.png){kind=icon}
返回
Reinforcing Edge-DASH: Deep Learning for Multi-Objective Streaming Optimization
.png){kind=icon}
OA
AI
DOI：10.1109/tmc.2026.3674131.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着多媒体服务的需求日益增长，基于HTTP的动态自适应流媒体（DASH）已成为传输高质量视频内容的关键解决方案。本文考虑了边缘DASH场景，并构建了一个联合优化问题，涉及四个关键方面：码率分配、用户到服务器的分配、缓存和带宽分配。由于联合问题的复杂性，我们将其分解为子问题并分别处理。为解决这些子问题，我们采用深度强化学习，特别是深度确定性策略梯度（DDPG）方法来解决其中三个子问题，并为第四个问题开发了一种启发式解决方案。仿真结果表明，我们的方法在多个指标上提升了性能，包括改进的视频传输、减少缓冲区欠流和过流，以及更高效的缓存，这些共同提高了边缘资源的流媒体利用率。此外，我们评估了边缘和云硬件上的推理延迟，确认其性能在亚毫秒到几毫秒之间，适用于实时部署。这展示了结合学习型方法和启发式技术以满足边缘计算环境中自适应视频流媒体不断增长的需求的优势。
Keyword:
Adaptive video streaming
DASH
edge computing
caching
bitrate allocation
deep reinforcement learning
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
EdgeDASH: Exploiting Network-Assisted Adaptive Video Streaming for Edge CachingEdgeDASH：利用网络辅助自适应视频流技术进行边缘缓存
OAAI
OAAI分享收藏分享收藏Random Caching Optimization in Large-Scale Cache-Enabled Internet of Things Networks支持大规模缓存的物联网网络中的随机缓存优化
PREAI
分享收藏ABUV: Adaptive bitrate and upsampling for video streaming on mobile devicesABUV：移动设备上视频流的自适应码率与上采样.png)
COMPUTER NETWORKS
COMPUTER NETWORKSIF4.6
PREAI
分享收藏Quality of Experience-Centric Management of Adaptive Video Streaming Services: Status and ChallengesOAAI
OAAI分享收藏分享收藏
查看更多内容