Optimisation adaptative du streaming vidéo de qualité : un cadre multi-neuronal intelligent pour une meilleure qualité d’expérience sur les réseaux 5G et au-delà

Summary

Cet article présente le cadre AQVSO (Adaptive Quality Video Streaming Optimization) comme une intégration de modèles neuronaux et d’optimisation avancés conçus pour améliorer le streaming vidéo dans la 5G et les réseaux de nouvelle génération. Le cadre améliore la qualité vidéo, réduit le buffering et optimise l’utilisation des ressources.

Abstract

AQVSO (Adaptive Quality Video Streaming Optimization) est un nouveau cadre de streaming vidéo visant à améliorer la qualité du streaming vidéo et l’utilisation des ressources dans les réseaux 5G & Beyond. L’étude propose un réseau multi-neuronal de bout en bout comprenant quatre modules co-liés qui intègrent des réseaux convolutionnels clairsemés avec encodeurs pilotés par les politiques (SCN-PDE), un réseau convolutionnel d’attention à graphes clairsemés (SGA-ConvNet), des réseaux neuronaux à spiking adaptatif (ASNN) et des réseaux de croyances profonds avec optimisation par colonie de fourmis (DBN-ACO). Ces éléments s’ajustent dynamiquement aux changements du réseau selon un modèle mathématique visant à trouver un équilibre entre qualité et utilisation des ressources. Des expériences sur le jeu de données UCF-101 montrent qu’AQVSO conserve des scores SSIM similaires à ceux des algorithmes de pointe BBA et BOLA (0,977), tout en nécessitant beaucoup moins de bande passante (4 936/8 000 kbps). Le cadre peut économiser 38 % de consommation de bande passante tout en maintenant une haute qualité perceptive (PSNR = 45,89 dB) et a presque éliminé les occurrences de mise en tampon. Le système atteint une certitude de streaming de 99,9 % sous mobile, CDN (Content Delivery Network) et en entreprise, offrant un gain de performance réel pour les systèmes de diffusion vidéo dans des situations de ressources limitées. Cela est rendu possible grâce à une expérience utilisateur gérable et à une utilisation efficace des ressources réseau grâce à des décisions de streaming adaptatives et conscientes du contenu.

Introduction

L’objectif de cette étude est de développer un cadre intégré de streaming adaptatif multi-neuronal, appelé AQVSO, qui optimise conjointement la qualité perceptive de la vidéo et l’utilisation de la bande passante sous la 5G dynamique et au-delà des conditions réseau. La méthode vise à unifier l’analyse de contenu, le contrôle du débit et l’allocation des ressources en une seule architecture décisionnelle afin d’atteindre une Qualité d’Expérience (QoE) cohérente avec des exigences de débit binaire significativement inférieures.

Optimisation adaptative de la diffusion vidéo de qualité (AQVSO)

À l’ère de la 5G et au-delà, AQVSO se concentre sur l’amélioration de la qualité d’expérience (QoE) du streaming vidéo en adoptant un modèle basé sur un réseau multi-neuronal qui équilibre intelligemment la qualité perceptuelle et l’utilisation des^{ressources 1}. Cette stratégie de planification consciente du réseau peut relever le défi de fournir des flux vidéo de haute qualité dans un environnement réseau variable dans le temps ou instable, avec une consommation de bande passante réduite et une congestion^{de serveurs 2}.

Le trafic vidéo représente actuellement plus de 80 % du total des données mobiles mondiales en 2023, portant le besoin de systèmes de diffusion multimédia efficaces à un niveau^{historique 3}. Les réseaux hérités sont en cours de transformation en réseaux agiles, virtualisés et basés sur logiciel, rendus possibles par le réseau défini par logiciel (SDN), la virtualisation des fonctions réseau (NFV), le calcul de périphérie multiaccès (MEC) et l’informatique cloud/edge dans l’environnement de cinquième génération (^{5G) 4,5}. Ces avancées permettent aux applications de nouvelle génération d’obtenir des débits de données plus rapides, une latence plus faible et une densité de connexion^{plus élevée 6}.

