From 5G RAN Queue Dynamics to Playback: A Performance Analysis for QUIC Video Streaming
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
The rapid adoption of QUIC as a transport protocol has transformed content delivery by reducing latency, enhancing congestion control (CC), and enabling more efficient multiplexing. With the advent of 5G networks, which support ultra-low latency and high bandwidth, streaming high-resolution video at 4K and beyond has become increasingly viable. However, optimizing Quality of Experience (QoE) in mobile networks remains challenging due to the complex interactions among Adaptive Bit Rate (ABR) schemes at the application layer, CC algorithms at the transport layer, and Radio Link Control (RLC) queuing at the link layer in the 5G network. While prior studies have largely examined these components in isolation, this work presents a comprehensive analysis of the impact of modern active queue management (AQM) strategies, such as RED and L4S, on video streaming over diverse QUIC implementations—focusing particularly on their interaction with the RLC buffer in 5G environments and the interplay between CC algorithms and ABR schemes. Our findings demonstrate that the effectiveness of AQM strategies in improving video streaming QoE is intrinsically linked to their dynamic interaction with QUIC implementations, CC algorithms and ABR schemes—highlighting that isolated optimizations are insufficient. This intricate interdependence necessitates holistic, cross-layer adaptive mechanisms capable of real-time coordination between network, transport and application layers, which are crucial for leveraging the capabilities of 5G networks to deliver robust, adaptive, and high-quality video.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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