אופטימיזציה של סטרימינג וידאו באיכות אדפטיבית: מסגרת רב-עצבית חכמה לשיפור איכות החוויה ברשתות 5G ומעבר לה

Summary

מאמר זה מציג את מסגרת AQVSO (אופטימיזציה של וידאו באיכות אדפטיבית) כאינטגרציה של מודלים עצביים ואופטימיזציה מתקדמים שנועדו לשפר את שידור הווידאו ב-5G וברשתות הדור הבא. המסגרת משפרת את איכות הווידאו, מפחיתה באפרינג ואופטימיזציה של שימוש במשאבים.

Abstract

AQVSO (אופטימיזציה של סטרימינג וידאו באיכות אדפטיבית) היא מסגרת סטרימינג וידאו חדשה שמטרתה לשפר את איכות סטרימי הווידאו ואת ניצול המשאבים ברשתות 5G ומעבר לכך. המחקר מציע רשת רב-עצבית מקצה לקצה הכוללת ארבעה מודולים קשורים המשלבים רשתות קונבולוציה דלילות עם מקודדים מונחי מדיניות (SCN-PDE), רשת קונבולוציונית קשב דלילה (SGA-ConvNet), רשתות עצביות אדפטיביות (ASNN) ורשתות אמונה עמוקות עם אופטימיזציה של מושבות נמלים (DBN-ACO). אלמנטים אלו מתאימים את עצמם באופן דינמי לשינויים ברשת, בהתבסס על מודל מתמטי שמטרתו לאזן בין איכות לשימוש במשאבים. ניסויים על מאגר הנתונים UCF-101 מראים כי AQVSO שומר על ציוני SSIM דומים לאלו של האלגוריתמים המתקדמים BBA ו-BOLA (0.977), תוך צורך ברוחב פס נמוך בהרבה (4,936/8,000 קילוביט לשנייה). המסגרת יכולה לחסוך 38% בצריכת רוחב פס תוך שמירה על איכות תפיסת גבוהה (PSNR = 45.89 dB) וכמעט וביטלה את הופעות הבופר. המערכת משיגה וודאות של 99.9% בסטרימינג בתנאי מובייל, CDN (רשת אספקת תוכן) וארגון, ומספקת שיפור ביצועים ממשי למערכות הפצת וידאו במצבים עם משאבים מוגבלים. זה מתאפשר בזכות מתן חוויית משתמש נוחה ושימוש יעיל במשאבי רשת באמצעות החלטות סטרימינג אדפטיביות ומודעות לתוכן.

Introduction

מטרת מחקר זה היא לפתח מסגרת סטרימינג אדפטיבית רב-עצבית משולבת, הנקראת AQVSO, שממקמת יחד איכות וידאו תפיסתית וניצול רוחב פס תחת תנאי רשת דינמיים של 5G ומעבר לה. השיטה שואפת לאחד את ניתוח התוכן, בקרת הקצב והקצאת משאבים לארכיטקטורת החלטה אחת, כדי להשיג איכות חוויה (QoE) עקבית בדרישות קצב סיביות נמוכות משמעותית.

אופטימיזציה של סטרימינג וידאו באיכות אדפטיבית (AQVSO)

בעידן ה-5G ומעבר לו, AQVSO מתמקדת בשיפור איכות חוויית סטרימינג הווידאו (QoE) על ידי אימוץ מודל מבוסס רשת רב-נוירלית שמאזן באופן חכם בין איכות תפיסת וניצול משאבים¹. אסטרטגיית תזמון מודעת לרשת זו יכולה להתמודד עם האתגר של מתן זרמי וידאו באיכות גבוהה בסביבת רשת משתנה בזמן או לא יציבה, עם צריכת רוחב פס מופחתת ועומסי שרת².

תעבורת וידאו מהווה כיום מעל 80% מסך נתוני הסלולר ברחבי העולם בשנת 2023, מה שמעלה את הצורך במערכות אספקה מולטימדיה יעילות^{לשיא חסר} תקדים. רשתות ישנות הופכות לרשתות גמישות, וירטואליות, מבוססות תוכנה, המופעלות באמצעות רשתות מוגדרות תוכנה (SDN), וירטואליזציה של פונקציית רשת (NFV), מחשוב קצה רב-גישה (MEC) ומחשוב ענן/קצה בסביבת דור חמישי⁽5G) ^4,5. התקדמות זו מאפשרת יישומים מהדור הבא עם קצבי נתונים מהירים יותר, השהייה נמוכה יותר וצפיפות חיבור גבוהה^{יותר 6}.

