EcoStream: A Resource Utilization and Power Consumption Dataset in Multimedia Streaming for Sustainability Analysis
Notice bibliographique
Résumé
Multimedia streaming has become essential in various applications, such as security, healthcare, and education. However, it is an operation that demands a high amount of resources from CPU, GPU, memory, and network. This creates the need to develop solutions to predict the amount of resources required to provision services to aid in better decision-making for functionalities such as adaptive video quality control and load balancing, thus ensuring the optimal quality of service (QoS) possible to users given any condition. The existing resource utilization prediction solutions in the literature tend to focus on applications related to cloud computing. However, serverbased architectures play a significant role in use cases where data privacy issues require data to remain on-premise such as security camera feeds. Due to the constrained resources within server-based architectures, accurately predicting resource utilization becomes imperative for optimal system performance. In this paper, we present a dataset of the utilization of resources including hardware, network, and power consumption of serverbased architectures in multimedia streaming. The dataset consists of <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$37^{\prime} 800$</tex> different multimedia streaming use cases covering a variety of video resolutions, client numbers, and stream qualities. We detail the process used to collect the dataset and the parameters obtained from the involved systems, analyzing information that can be extracted from the data. Moreover, we establish a benchmark test by evaluating the performance of a plethora of regression models in predicting the resource utilization required from servers for multimedia streaming on a per-resource level pre-service provisioning, where we show that standard regression models can predict the utilization of resources with a root mean squared error of 2.08%, and that power utilization can also be predicted for both CPU and GPU with an error of <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$<2$</tex> Watts. Finally, we evaluate multivariate systems' ability to predict the values of various parameters together, and show that with a deep learning model we can predict resource utilization and power consumption with an accuracy based on the mean absolute error of 94.42% for utilization and <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$<2$</tex> Watts of power consumption error. The data collected on resource utilization can be found on the GitHub repo: https://github.com/talshoura/Resource-Utilization-of-Multimedia
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».