Compte tenu de la concurrence croissante, la qualité de l’expérience (QoE) est devenue l’une des mesures les plus importantes pour les prestataires^{de services 7,8}. La QoE inclut non seulement les métriques traditionnelles de Qualité de Service (QoS), mais ajoute également la perception des utilisateurs et intègre des paramètres objectifs de la QoS avec les facteurs subjectifs de l’expérience des utilisateurs, tels que les attentes, les émotions et^{les préférences 9, 10, 11.} En ce qui concerne les services multimédias, la QoE affecte directement la satisfaction des utilisateurs finaux et peut être considérée comme une métrique universelle pour l’évaluation globale de la qualité qui relie l’expérience utilisateur à la performance des applications et des systèmes^{de communication 12}.

La qualité d’apprentissage de la diffusion vidéo repose sur des paramètres tels que la latence, le débit binaire et la qualité visuelle. La congestion du réseau causée par la croissance des données et les limitations de capacité nuit à la continuité de la qualité du streaming^13,14. Les approches courantes offrent des attributs vidéo variables (avec des fréquences d’images et des résolutions distinctes), mais la mobilité de l’utilisateur et la variation des canaux sans fil exigent des stratégies de gestion plus^{intelligentes 15, 16, 17}.

Les solutions de streaming adaptatif actuelles sont fortement contraintes dans des conditions dynamiques. Le streaming adaptatif dynamique sur HTTP (DASH) repose sur des heuristiques côté client qui peuvent échouer dans des environnements sans fil^{imprévisibles 18}. Il existe des méthodes basées sur l’apprentissage par renforcement (RL), telles que Pensieve, qui facilitent l’adaptation mais sont coûteuses en calcul et nécessitent une abondance de données^{d’entraînement 19}. L’algorithme basé sur les tampons (BBA) considère principalement l’occupation des tampons et ignore la complexité du contenu ainsi que la qualité perceptuelle²⁰. Le Contrôle Prédictif de Modèle (MPC) dépend fortement des prédictions de bande passante, qui peuvent échouer dans un environnement mobile²¹. BOLA (Algorithme de Lyapunov basé sur l’occupation de tampon) se concentre principalement sur l’utilité de lecture et ne prend pas suffisamment en compte l’équité de la^{qualité 22}.

Les avancées récentes allant de l’agrégation d’attention intermodale dans SCA-PVNet²³, l’analyse en temps réel compatible edge dans RES²⁴, et le transcodage cloud edge^{efficace 25} jusqu’aux cadres hybrides de débruitage améliorant la stabilité^{des entrées 26} démontrent les progrès rapides du traitement multimédia intelligent. Une compréhension améliorée du contenu via l’apprentissage spatiotemporel^{2D-CNN 27} et la modélisation vidéo basée sur^{transformateurs 28}, ainsi qu’un contrôle adaptatif du débit binaire via les architectures CNN-RNN²⁹, forment une base solide pour l’intelligence de streaming de nouvelle génération.

AQVSO va au-delà de ces avancées individuelles en unifiant l’analyse de contenu, la modélisation perceptuelle et la prise de décision consciente du réseau en une architecture intégrée unique qui offre une QoE constamment supérieure dans des conditions sans fil dynamiques. AQVSO est fondamentalement différent de ces schémas. En cela, il intègre l’encodage vidéo, la dynamique réseau, le trafic de données, ainsi que l’allocation des ressources et la qualité perceptive de l’utilisateur de manière coordonnée. Ce schéma de contrôle complet surmonte les lacunes des méthodes traditionnelles adaptatives au débit en coordonnant huit mécanismes^{dédiés 23}.