בהינתן רמות התחרות ההולכות וגדלות, איכות החוויה (QoE) הפכה לאחד המדדים החשובים ביותר עבור ספקי השירות ^7,8. QoE לא כולל רק את מדדי איכות השירות (QoS) המסורתיים, אלא גם מוסיף תפיסת משתמש ומשלב פרמטרים אובייקטיביים של QoS עם גורמי חוויה סובייקטיבית של המשתמשים, כגון ציפיות, רגשות והעדפות ^9,10,11. ביחס לשירותי מולטימדיה, QoE משפיע ישירות על שביעות רצון משתמשי הקצה וניתן לראות בו מדד אוניברסלי להערכת איכות כוללת שמקשר בין חוויית המשתמש לביצועי יישומים ומערכות תקשורת¹².

איכות איכות של סטרימינג וידאו מתבססת על פרמטרים כמו השהיה, קצב סיביות ואיכות ויזואלית. עומסי רשת הנגרמות מגידול נתונים ומגבלות קיבולת פוגעים ברציפות איכות השידורים^13,14. גישות נפוצות מציעות תכונות וידאו משתנות (עם קצב פריימים ורזולוציות שונות), אך ניידות המשתמש והשינויים בערוצים האלחוטיים דורשים אסטרטגיות ניהול חכמות יותר 15,16,17.

פתרונות השידור האדפטיבי הנוכחיים מוגבלים מאוד בתנאים דינמיים. Dynamic Adaptive Streaming over HTTP (DASH) מסתמך על היוריסטיקות בצד הלקוח שעלולות להיכשל בסביבות אלחוטיות בלתי צפויות¹⁸. ישנן שיטות מבוססות למידת חיזוק (RL), כמו Pensieve, שמאפשרות התאמה אך הן יקרות חישובית ודורשות^נתוני הדרכה בשפע. אלגוריתם מבוסס בופר (BBA) מתחשב בעיקר בתפוסת הבופר ומתעלם ממורכבות תוכן ואיכות תפיסתית²⁰. בקרת חיזוי מודל (MPC) תלויה מאוד בחיזוי רוחב פס, שיכולים להיכשל בסביבה ניידת²¹. BOLA (אלגוריתם ליאפונוב מבוסס תפוסה בוחצים) מתמקד בעיקר בכלי ההשמעה ואינו לוקח בחשבון את הוגנות האיכות בחשבון^{מספיק 22}.

התקדמויות אחרונות הנעות מצבירת קשב חוצה-מודאלית ב-SCA-PVNet²³, אנליטיקה בזמן אמת מופעלת על ידי קצה ב-RES²⁴, והמרה יעילה בענן קצה²⁵ , ועד למסגרות היברידיות להסרת רעש שמשפרות את יציבות הקלט²⁶, מדגימה את ההתקדמות המהירה בעיבוד מולטימדיה חכם. הבנת תוכן משופרת באמצעות למידת מרחב-זמן דו-ממדית CNN²⁷ ומידול וידאו מבוסס טרנספורמר²⁸, יחד עם שליטה אדפטיבית בקצב סיביות באמצעות ארכיטקטורות CNN-RNN²⁹, מהווים בסיס חזק לאינטליגנציה של סטרימינג מהדור הבא.

AQVSO חורגת מההתקדמויות האישיות הללו על ידי איחוד ניתוח תוכן, מידול תפיסתי והחלטות מודעות לרשת לארכיטקטורה משולבת אחת שמספקת איכות איכות איכות (QoE) עדיפה בעקביות בתנאי אלחוט דינמיים. AQVSO שונה מהותית מהתוכניות הללו. בכך, הוא משלב יחד קידוד וידאו, דינמיקת רשת, תעבורת נתונים, הקצאת משאבים ואיכות תפיסת המשתמש באופן מתואם. שיטת בקרה מקיפה זו מתגברת על החסרונות של שיטות מותאמת קצב מסורתיות על ידי תיאום שמונה מנגנונים ייעודיים²³.

