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
ECAS-ML: Edge Computing Assisted Adaptation Scheme with Machine Learning for HTTP Adaptive Streaming
随着移动网络中的视频流传输业务的增加，改进内容递送过程变得至关重要，例如，利用边缘计算支持。在边缘节点，我们可以部署自适应比特率（ABR）算法，更好地了解网络行为并访问无线电和播放器指标。在这项工作中，我们提出了ECAS-ML，边缘辅助自适应方案的HTTP自适应流与机器学习。ECAS-ML专注于管理比特率、段切换和停顿之间的权衡，以实现更高的体验质量（QoE）。为此，我们使用机器学习技术来分析无线电吞吐量轨迹并预测算法的最佳参数，以实现更好的性能。实验结果表明，ECAS-ML算法优于其他基于客户端和基于边缘的ABR算法。
2022-01-12 cs.MM 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
Analyzing TCP Throughput Stability and Predictability with Implications for Adaptive Video Streaming
最近的工作表明，TCP吞吐量的稳定性和可预测性在视频观看会话可以通知更好的视频比特率自适应算法的设计。尽管有丰富的互联网测量的传统，但是，我们的吞吐量的稳定性和可预测性的理解是相当有限的。为了弥补这一差距，我们提出了一个测量研究的吞吐量稳定性使用大规模的数据集从视频服务提供商。基于这种分析，我们提出了一种简单但有效的预测机制，基于隐马尔可夫模型，并证明它优于其他方法。我们还展示了在提高自适应视频流的用户体验的实际意义。
2015-06-18 cs.NI
Towards Retina-Quality VR Video Streaming: 15ms Could Save You 80% of Your Bandwidth
当今的虚拟现实系统还不能通过网络流式传输沉浸式、视网膜质量的虚拟现实视频。这一目标的最大挑战之一是以高分辨率和帧速率传输视网膜质量视频帧所需的绝对数据率。最近的工作已经利用了新颖的视注视为条件的视频压缩技术中人类感知的视觉敏锐度的衰减。在本文中，我们表明，减少系统本身的运动到光子的延迟是提高凝视相关压缩的压缩比的关键方法。我们的关键发现是，延迟低于15 ms的客户端和流媒体服务器系统可以实现比传统技术高5倍的压缩，同时使用比以前工作更简单的软件算法。
2021-09-20 cs.GR cs.MM cs.NI
User Digital Twin-Driven Video Streaming for Customized Preferences and Adaptive Transcoding
本研究提出融合用户数字孪生与传统视频流系统的新方法，通过机器学习持续更新用户数字孪生以指导自适应转码，在提升内容个性化的同时降低带宽占用、优化播放质量，推动用户-centric多媒体服务发展。
2025-08-01 cs.MM cs.NI
Improving Network Monitoring and Security via Visualization
互联网网络正在处理比以往任何时候都增加的流量。这些数据主要与敏感、分布式和多媒体应用程序相关。在过去的几年里，人们非常关注网络基础设施的设计和开发方式，以便应对为VoIP和流媒体视频等应用提供高质量服务的挑战。
2015-11-27 cs.NI
Leveraging Multi-Connectivity for Multicast Video Streaming
多连接已经成为在蜂窝移动网络中提供无缝连接的关键使能器。然而，它的潜力，提高多播传输的质量仍然是未开发的。在本文中，我们研究了多连接在无线组播流中的使用。多连通性可以显著提高组播服务的性能。它特别有益于经常遭受不良信道条件的小区边缘用户。在这项工作中，我们评估多连接的组播流的性能的影响。我们提出了在多播系统中建立多连接的过程，并解决了相关的资源分配问题。证明了最优资源分配问题是NP难的。我们提出了一个贪婪的近似算法，这个问题，并证明没有其他多项式时间算法可以提供一个更好的近似。由于视频流是这里考虑的主要用例，因此我们使用实际视频的跟踪来生成模拟中的真实视频流量模式。我们的模拟结果清楚地表明，多连接的结果在相当大的性能改善组播流。
2022-02-10 cs.NI
S2VC: An SDN-based Framework for Maximizing QoE in SVC-Based HTTP Adaptive Streaming
