Adaptive Video Streaming with AI-Based Optimization for Dynamic Network Conditions
本文提出一种基于Gemini AI的自适应视频流架构，通过实时监测数据速率与延迟动态调整视频质量和缓冲区大小，有效减少缓冲事件并提升用户体验。
2025-01-30 cs.NI
Optimizing Quality of Experience of Dynamic Video Streaming over Fading Wireless Networks
我们解决的问题，视频流数据包从接入点（AP）到多个客户端在一个共享的无线信道衰落。在这样的系统中，每个客户端维护从其播放视频的分组的缓冲器，并且每当缓冲器为空时，在流传输中发生中断。客户端可以切换到较低质量的视频数据包，或者请求以较高的能量水平进行数据包传输，以便最大限度地减少中断次数加上中断时段的次数以及流式传输的低质量视频数据包的数量，同时AP上存在平均功率约束。我们提出了一个约束马尔可夫决策过程（CMDP）的视频质量和传输功率的选择问题。我们发现，涉及$N$客户端的问题分解成$N$ MDPs，每个只涉及一个单一的客户端，而且，最佳的政策有一个阈值结构，在该结构中，决定选择的视频质量和功率电平的传输完全取决于缓冲区的水平。
2015-09-17 cs.NI
Anticipatory Buffer Control and Resource Allocation for Wireless Video Streaming
University of Toronto（多伦多大学）；Bell Labs, Alcatel-Lucent（贝尔实验室，阿尔卡特朗讯）
本文提出一种新的资源分配方法，通过预测未来信道状态，优化无线视频流媒体的缓冲大小和带宽分配，提升视频质量。
2013-04-10 cs.MM cs.NI cs.SY
Adaptive Video Streaming over 6G Networks: Buffer Control and User Behavior Analysis
本研究针对6G网络下的自适应视频流场景，提出利用6G超可靠低时延特性的新型缓冲区管理策略，结合用户观看行为优化算法，经仿真验证可提升用户体验质量，并指明该领域未来研发方向。
2025-08-01 cs.GR cs.NI
ABE-VVS: Attribute-Based Encrypted Volumetric Video Streaming
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Tennessee Technological University（田纳西科技大学）
提出ABE-VVS框架，通过选择性加密点云坐标实现轻量级DRM，降低计算开销和延迟，实验表明仅加密X坐标可减少50%加密时间和80%解密时间，并实现零缓冲。
2026-06-26 cs.CR cs.MM cs.NI
Analysis of Buffer Starvation with Application to Objective QoE Optimization of Streaming Services
在本文中，我们的目的是流媒体服务的特点缓冲区饥饿。缓冲区被建模为一个M/M/1队列，加上突发到达的考虑。当缓冲区为空时，服务将在\emph{prefetched}达到一定数量后重新启动。为此，我们提出了两种方法来获得缓冲区饥饿数的\emph{exact distribution}，一种是基于\emph{Ballot theorem}，另一种是使用递归方程.选票定理方法给出了一个明确的结果。我们将这种方法扩展到使用Tàkacs投票定理的恒定回放速率的场景。递归方法虽然没有给出明确的结果，但可以得到具有非独立同分布（i.i.d.）到达过程，其中ON/OFF突发到达过程被认为是在这项工作中。我们进一步通过流体分析计算饥饿概率作为大量文件的预取数据包量的函数。在饥饿分析的许多潜在应用中，我们展示了如何将其应用于优化媒体流的客观体验质量（QoE），通过利用启动/重新缓冲延迟和饥饿之间的权衡。
2013-11-29 cs.MM cs.NI cs.PF
Adaptive Video Streaming over LTE Unlicensed
在本文中，我们考虑的LTE-A网络，利用授权辅助接入（LAA），这是一个实例的LTE免授权的自适应视频流的问题。利用LTE，LTE-A网络的未授权用户通过载波聚合（CA）有机会从未授权和授权载波接入无线电资源。我们的目标是为每个LTE-A用户选择尽可能高的视频质量，同时还尝试及时传输视频数据以供回放，从而避免导致观看体验恶化的缓冲区欠载事件。然而，无线信道的不可预测性，以及其他未授权用户对未授权载波的未知利用，导致具有挑战性的优化问题。首先，我们专注于开发一个准确的系统模型的自适应流媒体系统，LTE-A，和随机可用的未授权资源。然后，在两个阶段中解决公式化的问题：首先，我们为每个用户计算按比例公平的视频质量，其次，我们在与LTE-A兼容的较短时间尺度上执行资源分配。我们比较我们的框架与典型的比例公平调度器，以及一个国家的最先进的LTE-A自适应视频流框架的平均段质量和缓冲区运行事件的数量。实验结果表明，所提出的质量选择和调度算法不仅在大多数情况下实现了更高的视频段质量，而且最大限度地减少了由于缓冲区欠载事件而导致的视频冻结的数量和持续时间。
2016-07-31 cs.NI
Dashlet: Taming Swipe Uncertainty for Robust Short Video Streaming
短视频流媒体应用程序最近获得了很大的吸引力，但它们为滑动用户提供的非线性视频呈现从根本上改变了在网络吞吐量和用户滑动时间变幻莫测的情况下最大化用户体验质量的问题。本文介绍了Dashlet的设计和实现，这是一个专为短视频流应用提供高质量体验的系统。基于我们从TikTok性能研究和用户滑动模式研究中收集的见解，Dashlet提出了一种新颖的无序视频块预缓冲机制，该机制利用简单的，非基于机器学习的用户滑动统计模型来确定预缓冲顺序和比特率。最终的结果是一个系统实现了77-99%的Oracle系统的QoE，比TikTok高出43.9- 45.1倍，同时还减少了30%浪费在下载的视频上的字节数。