היקף ויישום

היקף AQVSO כולל רשתות 5G ניידות ומעבר, סביבות סטרימינג בסיוע CDN, ותסריטי ענן ארגוניים לגיבוי באספקת וידאו בקנה מידה גדול. המסגרת מפותחת בהנחה של צמתים מבוזרים של מחשוב קצה עם יכולות הסקה קלות, כפי שקורה כיום ברשתות 5G מבוססות MEC. יוצגו מגבלות הקשר, כגון עלות חישובית שמוטלת על ידי רכיבים עצביים והסתמכות על חיזוי מדויק של רשת ומצב איכות איכות (QoE), שיציינו מתי AQVSO פועל בצורה הטובה ביותר. המערכת גם אינה מתאימה לסביבות עם משאבים נמוכים במיוחד ללא מחשוב קצה, או ליישומים אינטראקטיביים בזמן אמת שזקוקים להשהיה מתחת ל-10ms.

AQVSO מורכב משמונה טכניקות חדשניות: רשת עצבית אדפטיבית (ASNN) המנוצלת לאופטימיזציה מודעת לתוכן ולרשת; אלגוריתם בקרת קצב שנועד להתאים את קצב הסיביות בזמן אמת; רשת האמונה העמוקה (DBN) המשמשת לחיזוי דפוסי תנועה; אופטימיזציה של מושבת נמלים (ACO) נוצלה כדי להתמודד עם בעיית הקצאת משאבי הרשת; רשת קשב גרף דליל (SGA), המדמות קשרים מורכבים בין וידאו לטופולוגיית הרשת בקנה מידה גדול; רשת קונבולוציונית דלילה (SCN), המעבדת נתונים בממדים גבוהים; Policy-Driven Encoder (PDE), מדיניות אסטרטגיית קידוד אדפטיבית שמנצלת את הידע שנרכש על מגמות וידאו לאורך זמן, ו-Stream Bayes Change Point Identifier (BCPI), מסנן שמזהה שינויים מממדים שונים הקשורים לרשתות וסרטונים. יחד, אסטרטגיות אלו מהוות את ליבת AQVSO ומספקות אופטימיזציה הוליסטית ברשתות ענן, קצה וניידות, תוך התמודדות מקביל עם קידוד וידאו, ניהול תעבורה, הקצאת משאבים והתאמת איכות תפיסתית.

לסיכום, AQVSO מספקת מסגרת רב-עצבית מאוחדת שממעלה במשותף איכות איכות תפיסתית, קידוד מודע לתוכן והקצאת משאבים ברשתות 5G+, ומשיגה יעילות קצב סיביות איכותית גבוהה.

Protocol

התוכנה שבה נעשה שימוש מופיעה בטבלת החומרים.

הגדרת מערך נתונים

מאגר הנתונים UCF-101³ התקבל והופק לתיקיית Videos/UCF-101 . שלמות מערך הנתונים הוערכה באמצעות אימות סכום ביקורת או הפעלה ידנית, וכל קובץ פגום הוצא מהעיבוד הבא.

סביבה חישובית

כל הניסויים בוצעו בפייתון 3.10 על Windows 10/11 או Ubuntu 20.04+. סביבת התוכנה כללה tensorflow==2.17.0, opencv-python, scikit-image, numpy, pandas, ו-tqdm. נעשה שימוש במינימום של 8GB זיכרון RAM, והאצת GPU הופעלה כאשר הייתה זמינה.

חילוץ מסגרת

פריימים של וידאו נקראו באמצעות cv2. VideoCapture() והמרת גווני אפור בוצעו באמצעות cv2.cvtColor. הפריימים שהתקבלו נשמרו בסדר רציף בתוך תיקיית Frames כדי לשמור על עקביות זמנית.

רשת פיצ'רים בסיסיים

רשת עצבית קונבולוציונית סדרתית הופעלה לעיבוד 224 × 224 מסגרות אפור. השתמשו בשכבות קונבולוציוניות, אגדיות וצפופות, והמודל אומן לחמישה תקופות עם אופטימייזר אדם ואובדן אנטרופיה בינארית כדי לקבוע ייצוגי תכונות בסיסיים.

