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
Enhancing Reliability in Federated mmWave Networks: A Practical and Scalable Solution using Radar-Aided Dynamic Blockage Recognition
University of Glasgow（格拉斯哥大学）；Al Ain University（艾因大学）；Yarmouk University（雅尔穆克大学）；Khalifa University（哈利法大学）；Carleton University（卡尔顿大学）
针对动态室外mmWave/THz链路易被移动目标遮挡的问题，提出RaDaR联邦学习框架，利用雷达图训练双输出神经网络预测遮挡状态与时间，实现主动切换并将成功率提升至94%。
2023-06-22 cs.LG 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
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
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
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
QoE-Oriented Resource Allocation for 360-degree Video Transmission over Heterogeneous Networks
由于多媒体和网络部署的快速增长，沉浸式媒体流传输，特别是带宽要求非常高的虚拟现实（VR）/360度视频流传输已经变得越来越流行。为了更好地探索资源的使用和实现更好的用户体验质量（QoE），本文开发了一种应用层方案，以在360度视频流中联合利用LTE和Wi-Fi网络的可用带宽。这种新提出的方案和相应的解决方案算法利用视频的显著性，预测用户的视图和用户的状态信息，以获得用户与不同的Wi-Fi接入点（AP）的最佳关联，以最大限度地提高系统的效用。此外，提出了一种新的缓冲策略，以减轻短时预测问题的影响，在时变网络中传输360度视频。在各种360度视频的仿真实验中，验证了所提出的方案和算法的良好性能和低复杂度。
2018-03-21 cs.MM cs.NI
QoE Evaluation for Adaptive Video Streaming: Enhanced MDT with Deep Learning
本文提出基于用户设备无线质量数据的虚拟路测架构，结合模式识别、KPI映射预测与异常检测，实现自适应视频流QoE评估，平均最大F1分数达77%。
2022-01-14 cs.NI eess.SP
Modeling QoE of Video Streaming in Wireless Networks with Large-Scale Measurement of User Behavior
在带宽共享的无线网络中，解析视频流的体验质量（QoE）是非常具有挑战性的。目前还不清楚饥饿概率和缓冲时间等QoE指标如何与流传输流量负载的动态相互作用。在本文中，我们收集了中国最大的流媒体提供商之一在两周内的观看记录，并对流量到达和观看时间进行了深入的测量研究，从而揭示了真实的流量模式。我们最重要的观察是，流媒体用户的观看时间非常符合超指数分布。这意味着所有的视图可以分为两类，具有分离的时间尺度的短视图和长视图。然后，我们将测得的流量模式映射到带宽共享的蜂窝网络，并提出了一个分析框架来计算闭合形式的饥饿概率的基础上的常微分方程（ODE）。我们的框架可以自然地扩展到调查实际问题，包括渐进式下载和有限的视频持续时间。广泛的轨迹驱动模拟验证了我们模型的准确性。我们的研究表明，饥饿度量的短视图和长视图具有不同的敏感性调度优先级在基站。因此，短视图和长视图之间的更好的QoE折衷具有通过向它们提供不同的调度权重来利用的潜力。流区分涉及巨大的技术和非技术挑战，因为视频内容由内容提供方而不是网络运营商拥有，并且每个会话的观看时间事先是未知的。为了克服这些困难，我们提出了一个在线贝叶斯方法来推断观看时间的每个传入流的“最少”的信息从内容提供方。
2016-04-06 cs.NI
Quantifying Multimedia Streaming Quality: A Practical Analysis using PIE and Flow Queue PIE
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
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
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
YouTube over Google's QUIC vs Internet Middleboxes: A Tug of War between Protocol Sustainability and Application QoE
诸如web代理、防火墙等中间盒广泛地部署在当今的网络基础设施中。因此，大多数协议需要调整其行为以共存。最常用的传输协议之一，QUIC，通过回退到TCP来适应这样的中间盒，在那里他们阻止它。在本文中，我们认为QUIC的盲回退行为，即，不区分由中间盒引起的故障和由网络拥塞引起的故障，极大地影响了QUIC的性能。为此，我们专注于YouTube视频流，并通过同时启用TCP和QUIC，利用YouTube的生产端点进行测量研究。总的来说，我们通过各种带宽模式收集了超过2600小时的数据流，来自5个不同的地理位置和各种视频类型。令我们惊讶的是，我们观察到传统设置（TCP）在超过60%的情况下优于或与QUIC浏览器相同。我们看到，我们的观察结果在各个QoE参数、带宽模式、位置和视频之间是一致的。接下来，我们进行深入分析，以发现这种行为背后的根本原因。我们发现回退和QoE下降事件之间的良好相关性（0.3-0.7），即，质量下降和重新缓冲或停止。我们进一步执行Granger因果分析，发现回退Granger导致70%的QUIC启用会话的质量下降或停滞。我们相信我们的研究将帮助设计人员重新考虑在QUIC中启用回退的决定，并区分中间盒和网络拥塞引起的丢包。
2022-03-22 cs.NI cs.SY eess.SY
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
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
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
Effects of Small-Scale User Mobility on Highly Directional XR Communications
