IMAC: Intelligent Multi-Agent Content Steering for DASH
Notice bibliographique
Résumé
Multi-CDN strategies are crucial for enhancing Quality of Experience (QoE) in adaptive video streaming. The recent development of the content steering standard (ETSI TS 103 998) facilitates real-time decision-making by gathering performance data from players and CDNs to select the best-performing CDN. Current CDN selection methods rely on heuristic approaches that struggle with network variability lack scalability and often result in extended switching delays and complex implementations, compromising QoE. It is imperative to develop a more robust CDN selection solution that can be generalizable to various network conditions and client demands. To fill this gap, we introduce IMAC, a learning-based multi-agent solution for real-time CDN selection applicable to both video-on-demand (VoD) and low-latency-live (LLL) streaming. Leveraging a deep reinforcement learning (DRL) framework aligned with the content steering standard, IMAC predicts optimal CDN policies in realtime. By coordinating multiple agents, it minimizes CDN switching delays, enhances reliability, and adapts to network conditions, content types, and viewer demands, ensuring seamless high-quality content delivery. Preliminary results show a ~24% VMAF improvement with a ~187% QoE increase and no rebuffering for VoD and a ~17% VMAF increase with ~186% better QoE and a ~23% reduction in rebuffering for LLL mode.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».