Fugu-MT 論文翻訳(概要): Modeling Live Video Streaming: Real-Time Classification, QoE Inference, and Field Evaluation

論文の概要: Modeling Live Video Streaming: Real-Time Classification, QoE Inference, and Field Evaluation

arxiv url: http://arxiv.org/abs/2112.02637v1
Date: Sun, 5 Dec 2021 17:53:06 GMT
ステータス: 処理完了
システム内更新日: 2021-12-07 15:40:20.240007
Title: Modeling Live Video Streaming: Real-Time Classification, QoE Inference, and Field Evaluation
Title（参考訳）: ライブビデオストリーミングのモデル化 - リアルタイム分類、qoe推論、フィールド評価
Authors: Sharat Chandra Madanapalli, Alex Mathai, Hassan Habibi Gharakheili, and Vijay Sivaraman
Abstract要約: ReCLiveは、ネットワークレベルの挙動特性に基づいたライブビデオ検出およびQoE計測のための機械学習手法である。 TwitchとYouTubeの約23,000のビデオストリームを分析し、ライブとオンデマンドのストリーミングを区別するトラフィックプロファイルの重要な特徴を特定します。私たちのソリューションは、ISPにライブビデオストリームの細かい可視性を提供し、ユーザエクスペリエンスの測定と改善を可能にします。
参考スコア（独自算出の注目度）: 1.4353812560047186
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Social media, professional sports, and video games are driving rapid growth in live video streaming, on platforms such as Twitch and YouTube Live. Live streaming experience is very susceptible to short-time-scale network congestion since client playback buffers are often no more than a few seconds. Unfortunately, identifying such streams and measuring their QoE for network management is challenging, since content providers largely use the same delivery infrastructure for live and video-on-demand (VoD) streaming, and packet inspection techniques (including SNI/DNS query monitoring) cannot always distinguish between the two. In this paper, we design, build, and deploy ReCLive: a machine learning method for live video detection and QoE measurement based on network-level behavioral characteristics. Our contributions are four-fold: (1) We analyze about 23,000 video streams from Twitch and YouTube, and identify key features in their traffic profile that differentiate live and on-demand streaming. We release our traffic traces as open data to the public; (2) We develop an LSTM-based binary classifier model that distinguishes live from on-demand streams in real-time with over 95% accuracy across providers; (3) We develop a method that estimates QoE metrics of live streaming flows in terms of resolution and buffer stall events with overall accuracies of 93% and 90%, respectively; and (4) Finally, we prototype our solution, train it in the lab, and deploy it in a live ISP network serving more than 7,000 subscribers. Our method provides ISPs with fine-grained visibility into live video streams, enabling them to measure and improve user experience.
Abstract（参考訳）: ソーシャルメディア、プロスポーツ、ビデオゲームはTwitchやYouTube Liveなどのプラットフォームでライブビデオストリーミングの急成長を加速させている。ライブストリーミング体験は、クライアントの再生バッファが数秒に満たないことが多いため、短時間のネットワーク混雑に非常に敏感である。コンテンツプロバイダは、ライブおよびビデオ・オン・デマンド(vod)ストリーミングとパケット検査(sni/dnsクエリ監視を含む)にほぼ同じデリバリインフラストラクチャを使用しているため、これらのストリームを特定し、ネットワーク管理のためのqoeを測定することは難しい。本稿では,ネットワークレベルの動作特性に基づくライブビデオ検出とQoE計測のための機械学習手法であるReCLiveの設計,構築,デプロイを行う。 1)TwitchとYouTubeの約23,000のビデオストリームを分析し、ライブとオンデマンドのストリーミングを区別するトラフィックプロファイルの重要な特徴を特定します。 We release our traffic traces as open data to the public; (2) We develop an LSTM-based binary classifier model that distinguishes live from on-demand streams in real-time with over 95% accuracy across providers; (3) We develop a method that estimates QoE metrics of live streaming flows in terms of resolution and buffer stall events with overall accuracies of 93% and 90%, respectively; and (4) Finally, we prototype our solution, train it in the lab, and deploy it in a live ISP network serving more than 7,000 subscribers. 提案手法は,ISPに対してライブビデオストリームの詳細な可視性を提供し,ユーザエクスペリエンスの測定と改善を可能にする。

