Streaming Media over LEO Satellite Networking: A Measurement-Based Analysis and Optimization
Notice bibliographique
Résumé
Recently, Low Earth orbit Satellite Networks (LSNs) have been suggested as a critical and promising component toward high-bandwidth and low-latency global coverage in the upcoming 6G communication infrastructure. SpaceX’s Starlink is arguably the largest and most operational LSN to date. There have been practical uses of Starlink across diverse networked applications, including those with stringent demands, such as multimedia applications. Given the mixed and inconsistent feedback from end users, it remains unclear whether today’s LSNs, in particular Starlink, are ready for realtime multimedia. In this article, we present a systematic measurement study on realtime multimedia services over Starlink, seeking insights into their operations and performance in this new generation of networking. Our findings demonstrate that Starlink can handle most video-on-demand (VoD) and live-streaming services with properly configured buffers but suffers from video pauses or audio cut-offs during interactive videoconferencing. We identify the key factors that impact the performance of LSN, particularly for multimedia services, including satellite switching, routing strategies, and weather conditions. Our findings offer valuable hints into future enhancements for multimedia services over LSNs. Specifically, we further propose a Weather Aware Buffer Based Rate Adaption algorithm based on our observations on weather impacts, which is capable of maximizing the quality of experience for VoD applications with seamless integration of dynamic weather conditions.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».