A Multi-CDN Playground for Dash.js: Enabling Integration of CDN Switching Strategies
Notice bibliographique
Résumé
The recent introduction of the ETSI TS 103 998 content steering standard marks a significant milestone in the evolution of media delivery for content providers. This standard simplifies the process of utilizing multiple Content Delivery Networks (CDNs), a key requirement for managing large-scale client bases. It offers clear guidelines for real-time CDN state switching, which enhances the user experience by dynamically selecting the most suitable CDN based on changing network conditions. In contrast, current industry solutions often resemble load balancing techniques, relying on heuristic approaches that are manually crafted and unable to adapt effectively to varying network environments. These static solutions frequently fail to optimize the user experience in real-time, especially when faced with diverse and unpredictable network conditions. In this paper, we utilize our previous work StreamWise---a DRL-based multi-CDN solution that outperforms existing state-of-the-art methods, offering superior adaptability and efficiency. We integrate this solution into the Dash.js reference player. Through a comprehensive demonstration, we illustrate how StreamWise, or any other multi-CDN solution, can be seamlessly incorporated into Dash.js, providing a benchmark for future developments in multi-CDN switching solutions. Experimental results in the wild demonstrate the performance of various multi-CDN solutions for Dash.js in Video on Demand (VoD) streaming mode. On average, StreamWise provides a ~78% improvement in VMAF compared to other solutions, while also ensuring smooth quality transitions., while also ensuring smooth quality transitions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».