הקצאת קצב סיביות ודחיסה

מורכבות המסגרת ברמת הפיקסל הוערכה ושימשה לקביעת הקצאת קצב סיביות פרופורציונלי. הוחלה דחיסת JPEG עם ערכי Q אדפטיביים, והפריימים המעובדים נשמרו בתיקיית Processing להערכה נוספת.

הערכת איכות

בוצעו חישובי SSIM, PSNR ו-MSE עבור כל מסגרת מעובדת. המדדים שהתקבלו הוכנסו לקבצי CSV, וגרפים ויזואליזציה נוצרו ונשמרו בתיקיית הפלט .

הוצאה להורג סופית

תהליך העבודה המלא בוצע באמצעות framework.run(). ביצוע זה הניב את הסט הסופי של מסגרות מעובדות, סיכומי מטריקה וגרפים של הערכה.

1. אופטימיזציה של סטרימינג וידאו באיכות אדפטיבית

1.1 סקירה כללית של ארכיטקטורת המערכת

כאן מוצגת שיטה לאופטימיזציה של סטרימינג וידאו במיוחד לרשתות 5G ומעבר לה באמצעות מסגרת AQVSO. הגישה שילבה מספר אלמנטים מתקדמים שהשלימו זה את זה לשיפור איכות האיכות ולמקסם את השימוש במשאבי הרשת. צינור מורכב שימש לעיבוד זרמי וידאו, כאשר כל רכיב התמחה בתחום מסוים של אופטימיזציה של וידאו. במהלך תהליך השידור, המערכת הבטיחה תחזוקה איכותית מיטבית ועיבוד מאוזן.

1.2 עיבוד מוקדם של וידאו וניתוח ראשוני

1.2.1 חילוץ מסגרות וקו בסיס איכות

מסגרת האופטימיזציה הנתונה נבנתה על שלב העיבוד המוקדם של הווידאו, שהשתמש בטכניקות ניתוח מתקדמות לקביעת תקני איכות והכנת תוכן הווידאו לעיבוד עתידי. עם הכניסה למערכת, זרם וידאו עבר הליך חילוץ פריימים יסודי שחילק את הווידאו לפריימים בודדים ובחן מתאמים זמניים בין פריימים עוקבים. עיבוד ראשוני זה תפס את הדינמיקה הזמנית של הווידאו וקבע את פרמטרי העיבוד המתאימים לכל הזרם. עבור וידאו קלט V, הפריימים הופקו ועובדו באמצעות הניסוח המתמטי הבא:

(1)

רזולוציית הפריימים חושבה כ-m וספירת הפריימים הכוללת כ-n. הפריימים הופקו תוך שמירה על הקוהרנטיות הזמנית של הווידאו כדי לאפשר עיבוד מקבילי בשלבים מאוחרים יותר. קו הבסיס לאיכות נקבע על ידי יישום גישה חדשה של היתוך (פיוז'ן). מספר מדדי איכות שולבו ליצירת הערכת איכות מקיפה. איכות האיכות הכוללת הראשונית נקבעה באמצעות הפרמטרים שנקבעו.

(2)

נלקחה בחשיבותה של גישת המיזוג הזו, שכן היא התמודדה עם מגבלות מדדי האיכות האישיים. מדד הדמיון המבני (SSIM) תפס היבטים של איכות תפיסתית שמדידות מסורתיות יכלו לפספס, בעוד שיחס האות לשיא לרעש (PSNR) סיפק מדידת איכות אובייקטיבית, ושגיאת הריבוע הממוצעת (MSE) סיפק השוואה ישירה ברמת הפיקסלים. גורמי המשקל α_{1,α 2,α 3} לא היו סטטיים; במקום זאת, הם הסתגלו דינמית בהתבסס על מאפייני התוכן. מקדם^המשקל i חושב באמצעות:

(3)

כאשר,

Q_i הוא המסגרת ה-i, i = 1,2... n

Q_j הוא המסגרת j, j = 1,2... N, i אינו שווה ל-j

הגורמים החשובים μ_נקבעו באמצעות ניתוח אמפירי מקיף של סוגי תוכן וידאו שונים כדי להבטיח שהתאמת המשקל הדינמית שומרת על הערכת איכות רלוונטית בסוגי תוכן וידאו ותנאי צפייה שונים. נלקחו בחשבון גורמים כמו מורכבות התנועה, צפיפות המרקמים וחשיבות התפיסה של אזורים שונים.

