当前位置:
X-MOL 学术
›
arXiv.cs.MM
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
ANT: Learning Accurate Network Throughput for Better Adaptive Video Streaming
arXiv - CS - Multimedia Pub Date : 2021-04-26 , DOI: arxiv-2104.12507 Jiaoyang Yin, Yiling Xu, Hao Chen, Yunfei Zhang, Steve Appleby, Zhan Ma
arXiv - CS - Multimedia Pub Date : 2021-04-26 , DOI: arxiv-2104.12507 Jiaoyang Yin, Yiling Xu, Hao Chen, Yunfei Zhang, Steve Appleby, Zhan Ma
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.
中文翻译:
ANT:学习准确的网络吞吐量以提供更好的自适应视频流
自适应比特率(ABR)决策对于确保视频流应用中令人满意的体验质量(QoE)至关重要,过去的网络统计数据主要用于未来的网络带宽预测。但是,大多数算法,无论是基于规则的方法还是学习驱动的方法,都会馈入吞吐量跟踪或基于传统统计数据(即均值/标准差)的分类跟踪来驱动ABR决策,从而导致特定情况下的性能下降。考虑到不时的网络连接(例如WiFi,蜂窝和有线链接),本文建议学习ANT(又名ANT,准确的网络吞吐量)模型可以表征过去网络吞吐量动态的全部范围,以推导与特定网络吞吐量段(NTS)集群相关的适当网络条件。然后,将每个NTS群集用于生成专用的ABR模型,通过该模型,我们希望更好地捕获各种连接的网络动态。我们已将ANT模型与现有的基于强化学习(RL)的ABR决策引擎集成在一起,在该引擎中,应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。然后,将每个NTS群集用于生成专用的ABR模型,通过该模型,我们希望更好地捕获各种连接的网络动态。我们已将ANT模型与现有的基于强化学习(RL)的ABR决策引擎集成在一起,在该引擎中,应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。然后,将每个NTS群集用于生成专用的ABR模型,通过该模型,我们希望更好地捕获各种连接的网络动态。我们已将ANT模型与现有的基于强化学习(RL)的ABR决策引擎集成在一起,在该引擎中,应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。在其中应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。在其中应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。
更新日期:2021-04-27
中文翻译:
ANT:学习准确的网络吞吐量以提供更好的自适应视频流
自适应比特率(ABR)决策对于确保视频流应用中令人满意的体验质量(QoE)至关重要,过去的网络统计数据主要用于未来的网络带宽预测。但是,大多数算法,无论是基于规则的方法还是学习驱动的方法,都会馈入吞吐量跟踪或基于传统统计数据(即均值/标准差)的分类跟踪来驱动ABR决策,从而导致特定情况下的性能下降。考虑到不时的网络连接(例如WiFi,蜂窝和有线链接),本文建议学习ANT(又名ANT,准确的网络吞吐量)模型可以表征过去网络吞吐量动态的全部范围,以推导与特定网络吞吐量段(NTS)集群相关的适当网络条件。然后,将每个NTS群集用于生成专用的ABR模型,通过该模型,我们希望更好地捕获各种连接的网络动态。我们已将ANT模型与现有的基于强化学习(RL)的ABR决策引擎集成在一起,在该引擎中,应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。然后,将每个NTS群集用于生成专用的ABR模型,通过该模型,我们希望更好地捕获各种连接的网络动态。我们已将ANT模型与现有的基于强化学习(RL)的ABR决策引擎集成在一起,在该引擎中,应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。然后,将每个NTS群集用于生成专用的ABR模型,通过该模型,我们希望更好地捕获各种连接的网络动态。我们已将ANT模型与现有的基于强化学习(RL)的ABR决策引擎集成在一起,在该引擎中,应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。在其中应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。在其中应用了不同的ABR模型来响应准确的网络感知,以实现更好的速率决策。大量的实验结果表明,与最新的Pensive和Oboe相比,在广泛的网络场景中,我们的方法可以将用户的QoE分别显着提高65.5%和31.3%。