論文の概要: Pensieve 5G: Implementation of RL-based ABR Algorithm for UHD 4K/8K Content Delivery on Commercial 5G SA/NR-DC Network

• arxiv url: http://arxiv.org/abs/2212.14479v1
• Date: Thu, 29 Dec 2022 23:03:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 17:43:33.766911
• Title: Pensieve 5G: Implementation of RL-based ABR Algorithm for UHD 4K/8K Content Delivery on Commercial 5G SA/NR-DC Network
• Title（参考訳）: Pensieve 5G:商用5G SA/NR-DCネットワーク上でのUHD 4K/8Kコンテンツ配信のためのRLベースのABRアルゴリズムの実装
• Authors: Kasidis Arunruangsirilert, Bo Wei, Hang Song, Jiro Katto
• Abstract要約: 異なる種類のデバイス上でのUHDビデオストリーミングのQoEをより正確に表現する新しいQoE指標を提案し,Pensieve 5Gの評価に使用した。 Pensieve 5Gは従来のアルゴリズムとPensieveをそれぞれ8.8%と14.2%で上回っている。
• 参考スコア（独自算出の注目度）: 12.693545159861857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While the rollout of the fifth-generation mobile network (5G) is underway across the globe with the intention to deliver 4K/8K UHD videos, Augmented Reality (AR), and Virtual Reality (VR) content to the mass amounts of users, the coverage and throughput are still one of the most significant issues, especially in the rural areas, where only 5G in the low-frequency band are being deployed. This called for a high-performance adaptive bitrate (ABR) algorithm that can maximize the user quality of experience given 5G network characteristics and data rate of UHD contents. Recently, many of the newly proposed ABR techniques were machine-learning based. Among that, Pensieve is one of the state-of-the-art techniques, which utilized reinforcement-learning to generate an ABR algorithm based on observation of past decision performance. By incorporating the context of the 5G network and UHD content, Pensieve has been optimized into Pensieve 5G. New QoE metrics that more accurately represent the QoE of UHD video streaming on the different types of devices were proposed and used to evaluate Pensieve 5G against other ABR techniques including the original Pensieve. The results from the simulation based on the real 5G Standalone (SA) network throughput shows that Pensieve 5G outperforms both conventional algorithms and Pensieve with the average QoE improvement of 8.8% and 14.2%, respectively. Additionally, Pensieve 5G also performed well on the commercial 5G NR-NR Dual Connectivity (NR-DC) Network, despite the training being done solely using the data from the 5G Standalone (SA) network.
• Abstract（参考訳）: 第5世代のモバイルネットワーク(5g)は4k/8k uhdビデオ、拡張現実(ar)、仮想現実(vr)コンテンツの大量提供を意図して世界中で展開されているが、そのカバーとスループットは、特に低周波帯域の5gしか展開されていない農村部において、依然として最も重要な問題の1つだ。 これは、5gネットワーク特性とuhdコンテンツのデータレートを与えられたユーザ体験の質を最大化できる高性能適応ビットレート(abr)アルゴリズムである。 近年,新たに提案するabr技術の多くは機械学習に基づくものである。 中でもPensieveは、強化学習を利用して過去の意思決定性能の観察に基づくABRアルゴリズムを生成する最先端技術の一つである。 5GネットワークとUHDコンテンツのコンテキストを取り入れることで、PensieveはPensieve 5Gに最適化された。 異なる種類のデバイス上でのUHDビデオストリーミングのQoEをより正確に表現する新しいQoE指標を提案し,Pensieve 5GをオリジナルのPensieveを含む他のABR技術と比較した。 実際の5Gスタンダローン(SA)ネットワークスループットに基づくシミュレーションの結果、Pensieve 5Gは従来のアルゴリズムとPensieveの両方でそれぞれ8.8%と14.2%のQoE改善を達成している。 さらに、Pensieve 5Gは、5G Standalone (SA)ネットワークのデータのみを使用してトレーニングが行われたにもかかわらず、商用の5G NR-NR Dual Connectivity (NR-DC)ネットワークでもよく機能した。

関連論文リスト

• 5G Network Management, Orchestration, and Architecture: A Practical Study of the MonB5G project [0.0]
  MonB5Gプロジェクトは、5G LTE以降の大規模ネットワークスライシングをサポートするため、ゼロタッチ管理とオーケストレーションの提供を目指している。 5G LTE以降の大規模ネットワークスライシングをサポートするため、ゼロタッチ管理とオーケストレーションを提供するため、EUが出資するMonB5Gプロジェクトを踏まえて、これらのトピックを調査する。
  論文  参考訳（メタデータ） (2022-12-28T08:48:03Z)
• 5G Routing Interfered Environment [0.0]
  本稿では,5Gルーティング干渉環境(5GRIE)の設計について述べる。 この環境は、定式化された干渉モデルを用いて、パケットを周波数源と宛先ペアでルーティングするための異なるアルゴリズムを実行することができる。
  論文  参考訳（メタデータ） (2022-03-28T14:25:45Z)
• IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode [49.734868032441625]
  本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。 本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-02-03T03:34:06Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• A Joint Energy and Latency Framework for Transfer Learning over 5G Industrial Edge Networks [53.26338041079138]
  5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。 特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。 TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
  論文  参考訳（メタデータ） (2021-04-19T15:13:16Z)
• On Topology Optimization and Routing in Integrated Access and Backhaul Networks: A Genetic Algorithm-based Approach [70.85399600288737]
  IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。 我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。 メッシュベースのIABネットワークを実現する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-02-14T21:52:05Z)
• To Talk or to Work: Energy Efficient Federated Learning over Mobile Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
  Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。 モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。 我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
  論文  参考訳（メタデータ） (2020-12-21T01:13:44Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)
• Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON) [0.0]
  機械学習(ML)は、運用、管理、保守(OAM)活動を強化する上で重要な要素である自己組織化ネットワーク(SON)に含まれる。 この研究の主な目的は、5Gスタンドアロンコアネットワークにおける機械学習(ML)の概要である。
  論文  参考訳（メタデータ） (2020-11-24T18:57:40Z)
• Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility [6.112377814215607]
  MBBネットワークにおける帯域幅予測実験のためのオープンソースのフレームワークであるHINDSIGHT++を紹介する。 主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。 特に5Gophersは,米国内で運用されている5Gネットワーク上でのネットワーク性能を計測するための,最初のオープンソースの試みである。
  論文  参考訳（メタデータ） (2020-11-20T18:59:27Z)

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。