该研究针对XR高定向毫米波通信易受小规模用户移动影响导致波束失准的问题，构建XR游戏用户移动数据集开展分析，证实了小规模移动对波束失准的显著影响，指出需增强相关管控机制。
2024-07-08 cs.NI eess.SP
Mobility-Aware Resource Allocation for mmWave IAB Networks: A Multi-Agent Reinforcement Learning Approach
针对毫米波IAB网络中用户移动和障碍物遮挡导致的链路中断问题，提出多智能体强化学习框架，通过流路由和链路调度优化用户吞吐量，并设计全双工/半双工组件及在线协调机制，数值结果验证了方法有效性。
2024-04-23 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
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
eBandit: Kernel-Driven Reinforcement Learning for Adaptive Video Streaming
University of Southern California（南加州大学）
eBandit通过将网络监控和ABR算法选择移至Linux内核，利用eBPF实现更高效的自适应视频流传输，实验证明其在异构移动环境下能显著提升QoE。
2026-04-14 cs.AI cs.NI
X-TCP: A Cross Layer Approach for TCP Uplink Flows in mmWave Networks
毫米波频率将可能成为第五代移动网络和3GPP新无线电（NR）标准的一部分。毫米波通信确实提供了一个非常大的带宽，从而增加了小区的吞吐量，但如何利用这些资源在更高的层仍然是一个开放的研究问题。一个非常相关的问题是通道的高度可变性，这是由障碍物和人体的阻塞引起的。这影响了传输层的拥塞控制机制的设计，并且诸如TCP CUBIC的最新TCP方案呈现出次优性能。在本文中，我们提出了一种跨层的方法，调整TCP的拥塞窗口在移动设备侧使用的可用数据率在毫米波物理层的估计，基于实际的资源分配和信号干扰加噪声比的上行链路流量。我们表明，这种方法减少了延迟，避免填充蜂窝堆栈中的缓冲区，并具有更快的恢复时间RTO事件后比其他几个TCP拥塞控制算法。
2017-06-03 cs.IT cs.NI math.IT
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
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
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
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
Intelligent Blockage Prediction and Proactive Handover for Seamless Connectivity in Vision-Aided 5G/6G UDNs
University of Glasgow（格拉斯哥大学）
无线设备和实时服务需求的激增迫使移动到更高的频谱。毫米波（mmWave）和太赫兹（THz）频段与波束成形技术相结合，为超密集网络（UDN）提供了显着的性能增强。不幸的是，在较高频谱处经历的小区覆盖范围缩小和严重的穿透损耗使得移动性管理成为UDN中的关键问题，特别是优化波束阻塞和频繁切换（HO）。在城市中心和城市地区，流动性管理的挑战已经变得普遍。为了解决这个问题，我们提出了一种新的机制，利用无线信号和道路上的监控系统，智能地预测可能的堵塞提前执行及时HO。本文采用计算机视觉（CV）来确定障碍物和用户的位置和速度。此外，本研究引入了一个新的HO事件，称为块事件{BLK}，定义的存在的阻挡对象和用户向阻挡区域移动。此外，多元回归技术预测直到用户到达被阻挡区域的剩余时间，从而确定最佳HO决策。仿真结果表明，与无阻塞预测的典型无线网络相比，该算法在保持用户连接性和用户体验质量（QoE）方面提高了40%.
2022-02-21 cs.LG cs.NI eess.SP
Resilient and Freshness-Aware Scheduling for Industrial Multi-Hop IAB Networks: A Packet Duplication Approach
Beijing Jiaotong University（北京交通大学）；Central South University（中南大学）
本文提出了一种鲁棒且新鲜度感知的调度算法，通过优化减少平均信息年龄并满足队列稳定性约束，有效解决动态阻塞导致的可靠性与拥堵矛盾，提升工业网络性能。
2026-04-15 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
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
UplinkNet: Practical Commercial 5G Standalone (SA) Uplink Throughput Prediction
Department of Computer Science and Communications Engineering, Waseda University（计算机科学与通讯工程系，早稻田大学）
UplinkNet通过Android API数据预测5G上行吞吐量，实现98.9%的高准确率和低计算成本。
2025-11-20 cs.LG cs.NI eess.SP
WiFlix: Adaptive Video Streaming in Massive MU-MIMO Wireless Networks
我们考虑的问题，同时按需流存储的视频多个用户在多小区无线网络中，多个单播流会话并行运行，并共享相同的频带。每个流会话由视频“块”的顺序传输形成，使得每个块在其回放截止时间内到达对应的用户回放缓冲器。我们将问题公式化为网络效用最大化（NUM），其中目标是公平地最大化用户的视频流体验质量（QoE），然后使用李亚普诺夫优化导出迭代控制策略，该策略解决NUM问题达到任何精度水平，并产生在线协议，其中每次迭代的控制动作分解为由用户请求队列互连的两层：i）在每个用户节点处实现的使人联想到DASH的视频流适配层;所提出的块请求方案是一种拉策略，其中每个用户机会主义地从相邻基站请求视频块，并且基于请求队列的当前大小动态地适应其请求的质量。对于传输调度组件，我们首先描述了一般的最大权重调度器，然后将其具体化到无线网络中的基站具有多用户MIMO（MU-MIMO）波束成形能力。我们利用信道硬化效应的大规模MIMO信道（大规模MIMO），并设计了一个低复杂度的用户选择方案，以解决潜在的组合问题，选择用户子集的下行链路波束成形，可以很容易地实现，并在每个基站独立运行。
2015-05-26 cs.IT cs.NI math.IT