2022-04-27 cs.NI
Performance Characterization of a Commercial Video Streaming Service
尽管互联网上的视频流越来越受欢迎，但重新缓冲和高启动延迟等问题继续困扰着用户。在本文中，我们提出了一个端到端的表征雅虎的视频流媒体服务，分析了超过5亿的视频块下载超过两周的时间。我们通过在块级别检测CDN服务器和客户端播放器，同时还从服务器网络堆栈中收集TCP变量的频繁快照，从而获得对性能下降原因的独特可见性。我们发现了一系列的性能问题，包括异步磁盘读取定时器和缓存未命中在服务器上，高延迟和延迟变化的网络，在客户端缓冲延迟和丢弃的帧。通过查看同一会话中的块或指向同一IP前缀的块，我们可以看到一些性能问题是如何相对持久的，这取决于视频的流行程度、客户端和服务器之间的距离以及客户端的操作系统、浏览器和Flash运行时。
2016-05-16 cs.NI
A Novel Play-out Algorithm for HTTP Adaptive Streaming
提出了一种基于HTTP的自适应视频流传输算法。该算法采用了一种混合播放策略，它结合了两种流行的方法：网络带宽的估计和播放器缓冲区的控制。该算法在两个版本中实现，不同的处理网络吞吐量波动的方法。所提出的混合算法进行了评估，对解决方案的基础上，他们的播放策略纯粹的带宽或缓冲区水平的评估。比较是在模拟两个系统的环境中进行的：具有单个固定节点的Wi-Fi网络和具有移动节点的HSPA（高速分组接入）网络。评估表明，在大多数情况下，混合方法实现了更好的结果相比，它的竞争对手，能够流视频更流畅，没有不必要的比特率切换。然而，在某些网络条件下，与其他播放策略相比，该分数被交易为更差的吞吐量利用率。
2015-10-31 cs.NI
A Global Perspective on the Past, Present, and Future of Video Streaming over Starlink
本研究基于85国超百万家庭数据首次开展全球LEO卫星视频流分析，发现Starlink视频质量与传统网络相当但波动导致码率切换与重缓冲增加，经仿真和A/B测试验证需优化算法以适配动态网络提升体验。
2024-09-15 cs.ET cs.MM cs.NI
Computing Quality of Experience of Video Streaming in Network with Long-Range-Dependent Traffic
本文采用分析的方法研究视频流应用的用户体验质量（QoE）。我们的建议是表征缓冲区饥饿流视频与长距离相关（LRD）输入流量。具体来说，我们开发了一个新的分析框架，调查质量的用户体验（QoE）流媒体考虑马尔可夫调制流体模型（MMFM），准确地近似的长距离依赖（LRD）性质的网络流量。我们使用偏微分方程（PDE）驱动用于计算饥饿分布以及启动延迟的闭合形式表达式，并使用拉普拉斯变换求解它们。我们说明的情况下，两个状态的马尔可夫调制流体模型，是常用的多媒体应用程序的结果。我们比较我们的分析模型与模拟结果，使用ns-3在各种操作参数下。我们进一步采用该模型分析了比特率切换对饥饿概率和启动延迟的影响。最后，我们应用我们的分析结果，以优化媒体流的客观体验质量（QoE），实现不同的指标之间的权衡，将用户的喜好，缓冲率，启动延迟和感知质量。
2015-03-30 cs.NI
Video Streaming with Kairos: An MPC-Based ABR with Streaming-Aware Throughput Prediction
本文提出 Kairos，一种结合多时间注意力、缓冲区感知不确定性调节与平滑正则的 MPC ABR 方案，实验证明其在多种网络下平均 QoE 提升 1.52%–7.28%。
2025-03-18 cs.MM cs.NI
Digital Twin-Based Network Management for Better QoE in Multicast Short Video Streaming
针对组播短视频中用户滑动行为时空变化导致的QoE下降，提出基于数字孪生的自适应缓冲、QoE建模与联合优化方案，并用凸优化和深度强化学习求解，真实数据集验证其优于基准。
2024-01-23 cs.NI eess.IV
Meta-Reinforcement Learning via Buffering Graph Signatures for Live Video Streaming Events
KTH Royal Institute of Technology（瑞典皇家理工学院）；Hive Streaming AB（Hive Streaming公司）；University of Thessaly（色萨利大学）
在这项研究中，我们提出了一个元学习模型，以适应观众之间的网络容量的预测谁参加了现场视频流媒体事件。我们提出了MELANIE模型，其中事件被制定为马尔可夫决策过程，对强化学习任务执行元学习。通过考虑一个新的事件作为一个任务，我们设计了一个行动者-评论家学习计划来计算估计观众的高带宽连接的最优策略。为了确保快速适应新的连接或观众之间的变化在一个事件中，我们实现了一个优先重放内存缓冲区的基础上的回报/吞吐量的观众的连接的Kullback-Leibler分歧。此外，我们采用了一个模型不可知的元学习框架，从过去的事件中生成一个全局模型。由于观众很少参与几个事件，挑战在于如何解释不同事件的低结构相似性。为了解决这个问题，我们设计了一个图签名缓冲区来计算几个流事件的结构相似性，并相应地调整全局模型的训练。我们评估所提出的模型的链接权重预测任务上的三个真实世界的数据集的实时视频流媒体事件。我们的实验证明了我们所提出的模型的有效性，与最先进的策略相比，平均相对增益为25%。出于复制目的，我们的评估数据集和实现可在https://github.com/stefanosantaris/melanie上公开获取
2021-10-03 cs.AI cs.LG cs.NI