Portée et application

La portée d’AQVSO inclut les réseaux mobiles 5G et au-delà, les environnements de streaming assisté par CDN, ainsi que des scénarios cloud d’entreprise pour la redondance dans la livraison vidéo à grande échelle. Le cadre est développé sous l’hypothèse de nœuds de calcul en périphérie distribués avec des capacités d’inférence légères, comme dans les réseaux 5G basés sur le MEC d’aujourd’hui. Des limitations contextuelles, telles que le coût computationnel imposé par les composants neuronaux et la dépendance à la prédiction précise des réseaux et de l’état de la QoE, seront présentées, spécifiant quand AQVSO fonctionne le mieux. Le système n’est pas non plus adapté aux environnements à très peu de ressources sans informatique en périphérie, ni aux applications interactives en temps réel nécessitant une latence inférieure à 10 ms.

AQVSO est composé de huit techniques novatrices : le Réseau de Neurones à Spiking Adaptatif (ASNN) utilisé pour l’optimisation consciente du contenu et du réseau ; Un algorithme de contrôle de débit conçu pour ajuster le débit binaire en temps réel ; Deep Belief Network (DBN) utilisé pour la prévision des schémas de trafic ; L’optimisation des colonies de fourmis (ACO) exploitée pour résoudre le problème d’allocation des ressources réseau en cours ; Le Sparse Graph Attention Network (SGA), qui modélise des relations complexes entre la vidéo et la topologie du réseau à grande échelle ; Réseau Convolutionnel Parcimonieux (SCN), qui traite des données de haute dimension ; Policy-Driven Encoder (EDP), une stratégie d’encodage adaptatif qui exploite les connaissances acquises sur les tendances vidéo au fil du temps, et Stream Bayes Change Point Identifier (BCPI), un filtre qui détecte les variations provenant de différentes dimensions liées aux réseaux et aux vidéos. Collectivement, ces stratégies constituent le cœur de l’AQVSO et offrent une optimisation globale à travers les réseaux cloud, edge et mobiles en abordant simultanément l’encodage vidéo, la gestion du trafic, l’allocation des ressources et l’adaptation de la qualité perceptuelle.

En résumé, AQVSO propose un cadre multi-neuronal unifié qui optimise conjointement la QoE perceptuelle, l’encodage sensible au contenu et l’allocation des ressources sur des réseaux 5G+, atteignant ainsi une efficacité supérieure en termes de qualité et de débit binaire.

Protocol

Le logiciel utilisé est listé dans le tableau des matériaux.

Configuration des jeux de données

Le jeu de données UCF-101³ a été obtenu et extrait dans le répertoire Videos/UCF-101 . L’intégrité du jeu de données était évaluée par vérification par somme de contrôle ou lecture manuelle, et tout fichier corrompu était exclu du traitement ultérieur.

Environnement informatique

Toutes les expériences ont été réalisées en Python 3.10 sous Windows 10/11 ou Ubuntu 20.04+. L’environnement logiciel comprenait tensorflow==2.17.0, opencv-python, scikit-image, numpy, pandas et tqdm. Un minimum de 8 Go de RAM était utilisé, et l’accélération GPU était employée lorsque cela était disponible.

Extraction de châssis

Les images vidéo étaient lues à l’aide de CV2. VideoCapture() et la conversion en niveaux de gris ont été réalisées à l’aide de cv2.cvtColor. Les trames résultantes étaient stockées dans l’ordre séquentiel dans le répertoire des trames afin de préserver la cohérence temporelle.

Réseau de fonctionnalités de base

Un réseau de neurones convolutionnel séquentiel a été utilisé pour traiter les 224 × 224 images en niveaux de gris. Des couches convolutionnelles, de pooling et denses ont été utilisées, et le modèle a été entraîné pendant cinq époques avec l’optimiseur Adam et la perte binaire d’entropie croisée afin d’établir des représentations de caractéristiques de base.

Allocation du débit binaire et compression

La complexité d’image au niveau du pixel a été estimée et utilisée pour déterminer l’allocation proportionnelle du débit binaire. La compression JPEG avec des valeurs Q adaptatives était appliquée, et les trames traitées étaient sauvegardées dans le répertoire Traité pour une évaluation ultérieure.

Évaluation qualité

Des calculs SSIM, PSNR et MSE étaient effectués pour chaque trame traitée. Les métriques résultantes étaient compilées en fichiers CSV, et des graphiques de visualisation étaient générés et stockés dans le répertoire Output .