HTTP自适应流（HAS）正迅速成为互联网上用于自适应流的主导视频递送技术。仍然被认为是其主要挑战的是确定最佳速率适配和提高体验质量（QoE）和QoE公平性。大多数拟议的方法都依赖于当地的信息来找到结果。然而，采用提供网络资源的全面和集中视图的技术可以带来更多的性能增益。通过利用软件定义网络（SDN），本文提出了一种基于SDN的框架S2 VC，以最大化基于SVC的HTTP自适应流媒体的QoE指标和QoE公平性。所提出的框架确定用于将所请求的视频文件从HTTP媒体服务器递送到DASH客户端的最佳适配和数据路径。事实上，通过利用SDN控制器及其完整的网络视图，我们引入了SVC流优化器（SFO）应用模块，以集中和时隙的方式确定最佳解决方案。在目前的方法中，我们首先制定的问题作为一个混合整数线性规划（MILP）的优化模型。MILP的设计方式是应用定义的策略，例如为客户端设置获得视频质量的优先级。其次，我们证明了这个问题是NP-完全的，并提出了一个LP-松弛模型，使S2 VC框架在大规模网络上执行速率自适应。最后，我们通过在Mininet中仿真所提出的框架进行实验，使用Floodlight作为SDN控制器。在提高QoE公平性和QoE指标方面，通过与不同方法的比较，验证了所提出的框架的有效性。
2018-09-10 cs.NI
Dependency-Aware Dominant Resource Fairness for Multi-Tenant Multi-Resource Systems
Conservatoire National des Arts et Métiers (Cnam)（国立巴黎高等工艺学院）；Sorbonne Université（索邦大学）；Université Paris-Saclay（巴黎萨克雷大学）；Institut Universitaire de France (IUF)（法国大学研究院）
提出依赖感知主导资源公平性（DDRF）策略，通过均衡拥塞资源的活跃主导份额，消除资源浪费，实现帕累托效率，在vRAN场景中用户满意度提升达80%，资源浪费减少达60%。
2026-06-25 cs.NI math.OC
Low-Delay Adaptive Video Streaming Based on Short-Term TCP Throughput Prediction
近年来，基于HTTP的自适应流媒体已经成为互联网上视频流媒体的事实标准。它允许客户端根据不同的网络条件调整媒体特性，以最大限度地提高体验质量（QoE）。在直播的情况下，这项任务变得特别具有挑战性。可能有助于提高性能的一个重要因素是正确预测短到中时间尺度上的网络吞吐量动态的能力。在经常受到连续吞吐量波动影响的无线网络中，这变得特别困难。在目前的工作中，我们开发了一种自适应算法，基于HTTP的自适应直播，对于每个自适应决策，最大限度地提高基于QoE的效用函数取决于播放中断的概率，平均视频质量，和视频质量波动的量。为了计算效用函数，该算法利用吞吐量预测和动态估计的预测精度。我们正试图缩小由于缺乏在中短期内分析TCP吞吐量的研究而造成的差距。研究了几种时间序列预测方法及其误差分布。我们观察到简单移动平均线在大多数情况下表现最好。我们还观察到，相对低估误差最好由截断正态分布表示，而相对高估误差最好由Lomax分布表示。此外，低估和高估表现出时间相关性，我们使用它来进一步提高预测精度。我们比较所提出的算法与基线方法，使用一个固定的利润率之间的过去的吞吐量和选定的媒体比特率，和一个基于Oracle的方法，具有完善的知识，在未来的吞吐量为一定的时间范围。
2016-03-03 cs.MM cs.NI
Online Bitrate Selection for Viewport Adaptive 360-Degree Video Streaming
360-度视频流通过让用户实时的确定他们的视场（FoV）来为用户提供沉浸式体验。为了提高用户的体验质量（QoE），考虑到他们有限的带宽，最近的工作已经提出了一个视口自适应360度视频流模型，通过利用在空间和时间域中的比特率自适应。在这种视频流模型下，在本文中，我们考虑了一个新生成的360度视频的场景，没有其他用户的观看历史。为了最大限度地提高用户的QoE，我们提出了一种在线比特率选择算法，称为OBS360。该在线算法能够适应未知和异构用户的FoVs和下载能力。证明了该算法在凸决策集下实现了次线性动态后悔。这表明，随着视频片段数量的增加，在线算法的性能接近离线算法的性能，其中用户的FoV和下载能力是已知的。我们用真实世界的数据集进行模拟，以评估所提出的算法的性能。实验结果表明，与现有的几种方法相比，该算法可以显著提高用户的QoE，提高用户的观看比特率，减少用户的段间和段内降级损失。
2020-04-10 cs.NI
