StreamWise: An Intelligent Content Steering for DASH
Notice bibliographique
Résumé
Multi-CDN strategies have become increasingly important in enhancing Quality of Experience (QoE) for adaptive video streaming. The recent development of the content steering standard (ETSI TS 103 998) aims to facilitate real-time decision-making about the best-performing CDN by gathering statistics from both players and CDNs. However, this task presents significant challenges. Existing solutions for CDN selection rely on heuristics, which often fail to adapt to diverse network conditions and suffer from issues such as prolonged CDN switching delays and/or complex implementation requirements, resulting in poor QoE. To address these limitations, we present StreamWise---a learning-based solution for real-time CDN selection that works effectively for both on-demand and live adaptive video streaming. StreamWise implements on the content steering standard, leveraging a deep reinforcement learning (DRL) framework to learn and predict in real-time the optimal CDN selection policy by continuously interacting with the environment. Our solution adapts in real-time to network conditions, content characteristics, and viewer requirements ensuring the delivery of high-quality content to users. We evaluate StreamWise through extensive trace-driven emulation-based experiments, demonstrating its superior performance compared to conventional CDN selection strategies. Our results demonstrate a significant improvement in VMAF by ~8.5% with ~1.5x higher average bitrate and QoE improvement of ~48% with minimal rebuffering events for video-on-demand streaming and an improvement in VMAF by ~7%, with ~1.2x higher average bitrate and a QoE improvement of ~22% while substantially reducing the rebuffering events by ~10× for live 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 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 | 0,000 |
| 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 ».