Exécution finale

Le flux de travail complet était exécuté à l’aide de framework.run(). Cette exécution a produit l’ensemble final de trames traitées, de résumés métriques et de graphiques d’évaluation.

1. Optimisation adaptative du streaming vidéo de qualité

1.1 Présentation de l’architecture système

Une méthode est présentée ici pour optimiser le streaming vidéo spécifiquement pour les réseaux 5G et au-delà via le cadre AQVSO. Cette approche combinait plusieurs éléments de pointe qui se complétaient mutuellement afin d’améliorer la QoE et de maximiser l’utilisation des ressources réseau. Un pipeline complexe était utilisé pour traiter les flux vidéo, chaque composant se spécialisant dans un domaine particulier de l’optimisation vidéo. Tout au long du processus de streaming, le système garantissait un maintien optimal de la qualité et un traitement équilibré.

1.2 Prétraitement vidéo et analyse initiale

1.2.1 Extraction de trames et référence de qualité

Le cadre d’optimisation donné était construit sur l’étape de prétraitement vidéo, qui utilisait des techniques d’analyse avancées pour établir des standards de qualité et préparer le contenu vidéo pour un traitement ultérieur. À l’entrée dans le système, un flux vidéo était soumis à une procédure d’extraction d’images approfondie qui divisait la vidéo en images individuelles et examinait les corrélations temporelles entre les images successives. Ce traitement préliminaire a capturé la dynamique temporelle de la vidéo et défini les paramètres de traitement appropriés pour l’ensemble du flux. Pour une vidéo en entrée V, les images étaient extraites et traitées selon la formulation mathématique suivante :

(1)

La résolution des images était calculée en m et le nombre total d’images en n. Les images étaient extraites tout en préservant la cohérence temporelle de la vidéo afin de permettre un traitement parallèle aux étapes ultérieures. La base de qualité a été établie en mettant en œuvre une nouvelle approche de fusion. Plusieurs indicateurs de qualité ont été combinés pour créer une évaluation complète de la qualité. La QoE initiale globale était déterminée à l’aide des paramètres spécifiés.

(2)

L’importance de cette approche fusion a été prise en compte, car elle répondait aux limites des indicateurs de qualité individuels. L’Indice de similarité structurelle (SSIM) a capturé des aspects de la qualité perceptive que les métriques traditionnelles auraient pu manquer, tandis que le rapport signal sur bruit (PSNR) de crête fournissait une mesure objective de la qualité, et l’erreur quadratique moyenne (MSE) offrait une comparaison directe au niveau des pixels. Les facteurs de pondération α₁ α₂ α₃ n’étaient pas statiques ; au contraire, ils se sont adaptés dynamiquement en fonction des caractéristiques du contenu. Le^ième facteur de poids a été calculé en utilisant :

(3)

Où,

Q_i est le ième référentiel, i = 1,2... n

Q_j est le j-ième référentiel, j = 1,2... N, i n’est pas égal à J

Les facteurs importants_{μ i ont} été déterminés grâce à une analyse empirique approfondie de différents types de contenus vidéo afin de garantir que l’ajustement dynamique du poids maintienne une évaluation de qualité pertinente selon différents types de contenus vidéo et conditions de visionnage. Des facteurs tels que la complexité du mouvement, la densité de texture et l’importance perceptive des différentes régions ont été pris en compte.

1.2.2 Analyse de la complexité du contenu

La complexité du contenu a été analysée comme un élément crucial du cadre à travers une approche multidimensionnelle qui quantifiait divers aspects du contenu vidéo. Cette analyse a été fondamentale pour des décisions éclairées concernant l’allocation des ressources et les paramètres de compression aux étapes ultérieures. Une métrique de complexité complète a été introduite, prenant en compte les aspects spatiaux, temporels et perceptifs du contenu vidéo, donnée par :

(4)

La composante de complexité spatiale C_s(f) a été calculée en analysant la distribution des détails et des textures au sein de chaque image via une analyse de gradient. Cette mesure servait à identifier les zones nécessitant une allocation de bits plus élevée pour maintenir la qualité.