関連論文リスト

Flash-VStream: Memory-Based Real-Time Understanding for Long Video Streams [78.72965584414368]
人間の記憶機構をシミュレートしたビデオ言語モデルFlash-VStreamを提案する。既存のモデルと比較して、Flash-VStreamは遅延推論とVRAM消費の大幅な削減を実現している。本稿では,オンライン動画ストリーミング理解に特化して設計された質問応答ベンチマークであるVStream-QAを提案する。
論文参考訳（メタデータ） (2024-06-12T11:07:55Z)
Learning from One Continuous Video Stream [70.30084026960819]
1つの連続ビデオストリームからオンライン学習のためのフレームワークを導入する。連続するビデオフレーム間の高い相関を考えると、これは大きな課題となる。プリトレーニングとシングルストリーム評価を切り替える実用的で柔軟な方法として,ピクセル・ツー・ピクセル・モデリングを採用している。
論文参考訳（メタデータ） (2023-12-01T14:03:30Z)
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)
LiveSeg: Unsupervised Multimodal Temporal Segmentation of Long Livestream Videos [82.48910259277984]
ライブストリームのチュートリアルビデオは通常数時間、録画され、ライブセッションの直後に直接インターネットにアップロードされるため、他の人がすぐに追いつくのが難しくなる。アウトラインは有益なソリューションであり、トピックに応じてビデオが時間的にセグメント化される必要がある。我々は、異なるドメインのマルチモーダル機能を生かした、教師なしのLivestreamビデオテンポラルソリューションLiveSegを提案する。
論文参考訳（メタデータ） (2022-10-12T00:08:17Z)
Telepresence Video Quality Assessment [13.417089780219326]
ライブストリーミングのためのオンラインビデオ品質予測フレームワークを、視覚的およびオーディオ的品質予測を計算するための別々の経路を持つマルチモーダル学習フレームワークを用いて作成する。私たちのオールインワンモデルは、パッチ、フレーム、クリップ、オーディオヴィジュアルレベルで正確な品質予測を提供することができます。
論文参考訳（メタデータ） (2022-07-20T15:02:55Z)
Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文参考訳（メタデータ） (2022-03-23T11:33:27Z)
Searching for Two-Stream Models in Multivariate Space for Video Recognition [80.25356538056839]
本稿では,巨大空間における2ストリーム映像モデルを効率的に検索できる実用的ニューラルアーキテクチャ探索手法を提案する。設計空間において,性能が著しく向上した2ストリームモデルを自動的に発見できることを実証する。
論文参考訳（メタデータ） (2021-08-30T02:03:28Z)
VStreamDRLS: Dynamic Graph Representation Learning with Self-Attention for Enterprise Distributed Video Streaming Solutions [4.568777157687959]
VStreamDRLSは、ライブビデオストリーミングイベントのグラフ構造の進化を捉えるための自己注意機構を備えたグラフニューラルネットワークアーキテクチャである。企業ライブビデオストリーミングイベントによって生成された2つの実世界のデータセットにおけるリンク予測タスクに対する提案手法の評価を行った。
論文参考訳（メタデータ） (2020-11-11T10:00:12Z)
ApproxDet: Content and Contention-Aware Approximate Object Detection for Mobiles [19.41234144545467]
本稿では,モバイル機器用適応型ビデオオブジェクト検出フレームワークであるApproxDetを紹介する。大規模なベンチマークビデオデータセット上でApproxDetを評価し,AdaScaleやYOLOv3と比較した。 ApproxDetは、幅広いコンテントやコンテンツの特徴に適応し、すべてのベースラインを誇張することができる。
論文参考訳（メタデータ） (2020-10-21T04:11:05Z)
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。