論文の概要: Measuring and Estimating Key Quality Indicators in Cloud Gaming services
- arxiv url: http://arxiv.org/abs/2212.14073v1
- Date: Wed, 28 Dec 2022 19:22:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 17:41:17.770967
- Title: Measuring and Estimating Key Quality Indicators in Cloud Gaming services
- Title（参考訳）: クラウドゲームサービスにおけるキー品質指標の測定と推定
- Authors: Carlos Baena, O.S. Pe\~naherrera-Pulla, Raquel Barco and Sergio Fortes
- Abstract要約: ゲーム産業は、還元ハードウェアデバイスにおけるゲームエクスペリエンスを改善するパラダイムであるCloud Gamingの概念を提案している。
本稿では,Cloud Gamingサービスの主要なE2Eメトリクス,すなわちKQIを計測し,推定するためのフレームワークを提案する。
異なる機械学習技術は、Cloud Gamingユーザエクスペリエンスに関連するKQIを予測するために評価される。
- 参考スコア（独自算出の注目度）: 0.34410212782758043
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: User equipment is one of the main bottlenecks facing the gaming industry
nowadays. The extremely realistic games which are currently available trigger
high computational requirements of the user devices to run games. As a
consequence, the game industry has proposed the concept of Cloud Gaming, a
paradigm that improves gaming experience in reduced hardware devices. To this
end, games are hosted on remote servers, relegating users' devices to play only
the role of a peripheral for interacting with the game. However, this paradigm
overloads the communication links connecting the users with the cloud.
Therefore, service experience becomes highly dependent on network connectivity.
To overcome this, Cloud Gaming will be boosted by the promised performance of
5G and future 6G networks, together with the flexibility provided by mobility
in multi-RAT scenarios, such as WiFi. In this scope, the present work proposes
a framework for measuring and estimating the main E2E metrics of the Cloud
Gaming service, namely KQIs. In addition, different machine learning techniques
are assessed for predicting KQIs related to Cloud Gaming user's experience. To
this end, the main key quality indicators (KQIs) of the service such as input
lag, freeze percent or perceived video frame rate are collected in a real
environment. Based on these, results show that machine learning techniques
provide a good estimation of these indicators solely from network-based
metrics. This is considered a valuable asset to guide the delivery of Cloud
Gaming services through cellular communications networks even without access to
the user's device, as it is expected for telecom operators.
- Abstract（参考訳）: ユーザ機器は、現在ゲーム業界で直面している大きなボトルネックの1つです。
現在利用可能な非常に現実的なゲームは、ゲームを実行するためのユーザーデバイスの高い計算要求を引き起こす。
その結果、ゲーム産業は、還元ハードウェアデバイスにおけるゲームエクスペリエンスを改善するパラダイムであるCloud Gamingの概念を提案している。
この目的のために、ゲームはリモートサーバにホストされ、ユーザのデバイスはゲームと対話するための周辺機器の役割のみを果たすように委譲される。
しかし、このパラダイムはユーザとクラウドを結ぶ通信リンクを過負荷にします。
そのため、サービスエクスペリエンスはネットワーク接続に大きく依存する。
これを解決するために、Cloud Gamingは、5Gと将来の6Gネットワークの約束されたパフォーマンスと、WiFiのようなマルチRATシナリオにおけるモビリティによる柔軟性によって強化される。
このスコープでは、Cloud Gamingサービスの主要なE2Eメトリクス、すなわちKQIの測定と推定のためのフレームワークを提案する。
さらに、クラウドゲームユーザエクスペリエンスに関連するkqiを予測するために、さまざまな機械学習技術を評価する。
この目的のために、実際の環境では、入力遅延、フリーズ率、知覚されたビデオフレームレートなどのサービスの主要なキー品質指標(kqis)を収集する。
これらの結果から,機械学習手法は,ネットワークベースメトリクスのみから,これらの指標を良好に推定できることが示されている。
これは、通信事業者が期待しているように、ユーザのデバイスにアクセスしなくても、携帯電話通信ネットワークを介してクラウドゲームサービスの配信をガイドする貴重な資産であると考えられている。
関連論文リスト
- Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。
このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。
本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。
また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
論文 参考訳（メタデータ） (2024-10-17T18:22:50Z) - QoS prediction in radio vehicular environments via prior user
information [54.853542701389074]
セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。
具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
論文 参考訳（メタデータ） (2024-02-27T17:05:41Z) - QSMVM: QoS-aware and social-aware multimetric routing protocol for
video-streaming services over MANETs [0.0]
モバイルアドホックネットワーク(モバイルアドホックネットワーク、英: Mobile Adhoc Network、略称:MANET)は、無線リンクで接続された、固定インフラのない自律型モバイルデバイスの集合体である。
ソーシャルネットワークを通じて人々がオンラインで交流するソーシャルウェブ技術は、ネットワークのソーシャル化に繋がっている。
サービス品質(QoS)とMANETのパスを形成するユーザ間の信頼レベルとの間にはトレードオフがある。
論文 参考訳（メタデータ） (2023-12-12T16:34:32Z) - FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。
本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文 参考訳（メタデータ） (2023-06-08T13:11:20Z) - Study of Subjective and Objective Quality Assessment of Mobile Cloud
Gaming Videos [34.219234345158235]
本稿では,モバイル・クラウド・ゲーム・ビデオ品質評価(MCG-VQA)の多種多様なゲーム・ビデオに対する大規模主観的研究の結果について述べる。
LIVE-Meta Mobile Cloud Gaming (LIVE-Meta-MCG) という新しいデータセットを作成しました。
論文 参考訳（メタデータ） (2023-05-26T21:08:17Z) - GAMIVAL: Video Quality Prediction on Mobile Cloud Gaming Content [30.96557290048384]
我々はGAMIVAL(Gaming Video Quality Evaluator)と呼ばれるゲーム固有のNR VQAモデルを開発した。
サポートベクタ回帰(SVR)を回帰器として使用するGAMIVALは,新たなLIVE-Meta Mobile Cloud Gaming(LIVE-Meta MCG)ビデオ品質データベースにおいて,優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2023-05-03T20:29:04Z) - MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。
ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
論文 参考訳（メタデータ） (2022-05-25T11:08:20Z) - Gamers Private Network Performance Forecasting. From Raw Data to the
Data Warehouse with Machine Learning and Neural Nets [0.0]
Gamers Private Network (GPN) は、標準的なインターネット接続よりも信頼性が高くレイテンシの低いオンラインビデオゲームの接続を保証するクライアント/サーバ技術である。
WTFastが収集した大量の生のネットワークデータを変換した後、クリーンなデータを専用データウェアハウスに構造化した。
これらの分析は,ネットワークの変化を予測し,定量化する能力を示し,オンラインゲームセッションに接続したユーザに対してGPNを使用することによって得られるメリットを実証する。
論文 参考訳（メタデータ） (2021-05-26T00:45:01Z) - Machine Learning Prediction of Gamer's Private Networks [0.0]
Gamer's Private Network (GPN) は、WTFastが開発したクライアント/サーバ技術で、オンラインゲームのネットワーク性能をより速く、より信頼性の高いものにする。
gpn sは、ミドルマイルサーバとプロプライエタリなアルゴリズムを使用して、オンラインビデオゲームプレーヤーを広域ネットワーク上のゲームのサーバに接続する。
論文 参考訳（メタデータ） (2020-12-07T01:19:08Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z)
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。