(5)

La composante de complexité temporelle C_t(f) a été calculée pour quantifier l’intensité du mouvement entre images consécutives, car cette mesure était essentielle pour prédire le comportement de compression et déterminer les tailles de tampon appropriées.

(6)

La composante de complexité perceptuelle C_p(f) intégrait des modèles de vision humaine pour prioriser les régions perceptuellement significatives pour les spectateurs.

(7)

1.3 Extraction de caractéristiques en utilisant des réseaux convolutionnels d’attention de graphes clairsemés

Une nouvelle architecture SGA-ConvNet (Sparse Graph Attention Convolutional Network) a été implémentée lors de l’étape d’extraction de caractéristiques d’AQVSO, marquant une amélioration substantielle par rapport aux réseaux convolutionnels conventionnels pour le traitement vidéo. Le SGA-ConvNet a été conçu pour être particulièrement adapté à la gestion de données vidéo de haute dimension dans des environnements limités en ressources, en combinant l’efficacité des convolutions clairsemées avec l’adaptabilité des mécanismes d’attention. Cette architecture réseau a répondu au problème fondamental de la capture des dépendances temporelles et spatiales dans le contenu vidéo. Un graphe dynamique a été construit lors du traitement des images vidéo, chaque nœud représentant un point de caractéristique important et les arêtes indiquant comment ces caractéristiques se rapportent entre elles. La surcharge computationnelle a été significativement réduite en concentrant les ressources sur les régions pertinentes tout en préservant une connectivité clairsemée, contrairement aux réseaux convolutionnels conventionnels. Le fonctionnement du cœur à chaque couche était défini par :

(8)

H^(l) représentait les représentations des caractéristiques à la couche l, avec A ̃ désignant la matrice d’adjacence de l’attention normalisée. W^(l) contenait les matrices de poids apprenables, et σ représentait la fonction d’activation non linéaire. Le réseau était capable d’apprendre les représentations hiérarchiques des caractéristiques tout en maintenant la parciune dans le graphe de calcul. Le mécanisme d’attention, crucial pour le traitement adaptatif des caractéristiques, était calculé par :

(9)

α_ij représentait le coefficient d’attention entre les nœuds i et j, et [h_i ∣∣ h_j] désignait la concaténation de leurs vecteurs de traits. L’activation LeakyReLU a été utilisée pour empêcher la disparition des gradients tout en préservant la capacité du réseau à apprendre à partir des caractéristiques négatives. Le mécanisme d’attention ajustait dynamiquement l’importance des différentes connexions de caractéristiques en fonction de leur pertinence pour le contenu de la trame en cours.

1.4 Contrôle du débit dynamique via des réseaux neuronaux adaptatifs à pics

Le contrôle du débit dynamique a été implémenté dans le cadre AQVSO (Figure 1) via l’architecture ASNN, une approche biologiquement inspirée pour gérer les débits de streaming vidéo. L’ASNN a été conçu spécifiquement pour gérer la dynamique temporelle du streaming vidéo tout en s’adaptant aux conditions réseau changeantes rapidement. Ce composant a été jugé crucial pour préserver la qualité du streaming tout en optimisant l’utilisation de la bande passante selon les conditions réseau variées. L’information était traitée par des pics discrets dans l’ASNN, imitant les réseaux neuronaux biologiques, ce qui offrait plusieurs avantages en termes d’efficacité énergétique et de traitement temporel. Le potentiel membranaire des neurones en pic a été laissé évoluer selon :

(10)

V(t) représentait le potentiel de membrane au temps t, V_repos était fixé comme potentiel de repos, et τ_m comme la constante de temps de la membrane. I(t) a été calculée à partir des conditions du réseau et de la complexité du contenu. Le bruit adaptatif a été introduit via σ(t)N(0,1) pour améliorer la robustesse. Ce terme de bruit aidait le réseau à maintenir la stabilité face à des fluctuations rapides des conditions réseau. Le mécanisme de contrôle du taux a été mis en œuvre à l’aide d’un schéma d’adaptation sophistiqué :

(11)

R(t) représentait le débit cible, S(t) le taux de pic du réseau de neurones, B(t) la bande passante disponible, et E(t) représentait le terme d’erreur dérivé des indicateurs de qualité. Le terme exponentiel expp(-λE(t)) a été utilisé pour permettre une adaptation fluide aux variations de qualité tout en empêchant le comportement oscillatoire dans le système de contrôle de débit.

