or application, as perceived subjectively by end users. Video content has a major impact on QoE; thus its analysis in scheduling algorithms performance is critical. The aim of this study is to classify video content based on the impact of video content on quality over LTE networks. This classification is then used to develop novel QoE-aware optimization scheduling of video traffic in order to achieve maximum QoE. Our approach focuses on the development of optimization downlink scheduling based on a novel integration between random neural networks (RNN) and genetic algorithms (GA) to learn complex non-linear mapping of QoE and to search for the optimal parameters, respectively. An open source simulation tool for LTE networks (LTE-Sim) has been used to collect unique RNN training database based on existing scheduling algorithms. A comparison between the proposed scheduler and state-of-the-art LTE downlink scheduling algorithms (FLS, EXP-rule, and LOG-rule) has been made under different network conditions. Simulation results showed an increase in performance of about 15% in terms of QoE and throughput while maintaining fairness.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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