Leveraging Graph Theory for Efficient Cache Policy Design in $360^{\circ}$ Video Streaming
Notice bibliographique
Résumé
Immersive systems and <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$360^{\circ}$</tex> video have grown in popularity in recent years. Nevertheless, due to the high bandwidth needs and massive size of these videos, streaming them presents an important issue. A possible solution to this problem is to employ edge caching, which keeps a portion of the video closer to the viewer to reduce latency and assure a higher Quality of Experience (QoE). In this paper, we present a caching policy approach for <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$360^{\circ}$</tex> video streaming that employs a tile-based graph representation of videos. Our method focuses on finding the most relevant tiles for caching. The suggested solution is intended to work efficiently for many videos competing for a single cache, ensuring that the most relevant tiles are cached to maximize performance. It exhibits robustness even in scenarios with a limited number of users, while still being able to effectively handle a vast amount of videos. Our technique can adapt to different video content and user needs by using the graph structure of the videos, making it a flexible and scalable solution for cache management in video streaming. Performance evaluation demonstrate the effectiveness of our method that outperforms existing caching strategies in terms of Cache Hit Ratio (CHR).
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 | 0,001 | 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 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 ».