Avoiding Interruptions - QoE Trade-offs in Block-coded Streaming Media Applications
本文采用分析的方法研究视频流应用的用户体验质量。首先，我们表明，随机线性网络编码应用到块的视频帧可以显着简化在网络层的数据包请求，并通过避免重复的数据包接收节省资源。网络编码允许我们将接收器的缓冲区建模为具有泊松到达和确定性离开的队列。我们考虑视频播放中断的概率以及初始缓冲的数据包的数量（初始等待时间）作为QoE指标。我们的特点是这些指标之间的最佳权衡提供的最小初始缓冲区大小的上限和下限，需要达到一定程度的中断概率为不同制度的系统参数。当文件大小趋于无穷大时，我们的边界是渐近紧的。
2010-02-04 cs.MM cs.NI
Watching Stars in Pixels: The Interplay of Traffic Shaping and YouTube Streaming QoE over GEO Satellite Networks
本研究分析GEO卫星网络上流量整形与YouTube流媒体QoE的相互作用，发现高延迟和整形导致28%的TCP及18%的gQUIC会话发生缓冲，gQUIC仅利用63%容量，促使ISP停用低带宽选项。
2023-09-01 cs.NI
Dynamic Adaptive Streaming using Index-Based Learning Algorithms
我们提供了一个统一的框架，使用该框架，我们设计了可扩展的动态自适应视频流算法的基础上，基于索引的政策（称为DAS-IP），以最大限度地提高体验质量（QoE）提供给客户端使用视频流服务。由于我们的算法的分布式性质，它很容易实现。我们首先考虑最简单的单跳无线网络设置，其中接入点（AP）通过共享的不可靠信道向多个客户端传输视频数据包。每个客户端的视频文件被分割成几个数据包，服务器维护同一视频文件的多个副本（每个副本的质量不同）。客户端维护单独的数据包缓冲区，以减轻不确定性对视频中断的影响。客户端的流体验或体验质量（QoE）取决于若干因素：平均持续时间，客户端不播放视频，因为缓冲区是空的，ii）平均视频质量，iii）饥饿周期的平均数量，iv）视频质量的时间变化等。我们提出的问题，使动态流决策，以最大限度地提高总的QoE作为一个约束马尔可夫决策过程（CMDP）。考虑相关的双MDP建议我们，如果允许AP对客户端的每单位带宽使用收取价格，则问题会大大简化。更具体地说，“逐个客户端”的QoE优化导致全网络QoE最大化，从而为我们提供了一种分散的流传输算法。这使得客户端能够自己决定每个时隙中的最佳流选择，并产生我们非常期望的客户端级自适应算法。最优策略具有一个吸引人的简单阈值结构。
2016-12-18 cs.NI
FastScan: Robust Low-Complexity Rate Adaptation Algorithm for Video Streaming over HTTP
本文提出并评估了一种新的算法，流媒体视频通过HTTP。该问题被制定为一个非凸优化问题，它是由预测的可用带宽，块的最后期限，可用的视频速率，和缓冲区占用率的约束。目标是优化QoE度量，该QoE度量在最大化每个块的回放速率和确保不同块之间的公平性以最小的重新缓冲时间之间保持折衷。我们提出FastScan，一个低复杂度的算法，解决了这个问题。在线适应动态带宽环境提出了不完善的可用带宽预测。由可变比特率（VBR）编码视频、视频平台系统（dash.js）和公共数据集的蜂窝带宽跟踪驱动的实验结果揭示了FastScan算法的在线版本的鲁棒性，并证明了其与所考虑的最先进的视频流算法相比的显著性能改进。例如，在跨越不同可用带宽制度的公共数据集的100个真实蜂窝可用带宽轨迹上进行的实验上，我们提出的算法（FastScan）与Bola、Festive、BBA、RB和FastMPC以及Pensieve算法相比，在每个轨迹中实现了最小重新缓冲（停顿）时间和最大平均回放速率。
2019-01-21 cs.MM cs.NI
QoE-Centric Multi-User mmWave Scheduling: A Beam Alignment and Buffer Predictive Approach
在本文中，我们考虑在毫米波（mmWave）视频流媒体网络，其中包括一个流媒体服务器和多个用户，每个请求具有不同分辨率的视频流的多用户调度问题。主要目标是优化所有用户的长期平均体验质量（QoE）。我们通过考虑毫米波网络的物理层特性来解决这个问题，包括由于双波束而导致的波束对准开销。为了开发一个有效的调度策略，我们利用上下文多臂强盗（MAB）模型，提出了一个波束对准开销和缓冲区预测流媒体解决方案，称为B2 P-Stream。所提出的B2 P-Stream算法最佳地平衡了开销和用户的缓冲器水平之间的权衡，并且通过减少用于更高分辨率的用户的波束对准开销来提高QoE。我们还提供了一个理论保证，我们提出的方法，并证明它保证了一个次线性遗憾界。最后，我们通过广泛的模拟研究我们提出的框架。我们提供了一个详细的比较B2 P流对均匀随机和循环（RR）的政策，并表明它优于他们两个在提供更好的QoE和公平性。我们还分析了B2 P-Stream算法在不同网络配置下的可扩展性和鲁棒性。
2022-07-01 cs.NI eess.SP
Dynamic Optimization of Video Streaming Quality Using Network Digital Twin Technology
针对无线网络波动导致视频流体验不佳的问题，提出集成网络数字孪生的自适应框架，用机器学习预测网络状态并动态调整播放参数，实验显示缓冲时间最多降50%，显著提升QoE。
2025-08-01 cs.GR cs.NI
Flow Level QoE of Video Streaming in Wireless Networks
