تحسين جودة البث التكيفي: إطار ذكي متعدد الأعصاب لتعزيز جودة التجربة في شبكات 5G وما بعدها

Summary

تقدم هذه المقالة إطار عمل AQVSO (تحسين جودة البث التكيفي للفيديو) كدمج لنماذج عصبية وتحسين متقدمة مصممة لتعزيز بث الفيديو في شبكات 5G والجيل القادم. يحسن الإطار جودة الفيديو، ويقلل من التخزين المؤقت، ويحسن استخدام الموارد.

Abstract

AQVSO (تحسين جودة البث التكيفي للفيديو) هو إطار عمل جديد لبث الفيديو يهدف إلى تحسين جودة بث الفيديو واستخدام الموارد في شبكات 5G وما بعدها. تقترح الدراسة شبكة عصبية متعددة الأطراف من طرف إلى طرف تتكون من أربع وحدات مترابطة تدمج شبكات الالتفافية متفرقة مع مشفرات مدفوعة بالسياسات (SCN-PDE)، وشبكة الالتفاف الانتباهية ذات الرسوم البيانية المتفرقة (SGA-ConvNet)، والشبكات العصبية المتقلبة التكيفية (ASNN)، وشبكات المعتقدات العميقة مع تحسين مستعمرة النمل (DBN-ACO). تتكيف هذه العناصر ديناميكيا مع تغيرات الشبكة بناء على نموذج رياضي يهدف إلى تحقيق توازن بين الجودة واستخدام الموارد. تظهر التجارب على مجموعة بيانات UCF-101 أن AQVSO يحافظ على درجات SSIM مشابهة لتلك الخاصة بالخوارزميات المتطورة BBA وBOLA (0.977)، مع متطلبات عرض نطاق أقل بكثير (4,936/8,000 كيلوبت في الثانية). يمكن للإطار توفير 38٪ من استهلاك النطاق الترددي مع الحفاظ على جودة إدراكية عالية (PSNR = 45.89 ديسيبل) وقد قضى تقريبا على حدوث التخزين المؤقت. يحقق النظام اليقين بنسبة 99.9٪ في البث تحت ظروف الهواتف المحمولة، وشبكة توصيل المحتوى (CDN)، وظروف المؤسسات، مما يوفر مكسبا فعليا في الأداء لأنظمة توصيل الفيديو في الحالات ذات الموارد المحدودة. يتم ذلك من خلال توفير تجربة مستخدم قابلة للإدارة واستخدام فعال لموارد الشبكة من خلال قرارات بث متكيفية وواعية للمحتوى.

Introduction

هدف هذه الدراسة هو تطوير إطار بث تكيفي متعدد الأعصاب متكامل، يسمى AQVSO، يحسن بشكل مشترك جودة الفيديو الإدراكي واستخدام عرض النطاق الترددي تحت ظروف الشبكة الديناميكية 5G وما بعدها. تهدف الطريقة إلى توحيد تحليل المحتوى، والتحكم في المعدلات، وتخصيص الموارد في بنية قرار واحدة لتحقيق جودة تجربة متسقة (QoE) عند متطلبات معدل بت أقل بكثير.

تحسين جودة بث الفيديو التكيفية (AQVSO)

في عصر الجيل الخامس وما بعده، تركز AQVSO على تحسين جودة تجربة بث الفيديو (QoE) من خلال تبني نموذج متعدد الشبكات العصبية يوازن بذكاء بين الجودة الإدراكية واستخدام الموارد¹. يمكن لهذه الاستراتيجية الواعية للجدولة أن تواجه تحدي توفير تدفقات فيديو عالية الجودة في بيئة شبكة متغيرة الزمن أو غير مستقرة مع تقليل استهلاك النطاق الترددي وازدحام الخوادم².

تشكل حركة مرور الفيديو حاليا أكثر من 80٪ من إجمالي بيانات الهاتف المحمول عالميا في عام 2023، مما دفع الحاجة إلى أنظمة توصيل وسائط متعددة فعالة^{إلى أعلى مستوى} لها على الإطلاق. يتم تحويل الشبكات القديمة إلى شبكات برمجية مرنة وافتراضية تعتمد على البرمجيات مفعلة بواسطة الشبكات المعرفة بالبرمجيات (SDN)، وافتراضية وظائف الشبكة (NFV)، والحوسبة الطرفية متعددة الوصول (MEC)، والحوسبة السحابية/الحوافية في بيئة الجيل الخامس (5G) ^4,5. تمكن هذه التطورات تطبيقات الجيل القادم بمعدلات بيانات أسرع، وتأخير أقل، وكثافة اتصال أعلى⁶.

نظرا لتزايد مستويات المنافسة، أصبحت جودة الخبرة (QoE) واحدة من أهم المقاييس لمقدمي الخدمات ^7,8. لا يشمل جودة جودة الخدمة فقط مقاييس جودة الخدمة التقليدية (QoS)، بل يضيف أيضا إدراك المستخدم ويدمج معايير جودة الخدمة الموضوعية مع عوامل تجربة المستخدمين الذاتية، مثل التوقعات والمشاعر والتفضيلات ^9,10,11. فيما يتعلق بخدمات الوسائط المتعددة، يؤثر جودة الكفاءة مباشرة على رضا المستخدم النهائي ويمكن اعتباره مقياسا عالميا لتقييم الجودة العام يربط تجربة المستخدم بأداء التطبيقات وأنظمة الاتصال¹².

تعتمد جودة جودة المشاهدة لبث الفيديو على معايير مثل التأخير، معدل البت، وجودة الصور. الازدحام في الشبكة الناتج عن نمو البيانات وقيود السعة يؤثر على استمرارية جودة البث^13,14. تقدم الأساليب الشائعة خصائص فيديو متغيرة (مع معدلات إطارات ودقة مختلفة)، لكن حركة المستخدم وتغير القنوات اللاسلكية تتطلب استراتيجيات إدارة أكثر ذكاء 15,16,17.

حلول البث التكيفي الحالية مقيدة بشدة في الظروف الديناميكية. يعتمد البث التكيفي الديناميكي عبر HTTP (DASH) على قواعد استدلالية على جانب العميل قد تتعثر في البيئات اللاسلكية غير المتوقعة¹⁸. هناك طرق تعتمد على التعلم المعزز (RL)، مثل Pensieve، التي تسهل التكيف لكنها مكلفة حسابيا وتتطلب بيانات تدريب وفيرة¹⁹. خوارزمية المخزن المؤقت (BBA) تأخذ بشكل أساسي في الاعتبار إشغال المخزن المؤقت وتتجاهل تعقيد المحتوى والجودة الإدراكية²⁰. يعتمد التحكم التنبؤي النموذجي (MPC) بشكل كبير على توقعات عرض النطاق الترددي، والتي قد تفشل في بيئة متنقلة²¹. تركز BOLA (خوارزمية ليابونوف القائمة على احتلال المخزن المؤقت) بشكل رئيسي على أداة التشغيل ولا تأخذ عدالة الجودة في الاعتبار بما فيه الكفاية.²².

تظهر التطورات الأخيرة التي تتراوح من تجميع الانتباه عبر الوسائط في SCA-PVNet²³، والتحليلات اللحظية المدعومة بالحافة في RES²⁴، وتحويل الترميز السحابي^{الحافة الفعال 25} ، إلى أطر عمل هجينة لإزالة الضوضاء التي تحسن استقرار الإدخال²⁶، التقدم السريع في معالجة الوسائط المتعددة الذكية. يشكل فهم المحتوى المحسن عبر ^التعلم الزماني والمكاني 27 والنمذجة الزمنية عبر المحولات²⁸، إلى جانب التحكم التكيفي في معدل البت من خلال معماريات CNN-RNN²⁹، أساسا قويا لذكاء البث من الجيل القادم.

تتجاوز AQVSO هذه التطورات الفردية من خلال توحيد تحليل المحتوى، والنمذجة الإدراكية، واتخاذ القرار الواعي بالشبكة في بنية متكاملة واحدة تقدم جودة جودة جودة متفوقة باستمرار تحت ظروف لاسلكية ديناميكية. AQVSO تختلف جوهريا عن هذه المخططات. وبذلك، يدمج ترميز الفيديو، وديناميكيات الشبكة، وحركة البيانات، وتخصيص الموارد وجودة إدراك المستخدم بشكل منسق. يتغلب هذا النظام الشامل على أوجه القصور في الطرق التقليدية لتكييف المعدل من خلال تنسيق ثمانية آليات مخصصة²³.

النطاق والتطبيق

يشمل نطاق AQVSO شبكات 5G المحمولة وما بعدها، وبيئات البث المدعومة بشبكة CDN، وسيناريوهات سحابية مؤسسية للتكرار في توصيل الفيديو على نطاق واسع. تم تطوير الإطار على افتراض وجود عقد حوسبة حواسية موزعة ذات قدرات استدلالية خفيفة، كما هو الحال في شبكات 5G المبنية على MEC اليوم. سيتم عرض القيود السياقية، مثل التكلفة الحاسوبية المفروضة من المكونات العصبية والاعتماد على التنبؤ الدقيق بالشبكة وحالة جودة الE، مع تحديد متى يعمل AQVSO بشكل أفضل. كما أن النظام غير مناسب للبيئات ذات الموارد المنخفضة جدا التي لا تحتوي على الحوسبة الحافية، أو للتطبيقات التفاعلية في الوقت الحقيقي التي تحتاج إلى زمن تأخير أقل من 10 مللي ثانية.

يتكون AQVSO من ثماني تقنيات مبتكرة: الشبكة العصبية التكيفية ذات التوازن السريع (ASNN) التي تستخدم لتحسين المحتوى والوعي بالشبكة؛ خوارزمية التحكم في المعدل مصممة لضبط معدل البت في الوقت الحقيقي؛ شبكة المعتقدات العميقة (DBN) المستخدمة في التنبؤ بأنماط حركة المرور؛ تم استغلال تحسين مستعمرة النمل (ACO) لمعالجة مشكلة تخصيص موارد الشبكة المطروحة؛ شبكة الانتباه البيانية المتفرقة (SGA)، التي تنمذج العلاقات المعقدة بين الفيديو وطوبولوجيا الشبكة على نطاق واسع؛ شبكة الالتفاف المتناثرة (SCN)، التي تعالج البيانات عالية الأبعاد؛ المشفر المدفوع بالسياسات (PDE)، وهو سياسة استراتيجية ترميز تكيفية تستفيد من المعرفة المكتسبة حول اتجاهات الفيديو مع مرور الوقت، وStream Bayes Change Point ID (BCPI)، وهو مرشح يكتشف التحولات من أبعاد مختلفة تتعلق بالشبكات والفيديوهات. تشكل هذه الاستراتيجيات معا جوهر AQVSO وتوفر تحسينا شاملا عبر السحابة والحافة والشبكات المحمولة من خلال معالجة ترميز الفيديو، وإدارة حركة المرور، وتخصيص الموارد، وتكيف الجودة الإدراكية في الوقت نفسه.

باختصار، تقدم AQVSO إطارا موحدا متعدد الأعصاب يحسن بشكل مشترك جودة جودة التقييم الإدراكية، والترميز الواعي بالمحتوى، وتخصيص الموارد عبر شبكات 5G+، محققا كفاءة عالية في معدل البتات والجودة.

Protocol

البرنامج المستخدم مدرج في جدول المواد.

إعداد مجموعة البيانات

تم الحصول على مجموعة بيانات UCF-101³ واستخراجها في دليل Videos/UCF-101 . تم تقييم سلامة مجموعة البيانات من خلال التحقق من جمع التحقق أو التشغيل اليدوي، وتم استبعاد أي ملفات تالفة من المعالجة اللاحقة.

البيئة الحاسوبية

تم إجراء جميع التجارب باستخدام بايثون 3.10 على ويندوز 10/11 أو أوبونتو 20.04+. شملت بيئة البرمجيات tensorflow==2.17.0، opencv-python، scikit-image، numpy، pandas، وtqdm. تم استخدام ذاكرة RAM بسعة لا تقل عن 8 جيجابايت، وتم استخدام تسريع وحدة معالجة الرسومات عند توفرها.

استخراج الإطار

تم قراءة إطارات الفيديو باستخدام cv2. تم تنفيذ تحويل VideoCapture() وتحويل التدرج الرمادي باستخدام cv2.cvtColor. تم تخزين الإطارات الناتجة بترتيب تسلسلي داخل مجلد الإطارات للحفاظ على الاتساق الزمني.

شبكة الميزات الأساسية

تم استخدام شبكة عصبية ملتوية متتالية لمعالجة 224 × 224 إطار رمادي. تم استخدام الطبقات الالتفافية، والتجميع، والطبقات الكثيفة، وتم تدريب النموذج لخمس فترات مع محسن آدم وفقدان الفوضى الثنائية عبر الإنتروبيا لتحديد تمثيلات الميزات الأساسية.

تخصيص معدل البت والضغط

تم تقدير تعقيد الإطار على مستوى البكسل واستخدامه لتحديد تخصيص معدل البت النسبي. تم تطبيق ضغط JPEG مع قيم Q التكيفية، وتم حفظ الإطارات المعالجة في مجلد Processed لمزيد من التقييم.

تقييم الجودة

تم إجراء حسابات SSIM وPSNR وMSE لكل إطار معالج. تم تجميع المقاييس الناتجة إلى ملفات CSV، وتم إنشاء مخططات التصور وتخزينها في دليل الإخراج .

الإعدام النهائي

تم تنفيذ سير العمل الكامل باستخدام framework.run(). أنتج هذا التنفيذ المجموعة النهائية من الإطارات المعالجة، وملخصات القياس، ومخططات التقييم.

1. تحسين جودة بث الفيديو التكيفية

1.1 نظرة عامة على بنية النظام

تم تقديم طريقة هنا لتحسين بث الفيديو خصيصا لشبكات 5G وما بعدها من خلال إطار عمل AQVSO. جمع هذا النهج بين عدة عناصر متقدمة تكمل بعضها البعض لتحسين جودة التقييم وتعظيم استخدام موارد الشبكة. تم استخدام خط أنابيب معقد لمعالجة تدفقات الفيديو، حيث كان كل مكون متخصصا في مجال معين من تحسين الفيديو. طوال عملية البث، ضمن النظام جودة الصيانة المثلى والمعالجة المتوازنة.

1.2 معالجة الفيديو المبدئية والتحليل الأولي

1.2.1 استخراج الإطار وخط الأساس للجودة

تم بناء إطار التحسين المعطى على خطوة معالجة الفيديو المسبقة، والتي استخدمت تقنيات تحليل متقدمة لوضع معايير جودة وتحضير محتوى الفيديو للمعالجة اللاحقة. عند دخول النظام، خضع تدفق الفيديو لإجراء استخراج إطار شامل يقسم الفيديو إلى إطارات منفصلة ويفحص الارتباطات الزمنية بين الإطارات المتعاقبة. التقطت هذه المعالجة الأولية الديناميكيات الزمنية للفيديو وضبطت معايير المعالجة المناسبة للتدفق بأكمله. لفيديو إدخال V، تم استخراج الإطارات ومعالجتها من خلال الصياغة الرياضية التالية:

(1)

تم حساب دقة الإطارات ك m وعدد الإطارات الكلي ك n. تم استخراج الإطارات مع الحفاظ على تماسك الفيديو الزمني لتمكين المعالجة المتوازية في المراحل اللاحقة. تم تأسيس خط الجودة الأساسي من خلال تطبيق نهج دمج جديد. تم دمج عدة مقاييس جودة لإنشاء تقييم جودة شامل. تم تحديد جودة الرؤية الأولية العامة باستخدام المعلمات المحددة.

(2)

تم النظر في أهمية هذا النهج الاندماجي، حيث تناول حدود مقاييس الجودة الفردية. رصد مؤشر التشابه الهيكلي (SSIM) جوانب الجودة الإدراكية التي قد تكون المقاييس التقليدية قد تفوتها، بينما قدم مؤشر الإشارة إلى الضوضاء القصوى (PSNR) قياسا موضوعيا للجودة، وقدم متوسط التربيع الخطأ (MSE) مقارنة مباشرة على مستوى البكسل. عوامل الوزن α_{1,α 2,α 3} لم تكن ثابتة; بل كانت تتكيف ديناميكيا بناء على خصائص المحتوى. تم حساب عامل الوزنⁱ باستخدام:

(3)

حيث،

Q_i هو الإطار i، i = 1,2... n

Q_j هو الإطار j، j = 1,2... n، i ليس مساويا ل j

تم تحديد العوامل المهمة μ_من خلال تحليل تجريبي مكثف لأنواع محتوى الفيديو المختلفة لضمان أن تعديل الوزن الديناميكي يحافظ على تقييم الجودة ذي الصلة عبر أنواع مختلفة من محتوى الفيديو وظروف المشاهدة. تم أخذ عوامل مثل تعقيد الحركة، كثافة النسيج، والأهمية الإدراكية للمناطق المختلفة في الاعتبار.

1.2.2 تحليل تعقيد المحتوى

تم تحليل تعقيد المحتوى كمكون أساسي في الإطار من خلال نهج متعدد الأبعاد قام بقياس الجوانب المختلفة لمحتوى الفيديو. كان هذا التحليل أساسيا لاتخاذ قرارات مستنيرة حول تخصيص الموارد ومعايير الضغط في المراحل اللاحقة. تم تقديم مقياس تعقيد شامل يأخذ في الاعتبار الجوانب المكانية والزمنية والإدراكية لمحتوى الفيديو، والذي تم تقديمه ب:

(4)

تم حساب مكون التعقيد المكاني C_s(f) من خلال تحليل التفاصيل وتوزيع النسيج داخل كل إطار من خلال تحليل التدرج. تم استخدام هذا القياس لتحديد المناطق التي تتطلب تخصيص بتات أعلى للحفاظ على الجودة.

(5)

تم حساب مكون التعقيد الزمني C_t(f) لقياس شدة الحركة بين الإطارات المتتالية، حيث كان هذا القياس ضروريا للتنبؤ بسلوك الضغط وتحديد أحجام المخزن المناسبة.

(6)

دمج مكون التعقيد الإدراكي C_p(f) نماذج الرؤية البشرية لتحديد أولويات المناطق التي كانت ذات أهمية إدراكية للمشاهدين.

(7)

1.3 استخراج الميزات باستخدام شبكات الالتفاف الانتباهية المتفرقة

تم تنفيذ بنية جديدة لشبكة الالتفاف الانتباه للرسم البياني المتناثر (SGA-ConvNet) في مرحلة استخراج الميزات في AQVSO، مما يمثل تحسنا كبيرا مقارنة بالشبكات الالتفافية التقليدية لمعالجة الفيديو. تم تصميم SGA-ConvNet ليكون مناسبا بشكل خاص للتعامل مع بيانات الفيديو عالية الأبعاد في بيئات محدودة الموارد من خلال دمج فعالية التداخلات المتفرقة مع مرونة آليات الانتباه. كانت هذه البنية الشبكية تعالج المشكلة الأساسية المتمثلة في التقاط التبعيات الزمنية والمكانية في محتوى الفيديو. تم بناء رسم بياني ديناميكي أثناء معالجة إطارات الفيديو، حيث تمثل كل عقدة نقطة ميزة مهمة وحواف تشير إلى كيفية ارتباط هذه الميزات ببعضها البعض. تم تقليل الحمل الحسابي بشكل كبير من خلال تركيز الموارد على المناطق ذات الصلة مع الحفاظ على الاتصال المتفرق، على عكس الشبكات الالتفافية التقليدية. تم تعريف العملية الأساسية في كل طبقة من خلال:

(8)

H^(l) تمثل تمثيلات الميزات في الطبقة l، حيث تشير A ̃ إلى مصفوفة التجوار الانتباهي المطبعة. احتوت W^(l) على مصفوفات الأوزان القابلة للتعلم، وكانت σ تمثل دالة التنشيط غير الخطية. تم تمكين الشبكة من تعلم تمثيلات الميزات الهرمية مع الحفاظ على التفرقة في رسم الحوسبة. تم حساب آلية الانتباه، التي كانت حاسمة لمعالجة الميزات التكيفية، من خلال:

(9)

α_ij يمثل معامل الانتباه بين العقدتين i و j، و[h_i ∣∣ h_j] يرمز إلى تسلسل متجهات ميزاتهما. تم استخدام تفعيل LeakyReLU لمنع اختفاء التدرجات مع الحفاظ على قدرة الشبكة على التعلم من الميزات السلبية. آلية الانتباه كانت تعدل بشكل ديناميكي أهمية الروابط المختلفة بين الميزات بناء على مدى أهميتها بمحتوى الإطار الحالي.

1.4 التحكم الديناميكي في معدل الأنظمة من خلال الشبكات العصبية المتقلبة التكيفية

تم تنفيذ التحكم الديناميكي في المعدل في إطار عمل AQVSO (الشكل 1) عبر بنية ASNN، وهو نهج مستوحى بيولوجيا لإدارة معدلات بث الفيديو. تم تصميم ASNN خصيصا للتعامل مع الديناميكيات الزمنية لبث الفيديو مع التكيف مع ظروف الشبكة المتغيرة بسرعة. اعتبر هذا المكون ضروريا للحفاظ على جودة البث مع تحسين استخدام النطاق الترددي عبر ظروف الشبكة المختلفة. تمت معالجة المعلومات من خلال ارتفاعات منفصلة في ASNN، تحاكي الشبكات العصبية البيولوجية، مما وفر عدة مزايا من حيث كفاءة الطاقة والمعالجة الزمنية. سمح لجهد الغشاء للخلايا العصبية المتدفقة بالتطور وفقا ل:

(10)

V(t) تمثل جهد الغشاء في الزمن t، وV_ساكن كجهد الراحة، وτ_m يعرف كثابت زمن الغشاء. تم حساب I(t) من ظروف الشبكة وتعقيد المحتوى. تم إدخال الضوضاء التكيفية من خلال σ(t)N(0,1) لتحسين المتانة. ساعد هذا المصطلح الضوضائي الشبكة على الحفاظ على الاستقرار عند مواجهة تقلبات سريعة في ظروف الشبكة. تم تنفيذ آلية التحكم في المعدل باستخدام نظام تكيف متقدم:

(11)

R(t) يمثل معدل البت المستهدف، وS(t) يمثل معدل الارتفاع في الشبكة العصبية، وB(t) يرمز إلى عرض النطاق الترددي المتاح، وE(t) يمثل مصطلح الخطأ المستمد من مقاييس الجودة. تم استخدام المصطلح الأسي expp(-λE(t)) لتوفير تكيف سلس مع تغيرات الجودة مع منع السلوك التذبذبذبي في نظام التحكم في المعدل.

1.5 تحسين الضغط المدفوع بالجودة

تم تنفيذ نهج جديد في مرحلة تحسين الضغط جمع بين مقاييس الجودة الإدراكية واستراتيجيات ضغط واعية بالمحتوى. تم جعل هذه المرحلة أساسية لتحقيق توازن مثالي بين الجودة والحجم في تدفق الفيديو المضغوط. تم استخدام نظام ضغط تكيفي للمنطقة يخصص البتات بناء على أهمية المحتوى ومتطلبات الجودة الإدراكية.

(12)

C (r,t) تمثل نسبة الضغط للمنطقة r في الزمن t، وتم استخدام _قاعدة C base(r) كنسبة ضغط أساسية تحددها تعقيد المحتوى. تم تعريف Q(r,t) للدلالة على عامل الجودة. تم تنفيذ φ_i (r,t) لتمثيل عوامل تعديل مختلفة، بما في ذلك شدة الحركة، كثافة الحواف، والأهمية الإدراكية.

1.6 تخصيص الموارد من خلال شبكات المعتقدات العميقة مع تحسين مستعمرة النمل

تم تكوين آلية تخصيص الموارد في AQVSO لتنفيذ نهج هجين يجمع بين شبكات المعتقدات العميقة (DBN) وتحسين مستعمرة النمل (ACO)، مما يضع حلا جديدا لمشكلة التوزيع الأمثل للموارد في أنظمة بث الفيديو. تم الاستفادة من قدرات التعلم لشبكات المعتقدات العميقة للتعرف على الأنماط في استخدام الموارد، بينما تم استخدام نقاط التحسين في خوارزميات مستعمرة النمل لاتخاذ قرارات تخصيص الموارد في الوقت الحقيقي. تم تصميم نظام DBN-ACO لمعالجة التحدي الأساسي المتمثل في تحقيق التوازن بين متطلبات الموارد الفورية وأهداف التحسين طويلة الأمد في بيئات الشبكات الديناميكية. تم تنفيذ مكون DBN باستخدام هيكل تعلم هرمي يتكون من عدة آلات بولتزمان مقيدة (RBMs)، حيث تلتقط كل طبقة أنماطا متزايدة التجريد في استخدام الموارد. تم نمذجة توزيع احتمالية تنشيط الوحدة الخفية من خلال:

(13)

h_i يمثل الوحدات المخفية، v يمثل الوحدات المرئية، b_i يمثل مصطلحات التحيز، وW_ij يمثل أوزان الاتصال. تم استخدام هذا النمذجة الاحتمالية لالتقاط التبعيات المعقدة في أنماط استخدام الموارد مع الحفاظ على القدرة على التكيف مع الظروف المتغيرة. تم تنفيذ مكون ACO باستخدام استراتيجية تحسين ديناميكية قائمة على الفيرومونات.

(14)
(15)

τ_ij تمثل مستويات الفيرومونات، حيث يعمل p كمعدل تبخر Δτ_ij (t). تم تعريفه بأنه تحديث الفيرومونات، و η_IJ يمثل القيمة الاستدلالية بناء على ظروف الشبكة الحالية وتوفر الموارد.

1.7 إدارة المخزن التكيفي واستعادة الأخطاء

تم تنفيذ نظام إدارة مخزن مؤقت متقدم في إطار عمل AQVSO يتكيف ديناميكيا مع ظروف الشبكة وخصائص المحتوى المتغيرة. تم تصميم هذا النظام للحفاظ على استمرارية البث مع تقليل زمن الاستجابة ومنع حالات الفيض أو التجاوز في المخزن المؤقت. تم تطبيق نهج تكيفي جديد يأخذ في الاعتبار إحصائيات الشبكة وتعقيد المحتوى.

(16)

تم الحفاظ على B(t) كحجم المخزن المستهدف، وQoE(t) كجودة التجربة الحالية، وتتبع σ(t) كمقياس استقرار الشبكة، وتم تنفيذ φ(σ(t)) كدالة تكيفية لتعديل حجم المخزن بناء على تغير الشبكة. تم تنفيذ آلية استعادة الأخطاء باستخدام نهج متعدد الطبقات يجمع بين الوقاية الاستباقية من الأخطاء واستراتيجيات الاسترداد التفاعلي. تم الاحتفاظ بنافذة منزلقة لمراجع الإطارات داخل النظام.

(17)

تم استخدام p لتمثيل احتمال نجاح محاولة استرداد واحدة، وتم اعتبار n كعدد محاولات، وتم تطبيق T(t) لتمثيل الوقت منذ اكتشاف الخطأ. استخدم مصطلح التحلل الأسي هذا لضمان إعطاء أولوية مناسبة لجهود التعافي بناء على الصلة الزمنية.