Quantifying Multimedia Streaming Quality: A Practical Analysis using PIE and Flow Queue PIE
National Institute of Technology Karnataka, Surathkal（卡纳塔克国立技术学院）
本文研究了使用PIE和FQ-PIE技术通过多路径传输提升DASH流媒体的QoE
2025-10-22 cs.NI
Femto-Caching with Soft Cache Hits: Improving Performance through Recommendation and Delivery of Related Content
将流行内容推送到廉价的“助手”节点（例如，最近提出了在非高峰时间期间的小型小区）来应对移动数据业务的增加。如果所请求的内容在至少一个附近的助手中可用，则可以从这些助手节点本地服务用户请求。然而，在实践中，几个附近的助手节点的集体存储通常不足以实现足够高的命中率。我们建议离开硬缓存命中的假设，在现有的作品中常见，并考虑“软”缓存命中，如果原始内容不可用，一些相关的内容，本地缓存可以被推荐。鉴于互联网内容消费是面向娱乐的，我们认为存在用户可能接受替代内容的情况（例如，用于替代内容的更好的下载速率、低速率计划等），从而避免接入昂贵/拥塞的链路。我们制定了一个相对通用的设置与软缓存命中的最佳边缘缓存的问题，提出了有效的算法，并分析了预期的收益。然后，我们使用合成和真实的数据集相关的视频内容，有前途的缓存增益可以在实践中实现。
2017-02-16 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
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
Joint Data Scheduling and FEC Coding for Multihomed Wireless Video Delivery
研究了异构无线网络中从服务器到多宿主设备的移动视频传输问题。现有的大多数工作都只考虑在单路径上传输视频流，带宽有限，导致最终的视频传输速率。针对这一问题，本文提出了一种新的视频流传输瓶颈解决方案--联合数据分配和喷泉编码（JDAFC）方法，该方法包含以下特点：（1）路径选择，（2）动态数据分配，（3）喷泉编码。我们评估JDAFC的性能通过仿真实验使用Exata和JVSM，并与一些参考解决方案进行比较。实验结果表明，JDAFC在提高视频峰值信噪比以及降低端到端延迟方面优于竞争解决方案。
2015-07-18 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
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
BONES: Near-Optimal Neural-Enhanced Video Streaming
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；New Jersey Institute of Technology（新泽西理工学院）
本文提出 BONES 控制算法，通过 Lyapunov 优化在线联合调度网络与计算资源，为神经增强视频流提供近最优理论保证，并显著提升 QoE。
2024-04-10 cs.LG cs.NI cs.SY
Real-Time Video Inference on Edge Devices via Adaptive Model Streaming
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
由于深度神经网络的高计算成本，在手机和无人机等边缘设备上进行实时的【形】视频推理具有挑战性。我们提出了自适应模型流（AMS），这是一种提高边缘设备上视频推理的高效轻量级模型性能的新方法。AMS使用远程服务器来持续训练和调整在边缘设备上运行的小型模型，使用来自大型最先进模型的在线知识蒸馏来提高其在实时视频上的性能。我们讨论了网络模型自适应视频推理的挑战，并提出了几种技术来降低这种方法的通信成本：避免过度拟合，更新一小部分重要的模型参数，以及在边缘设备上对训练帧进行自适应采样。在视频语义分割的任务中，我们的实验结果显示，与几个视频数据集上的预训练模型相比，平均Intersection-over-Union提高了0.4- 17.8%。我们的原型可以在三星Galaxy S10+手机上以每秒30帧的速度执行视频分割，相机到标签延迟为40毫秒，设备上的上行链路和下行链路带宽小于300 Kbps。
2021-04-05 cs.CV cs.LG cs.NI