流媒体服务的体验质量（Quality of Experience，QoE）经常由于频繁的播放中断而降低。为了减轻中断，媒体播放器在开始播放之前以延迟为代价预取流媒体内容。我们从流动力学的角度研究流媒体的QoE。首先，当流媒体用户随机加入网络并在下载完成后离开时，为QoE开发了一个框架。我们使用偏微分方程（PDE）计算预取延迟的分布，并使用常微分方程（ODE）的CBR流的播放缓冲区饥饿的概率生成函数。其次，我们扩展了我们的框架，以表征在基站的机会主义调度所造成的吞吐量变化，以及VBR流的回放变化。我们的研究表明，流动力学是播放饥饿的根本原因。流媒体服务的QoE由机会调度的平均吞吐量和平均播放速率等第一时刻决定。而吞吐量和回放速率的变化对饥饿行为的影响非常有限。
2014-06-05 cs.NI
Power Control for Packet Streaming with Head-of-Line Deadlines
我们考虑一个数学模型的流媒体数据包（作为激励的关键例子）从一个发射机缓冲器到一个接收器通过无线链路，同时控制发射机功率（因此，数据包/作业处理率）。当每个分组到达缓冲器中的行首（HOL）时，它被给予最后期限$D$，该最后期限是发送器为了成功发送分组而可以尝试重传的最大次数。如果该传输尝试次数耗尽，则从缓冲器中弹出数据包，并且下一个数据包到达HOL。在每个时隙中，由于将分组保持在缓冲器中、消耗发射机功率以及弹出超过其截止期限的分组而产生成本。我们研究如何选择传输功率，以尽量减少在缓冲区中传输的项目的总成本。我们在动态规划框架中制定最优功率控制问题，然后在固定干扰的特殊情况下进行磨练。对于这种特殊的情况下，我们能够提供一个精确的分析表征的功率控制应该如何随着积压和功率控制应该如何对接近的最后期限作出反应。特别是，我们显示单调性的结果，发射机应如何适应功率电平的积压和接近的最后期限。我们利用这些分析结果从特殊情况下，建立一个功率控制方案的一般情况。蒙特卡罗模拟被用来评估所得到的功率控制方案的性能相比，最佳方案。所得到的功率控制方案是次优的，但是它提供了最优功率控制的低复杂度近似。仿真结果表明，我们提出的方案优于基准算法。我们还讨论了该模型的应用程序，以其他实际的操作场景。
2016-10-16 cs.NI cs.PF
Comyco: Quality-Aware Adaptive Video Streaming via Imitation Learning
Tsinghua University（清华大学）；Beijing Kuaishou Technology Co., Ltd.（北京快手科技有限公司）
基于学习的自适应比特率方法（ABR），旨在不需要任何假设就能学习到优秀的策略，已成为自适应流媒体的研究热点之一。然而，它通常遭受几个问题，即，低样本效率和缺乏对视频质量信息的认识。在本文中，我们提出了Comyco，一个视频质量感知的ABR方法，通过解决上述问题，极大地提高了基于学习的方法。Comyco通过模仿即时求解器给出的专家轨迹来训练策略，既避免了冗余探索，又能更好地利用收集到的样本。与此同时，Comyco试图选择具有更高感知视频质量而不是视频比特率的块。为了实现这一目标，我们构建了Comyco的神经网络架构，视频数据集和QoE指标与视频质量特征。使用跟踪驱动和真实世界的实验，我们证明了显着改善Comyco的样本效率相比，以前的工作，与1700倍的改进所需的样本数量和16倍的改进所需的训练时间。此外，实验结果表明，Comyco优于以前提出的方法，平均QoE的改善为7.5% -16.79%。特别是，Comyco在相同的再缓冲时间下，平均视频质量也超过了最先进的Pensieve 7.37%。
2019-12-23 cs.AI cs.MM cs.NI
Experimental Analysis and Evaluation of RaptorQ Codes for Video Multicasting over Wi-Fi
本文提出了一种可靠、高效的高质量视频流解决方案，可用于具有挑战性的室外Wi-Fi环境。在一个实际的基于Wi-Fi的服务器和客户端系统中实现了一种基于RaptorQ码的应用层前向纠错，以提高系统的可靠性。因此，本文首次详细分析了RaptorQ编码在Wi-Fi上传输高清视频的实现。测量是在布里斯托尔市中心进行的，参数包括RaptorQ符号大小、码率、缓冲时间以及调制和编码方案，并评估了基于这些参数的用户体验质量。对于多播直播视频流，证明了系统性能主要由受限主机平台上的硬件和软件限制主导，其中传入分组速率超过设备消耗流量的能力，即，即使在理想的信道条件下，Wi-Fi客户端也是数据包丢失的主要来源。客户端的限制被发现是一个函数的调制和编码方案和RaptorQ编码参数。因此，最佳的系统设计参数，如RaptorQ符号大小，编码速率和缓冲时间的调制和编码方案的建议，考虑实际的限制，从现实世界的测量。
2020-04-26 cs.NI
Power Control and Mode Selection for VBR Video Streaming in D2D Networks
在本文中，我们调查的问题流可变比特率（VBR）视频在设备到设备（D2D）无线网络的功率控制。采用了一种考虑移动用户视频帧大小和播放缓冲区的VBR视频流量模型。考虑具有一对D2D用户（DU）和一个蜂窝用户（CU）的设置，并且采用三种模式，即蜂窝模式、专用模式和重用模式。确定用于数据递送的模式选择，并且以最大化总传输速率为目标来优化基站（BS）和设备发射机的发射功率，同时VBR视频数据可以被递送到CU和DU而不引起播出缓冲器下溢或上溢。提出了一种低复杂度的算法。通过模拟衰落信道上的VBR视频轨迹，我们证明了模式选择和功率控制的视频传输实现了更好的性能，而不仅仅是使用一个单一的模式在整个传输。
2018-02-14 cs.MM cs.NI
Digital Twin-Assisted Adaptive Preloading for Short Video Streaming
本文面向短视频流媒体提出数字孪生辅助的自适应预加载框架，通过预测吞吐量与用户行为并结合实时状态优化预加载策略，从而提升带宽效率并保障用户 QoE。
2023-07-15 cs.NI
Training-Free Adaptive 360-degree Video Streaming via Semantic Potential Fields
The George Washington University（乔治华盛顿大学）
