論文の概要: ANT: Learning Accurate Network Throughput for Better Adaptive Video
Streaming
- arxiv url: http://arxiv.org/abs/2104.12507v1
- Date: Mon, 26 Apr 2021 12:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:27:44.913755
- Title: ANT: Learning Accurate Network Throughput for Better Adaptive Video
Streaming
- Title（参考訳）: ANT: 適応型ビデオストリーミングのための正確なネットワークスループットの学習
- Authors: Jiaoyang Yin, Yiling Xu, Hao Chen, Yunfei Zhang, Steve Appleby, Zhan
Ma
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.544139447901113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive Bit Rate (ABR) decision plays a crucial role for ensuring
satisfactory Quality of Experience (QoE) in video streaming applications, in
which past network statistics are mainly leveraged for future network bandwidth
prediction. However, most algorithms, either rules-based or learning-driven
approaches, feed throughput traces or classified traces based on traditional
statistics (i.e., mean/standard deviation) to drive ABR decision, leading to
compromised performances in specific scenarios. Given the diverse network
connections (e.g., WiFi, cellular and wired link) from time to time, this paper
thus proposes to learn the ANT (a.k.a., Accurate Network Throughput) model to
characterize the full spectrum of network throughput dynamics in the past for
deriving the proper network condition associated with a specific cluster of
network throughput segments (NTS). Each cluster of NTS is then used to generate
a dedicated ABR model, by which we wish to better capture the network dynamics
for diverse connections. We have integrated the ANT model with existing
reinforcement learning (RL)-based ABR decision engine, where different ABR
models are applied to respond to the accurate network sensing for better rate
decision. Extensive experiment results show that our approach can significantly
improve the user QoE by 65.5% and 31.3% respectively, compared with the
state-of-the-art Pensive and Oboe, across a wide range of network scenarios.
- Abstract（参考訳）: アダプティブビットレート(ABR)の決定は、過去のネットワーク統計を主に将来のネットワーク帯域幅予測に活用するビデオストリーミングアプリケーションにおいて、満足度の高いQuality of Experience(QoE)を確保する上で重要な役割を果たす。
しかし、ほとんどのアルゴリズムはルールベースまたは学習駆動のアプローチ、スループットトレースのフィード、または従来の統計に基づく分類されたトレース(平均/標準偏差)によってABRの決定を駆動し、特定のシナリオのパフォーマンスを損なう。
本稿では、ネットワークスループットセグメント(nts)の特定のクラスタに関連する適切なネットワーク条件を導出するために、過去の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antモデル(すなわち、正確なネットワークスループット)を学習することを提案する。
NTSの各クラスタは専用のABRモデルを生成するために使用されます。
我々は、ANTモデルと既存の強化学習(RL)ベースのABR決定エンジンを統合し、ABRモデルを用いて精度の高いネットワークセンシングを行い、高いレート決定を行う。
広範な実験結果から,提案手法は,ネットワークシナリオにおいて,最先端のペンシブやオーボエと比較して,65.5%,31.3%,有意にユーザqoeを改善できることがわかった。
関連論文リスト
- DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。
大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
論文 参考訳（メタデータ） (2024-10-18T14:04:38Z) - SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel
Allocation in Cognitive Interference Networks [10.514231683620517]
本稿では,複数の大規模ネットワークによるキャリヤ間干渉(ICI)とチャネル再利用を経験する実世界のシステムに焦点を当てる。
CARLTON(Channel Allocation RL To Overlapped Networks)と呼ばれる分散DCAのための新しいマルチエージェント強化学習フレームワークを提案する。
本結果は,従来の最先端手法に比べて優れた効率性を示し,優れた性能とロバストな一般化を示した。
論文 参考訳（メタデータ） (2024-02-17T20:03:02Z) - A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in
Next-gen Networks [1.1586742546971471]
次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。
交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。
我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
論文 参考訳（メタデータ） (2024-02-07T01:48:29Z) - 5G Network Slicing: Analysis of Multiple Machine Learning Classifiers [0.0]
本稿では,ロジスティック回帰モデル,線形判別モデル,k-ネアレスト近傍モデル,決定木モデル,ランダム森林モデル,SVC BernoulliNBモデル,ガウスアンNBモデルなど,さまざまな機械学習手法を評価し,ネットワークスライス検出における各モデルの精度と精度について検討する。
レポートでは5Gネットワークスライシングの概要も紹介されている。
論文 参考訳（メタデータ） (2023-10-03T02:16:50Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB
networks [0.0]
統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。
本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
論文 参考訳（メタデータ） (2023-08-31T21:30:25Z) - Deep Reinforcement Learning for Dynamic Spectrum Sharing of LTE and NR [10.210703513367864]
4Gと5Gシステム間の積極的な動的スペクトル共有スキームを提案する。
モンテカルロ木探索に基づく深層強化学習アルゴリズムを提案する。
提案手法は,各サブフレームにおいて欲張りではなく,将来の状態を考慮しながら行動を起こすことができることを示す。
論文 参考訳（メタデータ） (2021-02-22T16:56:51Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video
Streaming over HTTP [89.30855958779425]
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。
論文 参考訳（メタデータ） (2019-12-27T01:19:14Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。