論文の概要: An Intelligent Resource Reservation for Crowdsourced Live Video
Streaming Applications in Geo-Distributed Cloud Environment
- arxiv url: http://arxiv.org/abs/2106.02420v1
- Date: Fri, 4 Jun 2021 11:45:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 22:42:31.821112
- Title: An Intelligent Resource Reservation for Crowdsourced Live Video
Streaming Applications in Geo-Distributed Cloud Environment
- Title（参考訳）: 地理的分散クラウド環境におけるクラウドソーシングライブストリーミングアプリケーションのためのインテリジェントなリソース保護
- Authors: Emna Baccour, Fatima Haouari, Aiman Erbad, Amr Mohamed, Kashif Bilal,
Mohsen Guizani, Mounir Hamdi
- Abstract要約: 本研究では,地理的分散クラウドサイトを対象とした機械学習に基づく予測リソース割り当てフレームワークを提案する。
まず,ビューア近傍の分散領域において,必要なリソースを決定するオフライン最適化を提案する。
第2に、機械学習を使用して予測モデルを構築し、事前に各クラウドサイトに予約すべきリソースを積極的に予測します。
- 参考スコア（独自算出の注目度）: 45.61165288624505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crowdsourced live video streaming (livecast) services such as Facebook Live,
YouNow, Douyu and Twitch are gaining more momentum recently. Allocating the
limited resources in a cost-effective manner while maximizing the Quality of
Service (QoS) through real-time delivery and the provision of the appropriate
representations for all viewers is a challenging problem. In our paper, we
introduce a machine-learning based predictive resource allocation framework for
geo-distributed cloud sites, considering the delay and quality constraints to
guarantee the maximum QoS for viewers and the minimum cost for content
providers. First, we present an offline optimization that decides the required
transcoding resources in distributed regions near the viewers with a trade-off
between the QoS and the overall cost. Second, we use machine learning to build
forecasting models that proactively predict the approximate transcoding
resources to be reserved at each cloud site ahead of time. Finally, we develop
a Greedy Nearest and Cheapest algorithm (GNCA) to perform the resource
allocation of real-time broadcasted videos on the rented resources. Extensive
simulations have shown that GNCA outperforms the state-of-the art resource
allocation approaches for crowdsourced live streaming by achieving more than
20% gain in terms of system cost while serving the viewers with relatively
lower latency.
- Abstract（参考訳）: Facebook Live、YouNow、Douyu、Twitchといったクラウドソーシングのライブビデオストリーミング(ライブキャスト)サービスが最近勢いを増している。
QoS(Quality of Service)を最大化しながら、制限されたリソースをコスト効率よく割り当てることは、すべての視聴者に適切な表現を提供することが難しい問題です。
本稿では,ジオ分散クラウドサイトのための機械学習に基づく予測資源割当フレームワークについて,視聴者のqosの最大化とコンテンツプロバイダの最小コストを保証するための遅延と品質の制約を考慮して紹介する。
まず、QoSと全体的なコストのトレードオフにより、視聴者の近くの分散領域における必要なトランスコーディングリソースを決定するオフライン最適化を提案する。
第2に、機械学習を使用して予測モデルを構築し、前もって各クラウドサイトに予約される近似トランスコーディングリソースを積極的に予測します。
最後に,レンタルリソース上でリアルタイムブロードキャストされたビデオのリソース割り当てを行うためのgnca(greedy closest and cheapest algorithm)を開発した。
大規模なシミュレーションにより、GNCAはクラウドソーシングされたライブストリーミングにおける最先端のリソース割り当てアプローチよりも、比較的低いレイテンシで視聴者に提供しながら、システムコストの20%以上のゲインを達成できることが示されている。
関連論文リスト
- Topology-aware Preemptive Scheduling for Co-located LLM Workloads [7.240168647854797]
我々は,ハイブリッドワークロードのスケジューリングのための微粒なトポロジ認識手法を開発した。
本手法は, プリエンプションの効率を大幅に向上し, LLMワークロードのスケジュール性能を55%向上させる。
論文 参考訳（メタデータ） (2024-11-18T13:26:09Z) - Double Deep Q-Learning-based Path Selection and Service Placement for
Latency-Sensitive Beyond 5G Applications [11.864695986880347]
本稿では,CCRAと呼ばれる通信資源割当と計算機資源割当の連立問題を,総コストを最小化するために検討する。
我々は,この問題を非線形プログラミングモデルとして定式化し,B&B-CCRAとWF-CCRAという2つのアプローチを提案する。
数値シミュレーションにより,B&B-CCRAが最適解であるのに対し,WF-CCRAは比較的短い時間でほぼ最適解を提供することがわかった。
論文 参考訳（メタデータ） (2023-09-18T22:17:23Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - RAPID: Enabling Fast Online Policy Learning in Dynamic Public Cloud
Environments [7.825552412435501]
本研究では,動的運用環境における資源割当ポリシ学習の高速化を目的とした新しいフレームワークを提案する。
我々のフレームワークは、従来の最先端の時間と比較して、数分で安定したリソース割り当てポリシーを学習できることを示します。
論文 参考訳（メタデータ） (2023-04-10T18:04:39Z) - A Bandit Approach to Online Pricing for Heterogeneous Edge Resource
Allocation [8.089950414444115]
ヘテロジニアスなエッジリソース割り当てのための2つの新しいオンライン価格設定機構が提案されている。
このメカニズムはリアルタイムで動作し、需要分布に関する事前の知識を必要としない。
提案した価格体系では, 利用者が好みのリソースを選択し, 支払うことができ, 観測された履歴データに基づいて動的に資源価格を調整できる。
論文 参考訳（メタデータ） (2023-02-14T10:21:14Z) - Coordinated Online Learning for Multi-Agent Systems with Coupled
Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。
提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文 参考訳（メタデータ） (2020-10-21T10:11:17Z) - A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。
顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
論文 参考訳（メタデータ） (2020-10-10T17:35:55Z) - Pollux: Co-adaptive Cluster Scheduling for Goodput-Optimized Deep
Learning [61.29990368322931]
Polluxは、相互依存要因を適応的に最適化することで、ディープラーニング(DL)クラスタのスケジューリング性能を改善する。
Polluxは、最先端のDLスケジューラと比較して、平均的なジョブ完了時間を37-50%削減する。
論文 参考訳（メタデータ） (2020-08-27T16:56:48Z) - A Non-Stationary Bandit-Learning Approach to Energy-Efficient
Femto-Caching with Rateless-Coded Transmission [98.47527781626161]
小セルネットワークにおける共同キャッシュと送信のためのリソース割り当て問題について検討する。
次に、各放送ラウンドの送信電力レベルとともに、キャッシュからファイルを選択するという問題を定式化する。
最先端の研究とは対照的に、提案手法は時変統計特性を持つネットワークに特に適している。
論文 参考訳（メタデータ） (2020-04-13T09:07:17Z) - 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)
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。