本文提出OrbitStream框架，利用语义势场实现无用户特定配置的360度视频流媒体传输，通过引力视口预测和饱和比例导数控制器，在无训练情况下实现高精度视口预测和缓冲调节。
2026-05-01 cs.CV cs.MM cs.NI
A Frame Rate Optimization Framework For Improving Continuity In Video Streaming
本文旨在减少预缓冲的要求，同时保持连续性，视频流。当前的方法通过利用自适应媒体播放（AMP）来降低播放速率来做到这一点。然而，这向观看者引入播出失真并且增加观看延迟。我们通过提出调整编码器帧生成速率和解码器播出帧速率两者的帧速率优化框架来实现这一点。首先，我们将此问题建模为编码器帧生成间隔和解码器播放帧间隔的联合调整。该模型与不连续惩罚虚拟缓冲器一起使用，以跟踪接收帧间隔和播放帧间隔之间的累积差异。然后，我们应用李雅普诺夫优化模型，系统地推导出一对解耦的优化策略。我们表明，占用的不连续性惩罚虚拟缓冲区相关的视频不连续性，这个框架产生了非常低的播出失真，除了显着减少预缓冲的要求相比，现有的方法。其次，我们引入了一个延迟约束的框架，通过使用一个延迟累加器的虚拟缓冲区。仿真结果表明，延迟约束的框架提供了一个优越的折衷之间的视频质量和引入的延迟相比，现有的方法。最后，我们分析了接收者和发送者之间的延迟反馈对优化策略的影响。我们发现，延迟反馈的优化政策的影响最小。
2011-11-22 cs.MM cs.NI
Understanding video streaming algorithms in the wild
虽然视频流算法是一个热门的研究领域，每隔几个月就会提出有趣的新方法，但人们对部署在占互联网流量很大一部分的大型在线流媒体平台上的流媒体算法的行为知之甚少。因此，我们研究了自适应比特率流媒体算法在10个这样的视频平台与不同的目标受众。我们收集了每个视频播放器对网络带宽控制变化的响应的痕迹，并检查了算法行为：在目标缓冲区方面，算法的风险规避程度如何;启动后需要多长时间才能达到稳态;尝试匹配带宽与稳定运行时的反应程度如何;它如何有效地使用可用的网络带宽;我们发现，部署的算法在这些轴上表现出广泛的行为，表明缺乏一个共识的一刀切的解决方案。我们还发现证据表明，大多数部署的算法都是朝着稳定的行为，而不是快速适应带宽变化，一些是朝着视觉感知指标，而不是基于比特率的指标，许多人留下了大量的可用带宽未使用。
2020-01-09 cs.NI
Experimental Study of Low-Latency Video Streaming in an ORAN Setup with Generative AI
Aalborg University（奥尔堡大学）
本研究提出一种基于生成AI的主动控制方法，通过ORAN和MEC协同降低实时视频流延迟，实验显示在ORAN测试床上实现4 dB PSNR和15点VMAF的提升。
2026-01-08 cs.NI eess.SP
Coalition Game-based Approach for Improving the QoE of DASH-based Streaming in Multi-servers Scheme
HTTP动态自适应流媒体（Dynamic Adaptive Streaming over HTTP，DASH）正在成为大规模有效视频流量交付的事实方法，其首要成功因素是赋予流媒体客户端完全的自主权，使其更加智能，并在基于拉取的范式下实现粒度视频块的分散式视频质量决策逻辑。然而，客户端的纯粹自主性本质上导致了整体自私的环境，其中每个客户端独立地努力提高其体验质量（QoE）。因此，客户端会伤害对方，包括自己，由于他们的感知范围有限。这个缺点可以通过采用一种机制，具有全局视图，从而可以有效地管理可用资源来解决。在本文中，我们提出了一个基于博弈论的方法来解决多服务器设置中的客户端的自私问题，而不影响其自治。特别地，我们采用联盟博弈框架来影响客户端到最好的服务器，最终最大限度地提高客户端的整体平均质量，同时防止重新缓冲。我们通过大量的实验验证了我们的解决方案，并展示了所提出的解决方案的有效性。
2022-01-05 cs.NI
Adaptive Data Admission and Retention for Streaming Federated Learning
University of Toronto（多伦多大学）
研究客户端内存有限的流式联邦学习，提出联合服务器端接纳和客户端内存管理框架，开发ACDPP策略，结合K步保留规则与在线接纳规则等，通过论证使其与预言机基准联系，实验表明该策略在满足约束时接近基准。
2026-07-28 cs.AI cs.LG cs.NI
Multipath streaming: fundamental limits and efficient algorithms
我们调查流在多个链接。一个文件被分割成称为块的小单元，这些小单元可以根据某些策略在各个链路上被请求，并在一些随机延迟后被接收。在称为预缓冲时间的启动待用时间之后，以固定速度播放接收到的块。如果要播放的块尚未到达，则存在饥饿。我们提供了任何政策的饥饿概率的下限（基本限制）。我们进一步提出了简单的，订单最优的政策，不需要反馈。对于一般的延迟分布，我们提供了易于处理的上限饥饿概率的建议政策，允许选择适当的预缓冲时间。我们专注于我们的结果：（i）在分组级采用CSMA或机会调度的链路，（ii）与主用户共享的链路，（iii）在流级使用公平速率共享的链路。我们认为一个通用的模型，使我们的研究结果提供洞察媒体流的设计和性能（a）有线网络与源和目的地之间的几条路径，（b）无线网络具有频谱聚合和（c）多归属无线网络。
2016-11-10 cs.IT cs.NI math.IT
Streaming Video over HTTP with Consistent Quality
在传统的基于HTTP的自适应流传输（HAS）中，视频源以恒定比特率表示的多个级别进行编码，并且客户端根据测量的网络带宽进行其表示选择。虽然极大地简化了对变化的网络条件的适应，但这种策略并不是优化最终用户体验的视频质量的最佳方法。如果考虑到视频内容的自然变化，则可以减少质量波动。在这项工作中，我们研究了客户端速率自适应算法的设计，以产生一致的视频质量。我们假设客户端在有限的范围内可以看到传入的视频。我们还利用客户端视频缓冲区，将其用作呼吸空间，不仅用于网络带宽变化，还用于视频比特率变化。然而，挑战在于如何平衡这两个可变性，以产生一致的视频质量，而不冒缓冲区欠载的风险。我们提出了一个优化解决方案，使用在线算法来适应视频比特率逐步，而应用动态规划在每一步。我们将我们的解决方案，PANDA -一个实用的速率自适应算法设计的HAS部署规模。
2014-01-21 cs.MM cs.NI
An Optimized BBR for Multipath Real Time Video Streaming
多径传输方案可以作为向最终用户提供更好的实验质量的有效方式。在多径实时的视频传输中，拥塞控制和分组调度是两个关键的研究问题。正如效用最大化理论所表明的那样，为了给终端用户提供更好的满意度，就必须提供更高的吞吐量和更低的传输延迟。拥塞控制负责收敛到最大可用带宽并避免导致网络拥塞。提出了一种针对实时的视频传输优化的延迟响应BBR（Delay-BBR）算法，其主要思想是在链路延迟超过一定阈值时降低发送速率，让中间路由器清空占用的缓存。实验表明，与QUIC-BBR和WebRTC-BBR相比，该算法具有更好的传输时延和更低的丢包率。并在拥塞控制算法的基础上引入了一种基于效用最大化理论的分组调度算法，与基准算法相比，进一步降低了帧传输延迟。
2019-01-26 cs.NI
Cross-Layer Effects on Training Neural Algorithms for Video Streaming
目前，HTTP上的动态自适应流（DASH）是互联网上用于多媒体流的最流行的解决方案，并且负责大部分全球流量。DASH使用自适应比特率（ABR）算法，该算法考虑诸如吞吐量和播放缓冲器水平的性能度量来选择视频质量。Pensieve是一个允许在模拟网络环境中使用强化学习来训练ABR算法的系统，并且在实现的性能方面优于现有方法。在本文中，我们证明了训练的ABR算法的性能取决于用于训练的神经网络的模拟环境的实施。我们还表明，所使用的拥塞控制算法的影响，由于跨层效应的算法的性能。
2018-09-27 cs.MM cs.NI
A Comprehensive Analysis of Swarming-based Live Streaming to Leverage Client Heterogeneity
由于在互联网规模上缺少IP多播支持，在内容分发网络及其对等（P2P）扩展所使用的覆盖的帮助下来分发过顶媒体流。在这种情况下，基于网格/拉的群集作为纯流方法或与树/推机制相结合起着重要作用。然而，现实的客户群体与异质资源的影响尚未完全理解。在本技术报告中，我们通过在连续时间马尔可夫链框架中对最基本的调度机制最新截止日期优先（LDF）和最早截止日期优先（EDF）进行数学分析，并将它们组合成一个简单而强大的混合策略，以利用客户端资源的固有差异，从而缩小这一差距。主要贡献有两个方面：（1）提出了一个随机图上群集的数学框架，重点是异构场景中的LDF和EDF策略;（2）提出了一种混合策略，名为SchedMix，利用对等体的异构性。所提出的策略，计划混合表现出优于其他两种策略，使用不同的抽象：平均场理论分析的缓冲区概率，随机图上的随机模型的模拟，和全栈实现的P2P流媒体系统。
2018-12-29 cs.NI
Improving UE Energy Efficiency through Network-aware Video Streaming over 5G
蜂窝网络上的自适应比特率（ABR）流传输在文献中已经得到了很好的研究;然而，现有的ABR算法主要关注于提高终端用户的体验质量（QoE），而忽略了底层设备的资源消耗方面。因此，主动尝试下载视频数据以维持用户的QoE通常会影响底层设备的电池寿命，除非下载尝试与网络的信道条件同步。在这项工作中，我们开发了EnDASH-5G -一个包装在流行的基于DASH的ABR流算法，它建立了这种同步，利用网络感知的视频数据下载机制。EnDASH-5G通过利用公共可用的5G数据集的基于迁移学习的方法升级现有的吞吐量预测模型，为5G毫米波网络利用了一种新的吞吐量预测机制。然后，它利用深度强化学习来使用预测的吞吐量动态地决定回放缓冲区长度和视频比特率。这确保了数据下载尝试与底层网络条件同步，从而节省了设备的电池电量。从对EnDASH-5G的全面评估中，我们观察到它在最大能耗方面比最先进的Pensieve ABR算法实现了接近$30.5\%$的降低，同时在QoE方面几乎达到了标准。
2023-02-12 cs.NI
ASL360: AI-Enabled Adaptive Streaming of Layered 360$^\circ$ Video over UAV-assisted Wireless Networks
College of Computing, New Jersey Institute of Technology（计算学院，新泽西理工学院）；Dept. of Electrical Engineering, University of Buffalo（电气工程系，布法罗大学）
ASL360通过自适应调度和分层视频流媒体技术提升沉浸式视频体验质量，有效应对动态网络环境挑战。
2026-02-21 cs.AI cs.MM cs.NI
QuDASH: Quantum-inspired rate adaptation approach for DASH video streaming
本文提出一种基于量子启发式计算技术Digital Annealer和QUBO的DASH视频流码率自适应方法QuDASH，通过构建并最小化目标函数来优化视频质量、码率变化和缓冲区条件，实验表明其在68.2%的案例中实现了最高QoE，优于传统ABR方法。
2023-10-22 cs.MM cs.NI eess.IV
Learning in situ: a randomized experiment in video streaming
