CAQ: Connection-Aware Adaptive QUIC Configurations for Enhanced Video Streaming
Notice bibliographique
Résumé
QUIC is rapidly emerging as the de facto standard for video streaming, particularly with the advent of 5G technology enabling the delivery of high resolution 4K content. However, sudden fluctuations in network capacity between 4G and 5G networks can occur due to various factors, such as network congestion, user mobility, or physical obstructions, leading to rapid changes in available bandwidth, which pose significant challenges for HTTP Adaptive Streaming (HAS) sessions that rely on more stable data rates for smooth playback, often resulting in interruptions and degraded Quality of Experience (QoE). Furthermore, current QUIC implementations are characterized by static configuration parameters, including constant pacing rates and static buffer sizes. This rigidity limits the server's ability to adapt dynamically to the client's real-time network conditions, making it challenging to prevent playback stalls and improve user QoE. To address these issues, we propose Connection-Aware QUIC (CAQ), which utilizes encrypted client playback statistics to dynamically adjust server parameters and implement an adaptive pacing rate. This approach aims to optimize streaming performance and enhance user experience, even in highly fluctuating network conditions. To evaluate the performance of CAQ, we conduct a series of trace-driven experiments across two key streaming modes: Video-on-Demand (VoD) and Low-Latency Live (LLL). Experimental results demonstrate that CAQ improves the VMAF by ~4%, QoEyin by ~41% while reducing rebuffering duration by ~8% for VoD mode and improves the VMAF by ~7%, QoEyin by ~49% with comparable 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 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 | 0,000 | 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 ».