What Makes QUIC Configurations Better for Streaming?
Notice bibliographique
Résumé
QUIC has emerged as the de-facto standard for video streaming, especially with 5G enabling 4K content delivery. However, fluctuations between 4G and 5G due to congestion, mobility, or obstructions cause bandwidth variations that pose challenges for HTTP Adaptive Streaming (HAS), degrading Quality of Experience (QoE). Current QUIC implementations rely on static configurations, such as fixed pacing rates and buffer sizes, limiting adaptability to network conditions in real-time. Additionally, low server throughput combined with constrained Active Queue Management (AQM) at the router can further degrade performance if congestion control and pacing do not adjust, resulting in playback interruptions and reduced video quality. To tackle these challenges, we propose LCA-Q, a server-side learning-based Connection-Aware QUIC that leverages encrypted playback statistics alongside encrypted AQM data from the router. This approach enables real-time adjustment of transmission parameters for each connection, responding to varying client demands and network conditions. Additionally, LCA-Q can adapt its pacing rate dynamically for each connection to effectively handle highly fluctuating bandwidth. Preliminary results demonstrate that LCA-Q improves the VMAF by ~4%, QoEyin by ~41% while reducing rebuffering duration by ~8% for video-on-demand (VoD) streaming mode and improves the VMAF by ~7%, QoEyin by ~49% with comparable rebuffering for low-latency-live (LLL) streaming.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».