QoE-driven Joint Decision-Making for Multipath Adaptive Video Streaming
Notice bibliographique
Résumé
Multipath transport protocols including multipath TCP (MPTCP) and multipath QUIC (MPQUIC) are designed to utilize multiple network paths for simultaneous data transfer. These protocols try to improve network performance and offer better resilience in dynamic network environments. Nonetheless, the actual performance improvement is heavily reliant on the effectiveness of the multipath scheduling algorithms. In specific scenarios such as adaptive video streaming, most existing solutions feature two separate and independent control loops for multipath scheduling and video bitrate adaptation, while multipath scheduling algorithms are usually transparent to the video bitrate adaptation process. Lacking the context of inter-path differences and intra-path fluctuations for both network throughput and latency may potentially result in a suboptimal quality of experience (QoE) for video streaming. Such circumstances may lead to a reduced video bitrate, increased latency, and a greater number of rebuffering events. In this paper, we present a QoE-driven joint decision-making framework based on contextual multi-armed bandit (CMAB) algorithms to efficiently address multipath adaptive video streaming problems. This approach merges application-layer (playback buffer ratio) and network-layer (throughput and latency) metrics to create a context-aware online learning model, which can adaptively select the ideal network path and bitrate for multipath adaptive video streaming. Both network emulation and real-world experiments demonstrate that the proposed algorithm delivers better QoE, including higher average video bitrate and fewer rebuffering events when compared to independent decision-making algorithms.
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 | 0,001 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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 ».