E2E Performance Modeling for Slice-Based Video Streaming With Layered Encoding
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we present a performance analytical model for end-to-end (E2E) service provisioning (i.e., processing or transmission) of layer-encoded video packets over a network slice in the core network. The disparate service reliability requirements of base layer (BL) and enhancement layer (EL) packets are considered in the proposed analytical model for the E2E packet delays, deadline violation probabilities, and throughputs of BL and EL packets. Specifically, a network function virtualization (NFV) node along the routing path of the video streaming slice is split into two consecutive logical nodes, one for packet processing and the other for transmission, based on which a segment-based analysis framework is proposed for E2E service performance modeling. A two-stage queuing model is established to obtain the approximate steady-state probability distribution of queue length at the first node in the first segment, upon which the BL/EL packet delay, deadline violation probability, and throughput at the segment are derived. In addition, the inter-departure time of successive packets departing from the first segment is analyzed based on an approximate M/D/1 system, and the packet departure process at the first segment is approximated as a Poisson process under the assumption of a large packet service rate of the first node. The independence between two consecutive segments is then achieved for analysis tractability, based on which the E2E performance measures are derived. Extensive simulation results demonstrate the accuracy of our proposed performance analytical model and its effectiveness such as in transport parameter determination.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle