QoE-Aware Service Function Chain Orchestration in Space-Air-Ground Integrated Networks for In-Flight Internet
School of Computer and Communication Engineering, University of Science and Technology Beijing（北京科技大学计算机与通信工程学院）
针对偏远地区航空用户对高性能机上互联网的需求，提出空天地一体化网络架构，采用定制MADDPG算法优化服务功能链编排，性能优于博弈论与MATD3方法。
2026-10-13 cs.NI
Pensieve 5G: Implementation of RL-based ABR Algorithm for UHD 4K/8K Content Delivery on Commercial 5G SA/NR-DC Network
Waseda University（早稻田大学）；Tokyo Institute of Technology（东京工业大学）
虽然第五代移动网络（5G）正在全球范围内推出，旨在向大量用户提供4K/8 K UHD视频，增强现实（AR）和虚拟现实（VR）内容，但覆盖范围和吞吐量仍然是最重要的问题之一，特别是在农村地区，只有低频带的5G正在部署。这需要一种高性能自适应比特率（ABR）算法，该算法可以在给定5G网络特征和UHD内容的数据率的情况下最大限度地提高用户体验质量。最近，许多新提出的ABR技术是基于机器学习的。其中，Pensieve是最先进的技术之一，它利用递归学习来生成基于过去决策性能观察的ABR算法。通过整合5G网络和UHD内容的背景，Pensieve已被优化为Pensieve 5G。提出了更准确地表示不同类型设备上UHD视频流的QoE的新QoE指标，并用于评估Pensieve 5G与其他ABR技术（包括原始Pensieve）的对比。基于真实5G独立（SA）网络吞吐量的仿真结果显示，Pensieve 5G优于传统算法和Pensieve，平均QoE分别提高了8.8%和14.2%。此外，Pensieve 5G在商用5G NR-NR双连接（NR-DC）网络上也表现良好，尽管训练仅使用来自5G独立（SA）网络的数据进行。
2022-12-29 cs.LG cs.NI
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
Mobile Multimedia Streaming Techniques : QoE and Energy Consumption Perspective
由于两个原因，多媒体流传输到移动设备具有挑战性。首先，将内容传送到客户端的方式必须确保用户在流媒体会话中间不会经历长的初始播放延迟或失真的播放。其次，多媒体流应用是智能手机中最耗能的应用之一。能量消耗主要取决于无线接入技术（Wi-Fi、3G和4G）的传输技术和功率管理技术。为了深入了解现有的流媒体技术，它们如何在不同的移动平台上工作，它们在提供流畅的体验质量方面所做的努力，以及它们对手机能耗的影响，我们对几款同时具有Wi-Fi和蜂窝网络接入的智能手机进行了大量的主动测量。我们的分析揭示了五种不同的技术来提供内容的视频播放器。技术的选择取决于移动平台、设备、播放器、质量和服务。我们的流量和功率测量结果使我们能够得出结论，所确定的技术都不是最佳的，因为它们没有考虑以下因素：使用的接入技术，用户行为和用户对数据浪费的偏好。我们指出的技术与最佳的播放缓冲区配置，它提供了最有吸引力的权衡在特定情况下。
2014-05-24 cs.MM cs.NI
Multipath Adaptive Video Streaming with Multiple Description Neural Video Codec over 5G Networks
University of Minnesota Twin Cities（明尼苏达大学双城分校）
该研究针对5G网络下现有多路径视频系统交付脆弱导致QoE低的问题，提出NeuralMDC神经多描述视频编解码器，开发对应多路径流系统，实验表明其QoE提升26%-44%、视频质量最高升41.8%且卡顿率低于0.32%。
2026-08-25 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
Invited Abstract: A Simulation Package for Energy Consumption of Content Delivery Networks (CDNs)
内容分发网络（CDN）正在成为下一代互联网的组成部分。传统上，这些网络的设计目标是流量卸载和提高用户体验质量（QoE），但能耗也成为CDN成为可持续解决方案的不可或缺的设计因素。为了使用这种新的设计指标来研究和改进CDN架构，我们计划在OMNet++中开发一个通用且灵活的仿真包。该软件包旨在通过整合针对CDN各个元素（例如服务器、路由器、有线和无线链路、无线设备等）提出的最先进的能耗模型，提供有关CDN能耗行为的整体视图。以及用于各种因特网内容（网页、文件、流视频等）。
2015-09-11 cs.NI cs.PF
Reclaiming Privacy and Performance over Centralized DNS
域名系统（DNS）既是用户体验质量（QoE）的关键决定因素，也是他们的品味、偏好甚至他们拥有的设备的隐私。对用户隐私和QoE的日益关注带来了许多替代DNS服务，从公共DNS到加密和不经意DNS。在提供有价值的功能的同时，这些DNS变体由少数提供商运营，加强了集中化的趋势，引发了对隐私，竞争，弹性和Web QoE的担忧。这项工作的目标是让用户在不牺牲隐私或性能的情况下利用第三方DNS服务。我们遵循Wheeler的建议，使用端系统DNS解析器Onoma添加另一个间接级别，以提高隐私性，通过在解析器之间插入和分片请求来避免基于DNS的用户重新识别，并通过在解析器之间运行解析竞赛和恢复内容分发网络依赖的客户端-解析器邻近假设来提高性能。虽然可能不存在对所有地方的所有客户端的理想服务，但是Onoma动态地为任何给定位置找到最佳服务。
2023-02-26 cs.CR cs.NI
PLVER: Joint Stable Allocation and Content Replication for Edge-assisted Live Video Delivery
直播服务近年来非常受欢迎。由于实时视频的尖峰流量模式，利用分布式边缘服务器来提高观众的体验质量（QoE）如今已成为一种常见的做法。然而，当前客户端驱动的内容缓存机制不支持从云到边缘的预先缓存，导致直播视频交付中大量缓存丢失。为了解决上述问题，最先进的研究通常会牺牲所传输视频的活跃度。本文结合视频直播和边缘服务器的特点，提出了一种主动的视频直播推送方案PLVER，以解决视频直播中缓存丢失的问题。具体而言，PLVER首先在边缘集群和用户组之间进行一对多的稳定分配，以平衡边缘服务器上的实时流量负载。然后采用主动式视频复制算法来加快边缘服务器之间的视频复制速度。我们进行广泛的跟踪驱动评估，覆盖30万Twitch观众和300多个Twitch频道。结果表明，与基于拍卖的复制方法和按请求时间缓存方法相比，使用PLVER，边缘服务器可以分别多承载28%和82%的流量。
2020-06-12 cs.NI
Efficient Steering Mechanism for Mobile Network-enabled UAVs
HTTP自适应流（HAS）正在成为当今尽力而为网络上事实上的视频传输技术，这要归功于它带来的无数优势。然而，许多研究表明，HAS在竞争玩家的存在下遭受许多与体验质量（QoE）相关的问题。这主要是由于玩家的自私导致的分散的智能给玩家。另一个限制是在流会话期间的任何时间和网络中的任何地方都可能发生的瓶颈链路。这些问题可能导致播放器感知到的带宽不稳定，并可能导致错过块下载的最后期限，这导致最烦人的问题，包括重新缓冲事件。在本文中，我们利用软件定义的网络范式来利用网络的全局视图及其强大的智能，可以对网络不断变化的条件做出反应。最终，我们的目标是防止由于最后期限错过而导致的重新缓冲事件，并确保系统中接受的客户端的高QoE。为此，我们使用确定性网络演算（DNC）来保证视频块下载的最大延迟，同时最大限度地提高感知的视频质量。仿真结果表明，该方案确保了高效率的接受客户端没有任何重新缓冲事件，导致高用户QoE。因此，对于视频块应该严格按时下载或以高用户QoE确保低延迟的场景，例如在未来的5G移动网络中为视频付费用户或自动驾驶车辆的远程控制/驾驶提供服务，它可能非常有用。
2022-01-03 cs.NI
Quality of Experience from Cache Hierarchies: Keep your low-bitrate close, and high-bitrate closer
最近对流媒体交付的研究表明，从缓存层次结构（如信息中心网络（ICN））获得的性能增益可能会被动态自适应流（DAS）否定，DAS是检索多媒体内容的实际方法。驱动视频流传输的比特率自适应机制与缓存层次结构发生冲突，从而影响用户的体验质量（QoE）。当消费者动态选择以不同比特率编码的内容时，缓存性能也会降低。在本文中，我们使用证据得出了一个新的见解：在自适应流媒体内容的缓存层次结构中，比特率应该优先于流行度和点击率或与流行度和点击率并列。基于这一见解，我们提出RippleCache作为一系列缓存放置方案，以保护边缘的高比特率内容，并将低比特率内容推送到网络核心。这样做可以减少缓存资源的争用以及网络中的拥塞。为了验证RippleCache的声明，我们构建了两个单独的实现。我们将RippleClassic设计为基准解决方案，通过最大化与QoE高度相关的缓存层次结构来优化内容放置。此外，我们的轻量级Ripplestrike然后重新设计与分布式执行在大规模系统中的应用。RippleCache的性能提升通过NS-3中针对最先进的基线方法进行的评估得到了加强，使用了DASH行业论坛定义的标准QoE指标。测量结果显示，RippleClassic和RippleWide提供的内容受到更少的振荡和重新缓冲，以及最高水平的视频质量，这表明QoE的整体改善。
2019-03-22 cs.NI
ECD: An Edge Content Delivery and Update Framework in Mobile Edge Computing
提出了物联网时代基于移动边缘计算的边缘内容分发框架（ECD），以减轻核心网的负载，提高移动用户的体验质量（QoE）。考虑到移动设备成为内容的消费者和提供者，并且大多数内容不需要上传到云数据中心，在网络边缘，我们部署了一个内容服务器来存储从移动用户生成的原始内容，并在ECD中部署了一个缓存池来存储移动用户经常请求的内容。高速缓存池是分级的，并且高等级的高速缓存池将存储具有更高流行度的内容。此外，我们提出了边缘内容交付方案和边缘内容更新方案，基于内容流行度和缓存池排名。内容交付方案是为了高效地将内容交付给移动用户，而边缘内容更新方案是为了根据用户频繁的请求将用户生成的内容缓解到适当的缓存池中，并缓存较差的排名。边缘内容分发与内容分发网络完全不同，可以进一步降低核心网的负载。此外，由于最高等级的缓存池优先用于较高优先级的内容，而缓存池优先用于较高优先级的内容，并且缓存池接近移动用户，因此可以实现移动用户和缓存池之间的即时交互响应。一个有代表性的案例研究的幼儿发展和开放的研究问题进行了讨论。
2018-05-28 cs.NI
Stateless Network-Aware Adaptive Bitrate Streaming over IPFS
Stony Brook（石溪大学）
针对IPFS环境性能波动导致传统ABR流媒体QoE下降的问题，提出一种无状态网络感知ABR策略，通过仅使用本地可观测信号逐段计算比特率，避免跨提供者状态同步，在故障条件下QoE提升最高约6倍。
2026-06-28 cs.DC cs.NI
Deep Reinforcement Learning-based Content Migration for Edge Content Delivery Networks with Vehicular Nodes
针对含车载节点的边缘CDN缓存容量受限问题，提出利用相邻边缘缓存替代删除的内容迁移策略，并采用深度强化学习选择迁移内容与目标缓存，使访问时延成本最高降低70%。
2023-07-18 cs.NI
Objective Video Quality Assessment in FWA-Based Over-the-Top Content Delivery Across Open Source 5G Networks
Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）
本研究在开源5G FWA测试平台上，通过客观QoE指标评估传输模式、调制和负载对4K视频质量的影响，证明MIMO优于SISO，为UHD传输优化提供实证依据。
2026-09-23 cs.NI
Context-Aware Adaptive Prefetching for DASH Streaming over 5G Networks
针对5G网络中DASH流媒体传输，本文提出一种基于机器学习分类模型的MEC上下文感知自适应预取机制，利用媒体会话指标选择预取片段，以降低网络流量并提升QoS和QoE。
2023-11-13 cs.MM cs.NI
Realtime Mobile Bandwidth and Handoff Predictions in 4G/5G Networks
移动应用程序越来越依赖于高吞吐量和低延迟的内容交付，而无线接入链路上的可用带宽本质上是随时间变化的。由于用户移动性导致的基站和接入模式之间的冲突对提供高水平的用户体验质量（QoE）提出了额外的挑战。预测可用带宽和即将到来的带宽分配的能力将为应用提供宝贵的余地，以进行主动调整，避免QoE显著下降。在本文中，我们探讨了4G/LTE和5G网络中实时移动带宽和切换预测的可能性和准确性。为了实现这一目标，我们从公共交通系统中收集具有丰富带宽，通道和上下文信息的长连续轨迹。我们开发了递归神经网络模型来挖掘固定路由移动场景中带宽演变的时间模式。我们的模型始终优于传统的单变量和多变量带宽预测模型。对于4G\& 5G共存网络，我们提出了4G和5G之间的切换预测的新问题，这对于现实5G场景中的自动驾驶策略等低延迟应用非常重要。我们开发了基于分类和回归的预测模型，在最近的5G数据集中预测4G和5G故障的准确率超过80%。
2021-04-27 cs.NI eess.SP
ProCAVE: A Self-Adaptive, Full-Lifecycle Edge Caching Framework for Video Streaming via Predictive Bandwidth Estimation and Preference-Aware Deep Reinforcement Learning
Tarbiat Modares University（塔比尔·莫达雷斯大学）；ICT Research Institute（信息通信技术研究所）
该研究针对现有边缘缓存方法在无线动态环境下响应与协调不足的问题，提出ProCAVE框架，结合轻量Transformer、PPO、DDPG实现预测带宽建模与偏好感知缓存控制，实验表明其在字节命中率、回传负载、QoE上优于FlyCache等基线。
2026-08-05 cs.MM cs.NI eess.IV
Teleoperating Autonomous Vehicles over Commercial 5G Networks: Are We There Yet?
本文从跨层与端到端视角评估商用5G网络远程驾驶AV的可行性，重点分析上行传感器数据时延及RTSP、WebRTC等机制局限。
2025-07-27 cs.NI cs.OH
End-to-End Performance of Video Streaming With MPEG-DASH Over Satellite 5G IAB Networks
University of Manitoba（曼尼托巴大学）
研究现代传输协议和拥塞控制算法对集成卫星-陆地网络中自适应视频交付的影响，通过模拟框架评估TCP和QUIC在不同拥塞控制算法下的性能，发现QUIC-BBR在QoE方面表现最优。
2026-04-17 cs.NI
Mobile Edge Caching: An Optimal Auction Approach
随着无线数据的爆炸式增长，移动业务的庞大规模对当前无线系统的容量提出了挑战。为了应对这一挑战，移动边缘缓存已经成为一个很有前途的范例，最近，其中的服务提供商（SP）预先预取一些流行的内容，并缓存在本地的网络边缘。当被请求时，这些本地缓存的内容可以以低延迟直接传递给用户，从而减轻高峰时段回程信道上的业务负载，同时提高用户的体验质量（QoE）。由于可用缓存空间有限，SP缓存最有利可图的内容是有意义的。然而，用户对内容的真实评价是他们的私人知识，一般来说，SP不知道。这种信息不对称对SP端的有效缓存提出了重大挑战。此外，缓存的内容可以以不同的质量交付，这需要明智地选择以平衡交付成本和用户满意度。为了解决这些困难，在本文中，我们提出了一个最佳的拍卖机制从SP的角度来看。在拍卖中，SP确定缓存空间分配的内容和用户支付的基础上，用户的（可能是不真实的）报告，他们的估值，使SP的预期收益最大化。所提倡的机制旨在从用户那里获得真实的评价（激励相容性），并激励用户参与（个人理性）。此外，我们设计了一个计算效率高的方法来计算最佳的缓存空间分配和用户支付。我们进一步研究了大量用户的情况下的内容交付质量的最佳选择，并推导出一个封闭形式的解决方案来计算最佳交付质量。
2017-12-09 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
Reinforcement Learning -based Adaptation and Scheduling Methods for Multi-source DASH
International University - Vietnam National University（越南国家大学国际大学）；Kyung Hee University（庆熙大学）；Wroclaw University of Science and Technology（弗罗茨瓦夫科技大学）
针对多源DASH视频流中块乱序影响QoE的问题，提出两种结合强化学习的自适应与调度算法，经真实轨迹仿真验证了有效性。
2023-07-25 cs.AI cs.NI
Mechanisms for Resilient Video Transmission
无线网络被设想为提供具有成本效益的内容递送（包括用于视频应用）的最重要技术之一。它们将允许成千上万的固定和移动用户以无处不在的方式访问、制作、共享和消费视频内容。这些网络上的实时视频服务正在成为日常生活的一部分，并已被用于传播从教育到娱乐内容的信息。然而，处理这些网络的波动带宽、稀缺资源和时变出错率的挑战突出了对错误恢复视频传输的需要。在此上下文中，已知前向纠错（FEC）和不等错误保护（UEP）方法的组合为无线用户提供具有体验质量（QoE）保证的视频应用的分发。本文提出了一个评估视频特征及其对最终用户感知质量的影响的过程。本文提出了一系列基于FEC的跨层视频感知机制和UEP，以增强几种类型的无线网络中的视频传输。在这些机制中使用了许多方法来设置自适应的冗余量，例如启发式技术、随机神经网络、蚁群优化和模糊逻辑。在第一个，启发式技术，机制依赖于人类的经验来定义最佳策略。通过真实视频序列和实际网络轨迹的仿真实验，验证了所提出机制的优点和缺点。使用众所周知的QoE指标进行评估。结果表明，所有提出的机制都能够超越竞争对手的感知视频质量和网络足迹。
2018-08-20 cs.NI
Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring
Politecnico di Milano（米兰理工大学）
网络运营商需要不断升级其基础设施，以保持较高的客户满意度。通常采用基于众包的方法，即直接要求客户回答有关其用户体验的调查。由于协作用户的数量通常较低，因此网络运营商依赖于机器学习模型来预测用户的满意度水平/QoE，而不是通过调查直接测量它。最后，将真实/预测的用户满意度水平与关于每个用户移动性的信息（例如，每个用户访问了哪些网络站点以及访问了多长时间）相结合，运营商可以揭示网络中的关键区域并适当地驱动/优先化投资。在这项工作中，我们提出了一个经验框架，专门评估质量的检测性能不佳的细胞从主观的用户体验等级。该框架允许模拟不同的网络场景，其中一个网络的特点是由一个小的一组表现不佳的细胞被访问的异构用户移动通过它根据现实的移动性模型。该框架模拟了满意度调查的交付和用户满意度预测的过程，考虑不同的交付策略和评估预测算法的不同预测性能。我们使用的模拟框架来测试经验表现不佳的网站检测在一般情况下，其特征在于不同的用户密度和移动性模型，以获得见解，这是概括性的，并提供有趣的指导方针，为网络运营商的性能。
2020-10-30 cs.LG cs.NI