1.8 تقييم الجودة ودمج التغذية الراجعة

نفذ نظام تقييم الجودة نهجا شاملا جمع بين عدة مقاييس جودة وعوامل تجربة المستخدم. كان هذا التكامل حاسما للحفاظ على جودة جودة عالية مع تحسين استخدام الموارد. نفذ النظام دمج متري عالي الجودة ومبتكر:

(18)

تم حساب NB(t) كنسبة التخزين المؤقت المطبعة، وSB(t) كتردد التبديل، وM(t) كعامل جودة الحركة. تم تعديل الأوزان مع_i ديناميكيا بناء على نوع المحتوى وظروف المشاهدة.

(19)

تم تمثيل Θi كأوزان أساسية، وتم تطبيق f(C(t)) كدالة تعديل تعتمد على المحتوى. تم تنفيذ نظام تكامل التغذية الراجعة كآلية تحكم مغلقة الحلقة.

(20)

تم تعيين e(t) لتمثيل الخطأ بين مقاييس الجودة المستهدفة وتحقيق الجودة، وتم تعريف K₁،_{K 2}،_{K 3} كمعلمات كسب تكيفية يتم تعديلها بناء على ظروف الشبكة وخصائص المحتوى.

Results

تقديم تحليل شامل لأداء النظام المقترح وتقديم تقرير عن نتائج التنفيذ. أضف قسم مقارنة للتأكد من أن النظام مناسب ل Neuro Cloud Stream، وهو نهج تعلم آلي قائم على السحابة. يوضح الشكل 2 سير عمل نظام AQVSO.

وصف مجموعة البيانات

لتقييم إطار AQVSO، استخدم مجموعة متنوعة من محتوى الفيديو تتراوح مدتها من 10 ثوان إلى ساعتين و30 دقيقة. تتضمن مجموعة بيانات الاختبار الشاملة بيانات UCF101، والتي تحتوي على 13,320 مقطع فيديو. قسم مجموعة ال...

Discussion

إطار عمل تحسين جودة الفيديو التكيفية (AQVSO) هو محرك معالجة وسائط متعددة يعتمد على بنية دمج ترميز متعددة الوحدات مدمجة لتعزيز جودة الفيديو الإدراكي وتكييف معدل البت بشكل ديناميكي في الشبكات اللاسلكية. على عكس المتنبئات الفردية أو وحدات التحكم في المعدل، يستخدم AQVSO SCN-PDE لتعزيز الوعي بالحركة، وSGA-ConvNet لنمذجة الانتباه المكاني والزماني، وASNN للتحكم في معدل التكيف منخفض الكمون، وDBN-ACO لتخصيص البتات المحسن عالميا. هذا النهج المتماسك يتعارض مع معظم تقنيات ABR المعتمدة على معدل النقل...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
ذاكرة RAM بسعة 8 جيجابايت	عام		الحد الأدنى من الذاكرة المطلوبة لتشغيل التجارب.
معالج Intel Core i5	شركة إنتل		يستخدم المعالج المركزي لخط أنابيب تقييم AQVSO.
نومباي	مطورو نومبي		الحسابات العددية وعمليات المصفوفة.
OpenCV-Python	OpenCV.org		يستخدم لتحميل الفيديو، واستخراج الإطارات، والمعالجة المسبقة.
الباندا	فريق تطوير الباندا		معالجة البيانات، تصدير CSV، جداول مترية.
بايثون 3.10 (لغة البرمجة)	مؤسسة بايثون للبرمجيات		مطلوب لتنفيذ سكريبتات إطار عمل AQVSO والمكتبات التابعة.
سكيكيت-إيميج	مطورو سكيكيت-إيمج		حوسبة SSIM، PSNR، MSE.
TensorFlow 2.17.0	جوجل		مكتبة التعلم العميق المستخدمة لبناء وحدات عصبية (SCN، SGA-ConvNet، ASNN، DBN).
TQDM	فريق TQDM		أشرطة التقدم لتنفيذ خطوط الأنابيب.
نظام تشغيل ويندوز 10 (64-بت)	شركة مايكروسوفت		نظام التشغيل المستخدم في التجارب.