論文の概要: Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video
Streaming over HTTP
- arxiv url: http://arxiv.org/abs/1912.11954v1
- Date: Fri, 27 Dec 2019 01:19:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-10 00:23:10.547704
- Title: Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video
Streaming over HTTP
- Title(参考訳): HTTP上の動的ビデオストリーミングのための非協調ゲーム理論に基づくレート適応
- Authors: Hui Yuan, Huayong Fu, Ju Liu, Junhui Hou, and Sam Kwong
- Abstract要約: Dynamic Adaptive Streaming over HTTP (DASH)は、新興かつ有望なマルチメディアストリーミング技術であることを示した。
本稿では,サーバの限られた輸出帯域幅をマルチユーザに対して最適に割り当てるアルゴリズムを提案し,その品質・オブ・エクスペリエンス(QoE)を公平性で最大化する。
- 参考スコア(独自算出の注目度): 89.30855958779425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic Adaptive Streaming over HTTP (DASH) has demonstrated to be an
emerging and promising multimedia streaming technique, owing to its capability
of dealing with the variability of networks. Rate adaptation mechanism, a
challenging and open issue, plays an important role in DASH based systems since
it affects Quality of Experience (QoE) of users, network utilization, etc. In
this paper, based on non-cooperative game theory, we propose a novel algorithm
to optimally allocate the limited export bandwidth of the server to multi-users
to maximize their QoE with fairness guaranteed. The proposed algorithm is
proxy-free. Specifically, a novel user QoE model is derived by taking a variety
of factors into account, like the received video quality, the reference buffer
length, and user accumulated buffer lengths, etc. Then, the bandwidth competing
problem is formulated as a non-cooperation game with the existence of Nash
Equilibrium that is theoretically proven. Finally, a distributed iterative
algorithm with stability analysis is proposed to find the Nash Equilibrium.
Compared with state-of-the-art methods, extensive experimental results in terms
of both simulated and realistic networking scenarios demonstrate that the
proposed algorithm can produce higher QoE, and the actual buffer lengths of all
users keep nearly optimal states, i.e., moving around the reference buffer all
the time. Besides, the proposed algorithm produces no playback interruption.
- Abstract(参考訳): 動的Adaptive Streaming over HTTP (DASH)は、ネットワークの可変性を扱う能力のため、新興かつ有望なマルチメディアストリーミング技術であることが実証されている。
DASHベースのシステムでは,ユーザのQoE(Quality of Experience)やネットワーク利用などに影響を与えるため,レート適応機構が重要な役割を果たす。
本稿では,非協調ゲーム理論に基づいて,サーバの限られた輸出帯域幅をマルチユーザに最適に割り当て,公平性を保証したQoEを最大化するアルゴリズムを提案する。
提案アルゴリズムはプロキシフリーである。
具体的には、受信した映像品質、参照バッファ長、ユーザが蓄積したバッファ長など、さまざまな要因を考慮して、新規なユーザqoeモデルを導出する。
そして、理論的に証明されたナッシュ平衡が存在する非協力ゲームとして帯域競合問題を定式化する。
最後に,nash平衡を求めるために,安定性解析を用いた分散反復アルゴリズムを提案する。
最先端の手法と比較すると、シミュレーションと現実的なネットワークシナリオの両方で広範な実験結果が示され、提案手法はより高いqoeを生成することができ、全てのユーザの実際のバッファ長がほぼ最適な状態、すなわち、常に参照バッファを動き回る。
また,提案アルゴリズムは再生中断を発生しない。
関連論文リスト
- ResQ: Residual Quantization for Video Perception [18.491197847596283]
本稿では,Residual Quantization(Residual Quantization)と呼ばれるビデオネットワークのための新しい量子化手法を提案する。
ビデオの変化量に比例してビット幅を動的に調整するために、我々のモデルを拡張します。
論文 参考訳(メタデータ) (2023-08-18T12:41:10Z) - Reinforcement Learning -based Adaptation and Scheduling Methods for
Multi-source DASH [1.1971219484941955]
HTTP(DASH)上の動的適応ストリーミングは、最近ビデオストリーミングで広く使われている。
マルチソースストリーミングでは、ネットワークパスの異なる条件のために、ビデオチャンクが順番に到着する可能性がある。
本稿では,複数のソースからストリーミングする2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-07-25T06:47:12Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - AuxAdapt: Stable and Efficient Test-Time Adaptation for Temporally
Consistent Video Semantic Segmentation [81.87943324048756]
ビデオセグメンテーションでは、フレーム間で時間的に一貫した結果を生成することは、フレームワイドの精度を達成するのと同じくらい重要である。
既存の方法は、時間的整合性を達成するために、テストデータによる光フローの正則化や微調整に依存している。
本稿では、ほとんどのニューラルネットワークモデルの時間的一貫性を改善するために、効率的で直感的で教師なしのオンライン適応手法であるAuxAdaptを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:07:41Z) - End-to-end Neural Video Coding Using a Compound Spatiotemporal
Representation [33.54844063875569]
本稿では,2つの手法により生成された予測を適応的に組み合わせたハイブリッド動作補償法を提案する。
具体的には、リカレント情報集約(RIA)モジュールを用いて、複合時間表現(STR)を生成する。
さらに、ベクトルベースの再サンプリング、適応カーネルベースの再サンプリング、補償モード選択マップ、テクスチャ拡張を含む、CSTRから複数の予測を生成する1対多デコーダパイプラインを設計する。
論文 参考訳(メタデータ) (2021-08-05T19:43:32Z) - ANT: Learning Accurate Network Throughput for Better Adaptive Video
Streaming [20.544139447901113]
アダプティブビットレート(ABR)決定は、ビデオストリーミングアプリケーションで満足のいくQoE(Quality of Experience)を確保するために重要な役割を果たします。
本稿では、ネットワークスループットダイナミクスの全スペクトルを特徴付けるためにANT(a.k.a., Accurate Network Throughput)モデルを学ぶことを提案する。
その結果,現在のPensiveやOboeと比較して,ユーザQoEを65.5%,31.3%向上させることができることがわかった。
論文 参考訳(メタデータ) (2021-04-26T12:15:53Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2021-01-12T08:36:23Z) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳(メタデータ) (2020-10-02T11:40:09Z) - Real-world Video Adaptation with Reinforcement Learning [38.26695924173461]
クライアント側ビデオプレーヤーは、ユーザ品質のエクスペリエンス(QoE)を最適化するためにアダプティブ(ABR)アルゴリズムを使用する
我々は、Facebookのウェブベースの動画ストリーミングプラットフォームにおいて、最近提案されたRLベースのABR手法を評価した。
3000万以上のビデオストリーミングセッションを持つ1週間の全世界展開において、我々のRLアプローチは、既存の人間工学的ABRアルゴリズムよりも優れています。
論文 参考訳(メタデータ) (2020-08-28T21:44:24Z) - Rethinking Differentiable Search for Mixed-Precision Neural Networks [83.55785779504868]
低ビット幅に量子化された重みとアクティベーションを持つ低精度ネットワークは、エッジデバイスでの推論を加速するために広く利用されている。
現在の解は均一であり、全てのフィルタに同じビット幅を使用する。
これは異なるフィルタの異なる感度を考慮せず、最適以下である。
混合精度ネットワークは、ビット幅を個々のフィルタ要求に調整することでこの問題に対処する。
論文 参考訳(メタデータ) (2020-04-13T07:02:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。