Video Quality Monitoring for Remote Autonomous Vehicle Control
本文针对远程自动驾驶车辆控制在4G/5G网络下的视频传输可靠性问题，提出一个集成AI模型（LSTM、GRU、Transformer等）的视频质量监测系统蓝图，并通过基准测试验证其准确率与推理延迟，支持主动网络自适应决策。
2025-05-27 cs.NI cs.SY eess.SY
Overlay Routing for Fast Video Transfers in CDN
内容分发网络（CDN）正在见证视频流的爆发（例如，个人直播流或视频点播），其中由移动电话产生或访问的视频内容必须从网络的一个点快速传输到另一个点。每当用户请求无法在边缘服务器上直接获得的视频时，CDN网络必须1）确定网络中存储内容的最佳位置，2）建立连接，3）尽快交付视频。出于这个原因，现有的CDN采用覆盖结构来减少延迟，利用由软件定义网络（SDN）范例引入的灵活性。为了保证用户满意的体验质量（QoE），连接必须遵守若干服务质量（QoS）约束。在本文中，我们专注于子问题2），通过提出一种方法来有效地计算和维护覆盖网络中的路径。我们的方法可以加快视频段的传输，找到最小延迟覆盖路径的约束下跳数，抖动，丢包和中继处理能力。该算法提供了一个接近最优的解决方案，同时大大减少了执行时间。我们展示了在真实CDN中收集的痕迹，我们的解决方案允许最大限度地提高快速视频传输的数量。
2017-01-31 cs.NI
Octopus: A Cooperative Hierarchical Caching Strategy for Cloud Radio Access Networks
最近，在基于云的计算平台上实现无线电接入网络（RAN）功能已经成为一种新兴的解决方案，该解决方案利用云基础设施的许多优点，例如共享计算资源和存储容量，同时降低运营成本。在本文中，我们提出了一种新的缓存框架，旨在充分利用这种基于云的RAN（C-RAN）系统的潜力，通过合作分层缓存，最大限度地减少网络成本的内容交付，提高用户的体验质量（QoE）。特别是，我们认为云处理单元（CPU）中的云缓存是RAN缓存层次结构中的一个新层，弥合了传统的基于边缘和基于核心的缓存方案之间的容量-性能差距。延迟成本模型的特点和制定的缓存布局优化问题，这是NP完全的。为此，提出了一种低复杂度的启发式缓存管理策略，由主动式缓存分配算法和被动式缓存替换算法组成。使用真实世界的YouTube视频请求和合成内容请求进行了大量的数值模拟。结果表明，我们提出的八达通缓存策略显着优于传统的缓存策略的缓存命中率，平均内容访问延迟和回程流量负载。
2016-10-21 cs.NI
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
Efficient Resource Management in Multicast Short Video Streaming Systems
针对短视频流量激增下传统单播低效、组播资源分配复杂的问题，提出新型组播资源管理框架，通过动态优化分配平衡成本与体验，实验验证其可降带宽、减延迟、提升用户满意度。
2025-08-01 cs.GR cs.NI
Enhanced adaptive cross-layer scheme for low latency HEVC streaming over Vehicular Ad-hoc Networks (VANETs)
Univ. Polytechnique Hauts-de-France（上法兰西理工大学）；CNRS（法国国家科学研究中心）；Univ. Lille（里尔大学）；YNCREA；Centrale Lille（里尔中央理工学院）；IEMN（电子、微电子与纳米技术研究所）；Badji Mokhtar University Annaba（安纳巴巴吉莫赫塔尔大学）
针对车载自组织网络信道多变、带宽有限导致的低时延HEVC视频传输质量难保障的问题，提出一种结合视频编码结构、帧重要性和网络负载的低复杂度跨层队列分配机制，相较802.11p的EDCA机制显著提升了视频质量并降低了端到端时延。
2023-11-05 cs.CV cs.MM cs.NI