1.5 Optimisation de la compression basée sur la qualité

Une approche novatrice a été mise en œuvre lors de l’optimisation de la compression, combinant des métriques de qualité perceptive avec des stratégies de compression conscientes du contenu. Cette étape a été rendue fondamentale pour obtenir des compromis optimaux entre qualité et taille dans le flux vidéo compressé. Un schéma de compression régionale adaptatif a été utilisé, allouant les bits en fonction à la fois de l’importance du contenu et des exigences de qualité perceptuelle.

(12)

C (r,t) représentait le rapport de compression pour la région r au temps t, et _{C base}(r) était utilisé comme rapport de compression de base déterminé par la complexité du contenu. Q(r,t) a été défini pour désigner le facteur qualité. φ_i (r,t) a été mis en œuvre pour représenter divers facteurs d’ajustement, notamment l’intensité du mouvement, la densité des contours et l’importance perceptuelle.

1.6 Allocation des ressources via des réseaux de croyances profonds avec optimisation des colonies de fourmis

Le mécanisme d’allocation des ressources dans AQVSO a été configuré pour mettre en œuvre une approche hybride combinant les Deep Belief Networks (DBN) et l’Optimisation des colonies de fourmis (ACO), établissant une solution novatrice au problème complexe de la répartition optimale des ressources dans les systèmes de streaming vidéo. Les capacités d’apprentissage des réseaux de croyances profondes ont été exploitées pour la reconnaissance de motifs dans l’utilisation des ressources, tandis que les forces d’optimisation des algorithmes de colonie de fourmis ont été utilisées pour les décisions d’allocation des ressources en temps réel. Le système DBN-ACO a été conçu pour relever le défi fondamental d’équilibrer les besoins immédiats en ressources avec les objectifs d’optimisation à long terme dans des environnements de réseau dynamiques. Le composant DBN a été implémenté à l’aide d’une structure d’apprentissage hiérarchique composée de multiples machines de Boltzmann restreintes (RBM), chaque couche capturant des schémas de plus en plus abstraits dans l’utilisation des ressources. La distribution de probabilité de l’activation des unités cachées a été modélisée ainsi :

(13)

h_i représentait les unités cachées, v les unités visibles, b_i les termes de biais, et W_ij représentait les poids de connexion. Cette modélisation probabiliste a été utilisée pour capturer des dépendances complexes dans les schémas d’utilisation des ressources tout en maintenant une adaptabilité aux conditions changeantes. La composante ACO a été mise en œuvre avec une stratégie d’optimisation dynamique basée sur les phéromones.

(14)
(15)

τ_ij représentait les niveaux de phéromones, p servant de taux d’évaporation Δτ_ij (t). était défini comme la mise à jour des phéromones, et η_ij représentait la valeur heuristique basée sur les conditions actuelles du réseau et la disponibilité des ressources.

1.7 Gestion adaptative des tampons et récupération des erreurs

Un système sophistiqué de gestion des tampons a été mis en œuvre dans le cadre AQVSO, s’adaptant dynamiquement aux différentes conditions réseau et aux caractéristiques du contenu. Ce système a été conçu pour maintenir la continuité du streaming tout en minimisant la latence et en évitant les conditions de débordement ou de débordement de tampon. Une approche adaptative novatrice a été déployée, prenant en compte à la fois les statistiques du réseau et la complexité du contenu.