我们描述了一个随机对照试验的视频流算法的比特率选择和网络预测的结果。在过去的八个月里，我们通过互联网向56，000名用户播放了14.2年的视频。会话在算法之间以盲态方式随机化，并记录客户遥测以供分析。我们发现，在这个现实世界的设置，这是很难复杂的或机器学习的控制方案优于“简单”的计划（基于缓冲区的控制），尽管在网络仿真器或模拟器的良好性能。我们进行了统计分析，发现网络和算法行为的可变性和重尾性质为这一领域的鲁棒学习算法创造了障碍。我们开发了一种ABR算法，鲁棒性优于其他计划在实践中，通过将经典控制与学习的网络预测器相结合，在实际部署环境的数据上进行现场监督学习训练。为了支持进一步的调查，我们每天都会发布一份痕迹和结果的档案，并将向社区开放我们正在进行的研究。我们欢迎其他研究人员使用这个平台来开发和验证用于比特率选择、网络预测和拥塞控制的新算法。
2019-09-23 cs.NI
Resource Allocation for Improved User Experience with Live Video Streaming in 5G
为移动用户提供高质量的实时视频流体验是蜂窝网络面临的最大挑战之一。这是由于这些服务需要具有低可变性的高速率，这在给定（通常大量）用户之间对受限网络资源的竞争以及它们的信道特性的高可变性的情况下是不容易实现的。改善用户体验的一种方法是利用他们的缓冲区和向每个人提供恒定数据率的能力，这是5G网络的特征之一。但是，后者的效率不是很高。为此，在本文中，我们为5G网络中的资源分配提供了一个理论分析框架，从而改善了观看直播视频时的用户体验。我们通过解决三个问题来做到这一点，其中的目标是为所有一类和二类用户提供最高的可实现的视频分辨率，并最大限度地增加体验给定分辨率的用户数量。分析是通过运行在轨迹上的模拟进行验证。我们还比较了我们的方法对不同的QoE指标的其他技术的性能。结果表明，我们的方法可以提高至少15%的性能。
2021-05-29 cs.NI
Service Provisioning and Profit Maximization in Network-assisted Adaptive HTTP Streaming
集中考虑多个流的自适应HTTP流已经获得了越来越多的关注。它提出了一个特殊的挑战，即内容提供方和网络运营商的利益需要刻意平衡。更重要的是，需要适应策略足够灵活，以移植到在不同网络环境、QoE水平和经济目标下工作的各种系统。为了解决这些挑战，我们提出了一个马尔可夫决策过程（MDP）为基础的网络辅助自适应框架，其中缓冲的成本，显着的回放变化，带宽管理和收入的回放联合调查。然后，我们展示了它在需要公平或差异化服务的移动网络中有前途的服务提供和最大利润。
2015-01-18 cs.MM cs.NI
From 5G RAN Queue Dynamics to Playback: A Performance Analysis for QUIC Video Streaming
Concordia University（康考迪亚大学）；University of Chile（智利大学）
本文分析了QUIC视频流媒体中AQM策略与5G网络各层的动态交互对QoE的影响，强调了跨层协同优化的重要性。
2025-08-20 cs.NI
Modeling Live Video Streaming: Real-Time Classification, QoE Inference, and Field Evaluation
University of New South Wales（新南威尔士大学）；BITS Pilani（皮拉尼比尔拉理工学院）
社交媒体、职业体育和视频游戏正在推动Twitch和YouTube Live等平台上的直播视频流的快速增长。直播流体验非常容易受到短时间尺度网络拥塞的影响，因为客户端回放缓冲区通常不超过几秒。不幸的是，识别这样的流并测量它们的QoE以用于网络管理是具有挑战性的，因为内容提供方在很大程度上使用相同的递送基础设施用于实况和视频点播（VoD）流传输，并且分组检测技术（包括SNI/DNS查询监视）不能总是区分两者。在本文中，我们设计，构建和部署ReCLive：一种基于网络级行为特征的实时视频检测和QoE测量的机器学习方法。我们的贡献有四个方面：（1）我们分析了来自Twitch和YouTube的约23，000个视频流，并确定了其流量概况中区分直播和点播流媒体的关键特征。我们将我们的流量跟踪作为开放数据向公众发布;（2）我们开发了一个基于LSTM的二元分类器模型，该模型可以在实时的【形】点播流中区分直播和点播流，跨提供商的准确率超过95%;（3）我们开发了一种方法，该方法可以根据分辨率和缓冲区停顿事件来估计直播流的QoE指标，总体准确率分别为93%和90%;以及（4）最后，我们对我们的解决方案进行原型设计，在实验室中对其进行训练，并将其部署到服务于7，000多个用户的实时ISP网络中。我们的方法为ISP提供了对实时视频流的细粒度可见性，使他们能够测量和改善用户体验。
2021-12-05 cs.AI cs.LG cs.NI
Anticipatory Radio Resource Management for Mobile Video Streaming with Linear Programming
在预期组网中，信道预测被用来提高通信性能。本文介绍了一种新的方法，分配资源的视频流业务，同时占服务质量。所提出的方法是基于将用户的本地播放缓冲器的模型集成到无线电接入网络中。这个模型的线性允许制定一个线性规划问题，优化分配的资源和媒体流的停滞时间之间的权衡。我们的模拟结果表明，在一个简单的，但有代表性的情况下，预期优化的全部力量。与瞬时自适应相比，我们的预期解决方案在可行的计算时间内表现出令人印象深刻的频谱效率和停滞持续时间的增益，同时对预测误差具有鲁棒性。
2016-03-08 cs.MM cs.NI
NOVA: QoE-driven Optimization of DASH-based Video Delivery in Networks