(16)

B(t) était maintenu comme taille cible du tampon buffer, QoE(t) mesuré comme qualité actuelle de l’expérience, σ(t) était suivi comme métrique de stabilité réseau, et φ(σ(t)) était implémenté comme une fonction adaptative pour moduler la taille du tampon en fonction de la variabilité du réseau. Le mécanisme de récupération des erreurs a été exécuté selon une approche à plusieurs niveaux combinant prévention proactive des erreurs et stratégies de récupération réactive. Une fenêtre coulissante de références de cadres était conservée dans le système.

(17)

p était utilisé pour représenter la probabilité de réussite d’une seule tentative de récupération, n était pris comme le nombre de tentatives, et T(t) était appliqué pour représenter le temps écoulé depuis la détection d’erreurs. Ce terme de décroissance exponentielle a été utilisé pour garantir que les efforts de récupération étaient correctement priorisés en fonction de leur pertinence temporelle.

1.8 Évaluation de la qualité et intégration des retours d’information

Le système d’évaluation qualité a mis en œuvre une approche globale combinant plusieurs indicateurs de qualité avec des facteurs d’expérience utilisateur. Cette intégration était cruciale pour maintenir une QoE élevée tout en optimisant l’utilisation des ressources. Le système a mis en œuvre une fusion métrique de qualité nouvelle :

(18)

NB(t) était calculé comme le rapport de tampon normalisé, SB(t) comme la fréquence de commutation, et M(t) comme facteur de qualité de mouvement. Les poids w_i ont été ajustés dynamiquement en fonction du type de contenu et des conditions de visionnage.

(19)

Θi était représenté comme les poids de base, et f(C(t)) était appliqué comme une fonction d’ajustement dépendante du contenu. Le système d’intégration par rétroaction a été mis en œuvre comme un mécanisme de contrôle en boucle fermée.

(20)

e(t) était défini pour représenter l’erreur entre les métriques de qualité cible et atteintes, et K _{1,K 2,K 3} étaient définis comme des paramètres de gain adaptatifs ajustés en fonction des conditions du réseau et des caractéristiques du contenu.

Results

Présenter une analyse approfondie des performances du système proposé et rapporter les résultats de la mise en œuvre. Incluez une section comparative pour confirmer que le système est adapté à Neuro Cloud Stream, une approche d’apprentissage automatique basée sur le cloud. La figure 2 illustre le flux de travail du système AQVSO.

Description du jeu de données

Pour évaluer le cadre AQVSO, utilisez une collection diversif...

Discussion

Le cadre Adaptive Quality Video Streaming Optimization (AQVSO) est un moteur de traitement multimédia basé sur une architecture d’intégration de codec multi-modules intégrée afin d’améliorer dynamiquement la qualité perceptive de la vidéo et l’adaptivité du débit binaire dans les réseaux sans fil. Contrairement aux prédicteurs individuels ou contrôleurs de débit, par exemple, AQVSO utilise SCN-PDE pour améliorer la conscience du mouvement, SGA-ConvNet pour la modélisation spatio-temporel...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
8 Go de RAM	Générique		Mémoire minimale requise pour exécuter les expériences.
Processeur Intel Core i5	Intel Corporation		CPU utilisé pour le pipeline d’évaluation AQVSO.
NumPy	Développeurs NumPy		Calculs numériques et opérations matricielles.
OpenCV-Python	OpenCV.org		Utilisé pour le chargement vidéo, l’extraction d’images et le prétraitement.
Pandas	Équipe de développement Pandas		Gestion des données, exportation CSV, tableaux métriques.
Python 3.10 (langage de programmation)	Fondation Python Software		Nécessaire pour exécuter les scripts du cadre AQVSO et les bibliothèques dépendantes.
scikit-image	Révélateurs Scikit-Image		Calcul SSIM, PSNR, MSE.
TensorFlow 2.17.0	Google		Bibliothèque d’apprentissage profond utilisée pour construire des modules neuronaux (SCN, SGA-ConvNet, ASNN, DBN).
QDM	Équipe TQDM		Barres de progression pour l’exécution du pipeline.
Système d’exploitation Windows 10 (64 bits)	Microsoft Corporation		Système d’exploitation utilisé pour les expériences.