我们考虑的问题，优化视频传输的网络支持视频客户端流存储的视频。具体而言，我们考虑的问题，联合优化网络资源分配和视频质量的适应。我们的目标是公平地最大限度地提高视频客户端的体验质量（QoE），实现平均质量，质量的时间变化和公平性之间的权衡，结合用户对重新缓冲和视频传输成本的偏好。我们提出了一个简单的渐近最优在线算法，NOVA，来解决这个问题。NOVA是异步的，并且使用最少的通信，将资源分配的任务分配给网络控制器，并且将质量适配分配给各个视频客户端。NOVA中的视频质量适配对于独立视频客户端也是最佳的，并且非常适合与DASH框架一起使用。此外，我们扩展NOVA用于更一般的QoE模型，与其他流量负载共享的网络和使用固定/传统资源分配的网络。
2013-09-25 cs.MM cs.NI
Reducing Traffic Wastage in Video Streaming via Bandwidth-Efficient Bitrate Adaptation
针对现有ABR算法流量浪费严重的问题，提出带宽高效的BE-ABR算法，通过基于Transformer的延迟预测和细粒度缓冲控制，在WiFi、4G、5G等环境下实现60.87%的浪费减少且QoE相当或更优。
2024-12-10 cs.MM cs.NI
Adaptive Video Streaming in MU-MIMO Networks
我们认为扩展和改进我们以前的工作动态自适应视频流在多小区多用户“小小区”的无线网络。以前，我们处理的情况下，单天线基站，从网络效用最大化（NUM）制定，我们设计了一个“推”调度策略，其中用户将请求顺序视频块可能不同的基站与自适应视频质量，和基站调度他们的下行链路传输，以稳定他们的传输队列。在本文中，我们考虑一个“拉”的策略，每个用户维护一个请求队列，这样用户就可以跟踪有效交付的视频块。拉取方案允许按回放顺序下载块，而不会跳过或错过它们。另外，受小型小区网络中的最近/即将到来的进展（例如，在最近的IEEE802.11ac标准的波-2中），我们将我们的动态流方法扩展到能够进行多用户MIMO下行链路的基站的情况，即，通过空间复用在同一时频隙上为多个用户提供服务。通过利用高维MIMO信道的“信道硬化”效应，我们设计了一个低复杂度的用户选择方案来解决底层的最大加权速率调度，它可以很容易地实现，并在每个基站独立运行。通过模拟，我们展示了MIMO在视频流QoE指标方面的增益，如预缓冲和重新缓冲时间。
2014-01-25 cs.IT cs.MM cs.NI
SemABR: Measuring Video Semantic Fidelity with Multimodal LLMs for Adaptive Bitrate Streaming
The Chinese University of Hong Kong（香港中文大学）
提出SemABR，利用多模态大语言模型定义视频语义保真度指标，并嵌入5G资源分配框架，在比特率受限时减少语义损失，优于传统方法。
2026-09-17 cs.MM cs.NI
Optimal Network-Assisted Multi-user DASH Video Streaming
流媒体视频正在成为互联网上的主要流量类型，有报告预测到2019年视频内容将占所有流量的80%。随着对互联网骨干网的大量投资，主要瓶颈仍然存在于边缘服务器（例如，WiFi接入点、小型小区等）。在这项工作中，我们提出并证明了最优的多用户资源分配机制，在边缘服务器上运行，最大限度地减少了视频流由于缓冲区下溢失速的概率。我们提出的策略利用客户端的媒体呈现描述（MPD）文件，该客户端的媒体呈现描述（MPD）文件是按照HTTP上的动态自适应流传输（DASH）协议发送的，以认识到要由客户端显示的每个媒体文件的截止日期。然后，该策略按照截止日期的顺序调度用户。在建立了最优的策略，以尽量减少与固定的损失率的链路的网络的失速概率，该算法的实用性进行了验证，在现实的网络条件下，详细的NS-3模拟。
2017-12-29 cs.MM cs.NI
TFDASH: A Fairness, Stability, and Efficiency Aware Rate Control Approach for Multiple Clients over DASH
HTTP上的动态自适应流传输（DASH）最近已被广泛部署在互联网中并在行业中被采用。然而，它不施加任何自适应逻辑来选择客户端所请求的视频片段的质量，并且当多个玩家竞争瓶颈链路时，相对于许多期望的属性（效率、稳定性和公平性），它的性能乏善可陈。在本文中，我们提出了一个吞吐量友好的DASH（TFDASH）速率控制方案，用于DASH上的多个客户端的视频流，以很好地平衡效率，稳定性和公平性之间的权衡。保证公平性和高效率（带宽利用率）背后的核心思想是避免在所有客户端的下载过程期间的OFF时段，即，带宽利用率接近100%，处于完全预约或超额预约状态。我们还提出了一个双阈值缓冲模型来解决上述思想所带来的不稳定性问题。因此，通过整合这些新的组件，我们还提出了一个概率驱动的速率自适应逻辑考虑到几个关键因素，最影响视觉质量，包括缓冲区占用，视频播放质量，视频比特率切换频率和幅度，以保证高质量的视频流。我们的实验证明了所提出的方法的优越性能。
2017-11-06 cs.MM cs.NI
SQP: Congestion Control for Low-Latency Interactive Video Streaming
本文介绍了SQP的设计和评估，一个拥塞控制算法（CCA）的交互式视频流应用，需要流高比特率压缩视频与非常低的端到端帧延迟（如。AR流媒体、云游戏）。SQP使用帧耦合的、步调一致的分组序列来对网络带宽进行采样，并使用自适应单向延迟测量来从排队中恢复，以获得低的、有界的排队延迟。SQP快速适应链路带宽的变化，确保高利用率和低帧延迟，并且在可接受的延迟包络内与正在构建的流竞争时，还实现了有竞争力的带宽共享。SQP具有良好的公平性，并且在具有浅缓冲区的链路上工作得很好。在Google的AR流媒体平台中，SQP与Copa的实际A/B测试中，SQP在LTE和Wi-Fi的高比特率和低帧延迟下分别实现了27%和15%的会话。当与Cubic和BBR等构建流量竞争时，SQP的带宽比GoogCC（WebRTC）、Sunday和PCC-Vivace高2- 3倍，性能与Copa相当（带模式切换）。
2022-07-25 cs.MM cs.NI