1.2.2 ניתוח מורכבות תוכן

מורכבות התוכן נותחה כרכיב חיוני במסגרת באמצעות גישה רב-ממדית שכימות היבטים שונים של תוכן וידאו. ניתוח זה היה יסודי לקבלת החלטות מושכלות לגבי פרמטרי הקצאת משאבים ודחיסה בשלבים מאוחרים יותר. הוכנס מדד מורכבות מקיף שלקח בחשבון היבטים מרחביים, זמניים ותפיסתיים של תוכן וידאו, שניתן על ידי:

(4)

רכיב המורכבות המרחבית C_s(f) חושב על ידי ניתוח הפרטים והתפלגות הטקסטורה בכל פריים באמצעות ניתוח גרדיאנט. מדידה זו שימשה לזיהוי אזורים שדרשו הקצאת ביטים גבוהה יותר לשמירה על איכות.

(5)

רכיב המורכבות הזמנית C_t(f) חושב כדי לכמת את עוצמת התנועה בין פריימים עוקבים, שכן מדידה זו הייתה חיונית לחיזוי התנהגות הדחיסה ולקביעת גדלי בופר מתאימים.

(6)

רכיב המורכבות התפיסתית C_p(f) שילב מודלים של ראייה אנושית כדי לתעדוף אזורים שהיו משמעותיים תפיסתית לצופים.

(7)

1.3 חילוץ תכונות באמצעות רשתות קונבולוציה של קשב גרף דליל

ארכיטקטורת רשת קונבולוציונית חדשה של Sparse Graph Attention Attention Network (SGA-ConvNet) יושמה בשלב חילוץ התכונות של AQVSO, מה שסימן שיפור משמעותי לעומת רשתות קונבולוציוניות קונבנציונליות קונבנציונליות לעיבוד וידאו. ה-SGA-ConvNet תוכנן להיות מתאים במיוחד לטיפול בנתוני וידאו מממד גבוה בסביבות מוגבלות במשאבים, על ידי שילוב יעילות של קונבולוציות דלות עם גמישות מנגנוני הקשב. ארכיטקטורת רשת זו טיפלה בבעיה הבסיסית של לכידת תלויות זמניות ומרחביות בתוכן וידאו. גרף דינמי נבנה במהלך עיבוד פריימים של וידאו, כאשר כל צומת מייצג נקודת תכונה חשובה וקצוות מציינים כיצד תכונות אלו קשורות זו לזו. העומס החישובי הופחת משמעותית על ידי ריכוז המשאבים באזורים הרלוונטיים תוך שמירה על קישוריות דלילה, בניגוד לרשתות קונבולוציוניות קונבנציונליות קונבנציונליות. פעולת הליבה בכל שכבה הוגדרה באמצעות:

(8)

H^(l) ייצגה את ייצוגי התכונות בשכבה l, כאשר A ̃ מציין את מטריצת הקרבה המנורמלית. W^(l) הכילה את מטריצות המשקל הניתנות ללמידה, ו-σ ייצגה את פונקציית ההפעלה הלא-ליניארית. הרשת אפשרה ללמוד ייצוגים היררכיים של תכונות תוך שמירה על דלילות בגרף החישוב. מנגנון תשומת הלב, שהיה קריטי לעיבוד תכונות אדפטיבי, חושב באמצעות:

(9)

α_ij ייצג את מקדם הקשב בין הצמתים i ו-j, ו-[h_i ∣∣ h_j] סימן את השרשור של וקטורי התכונות שלהם. הפעלת LeakyReLU שימשה למניעת היעלמות של גרדיאנטים תוך שמירה על יכולת הרשת ללמוד מתכונות שליליות. מנגנון הקשב התאים באופן דינמי את חשיבות חיבורי התכונות השונים בהתאם לרלוונטיותם לתוכן המסגרת הנוכחית.

1.4 שליטה דינמית בקצב באמצעות רשתות עצביות אדפטיביות עם קפיצה

בקרת קצב דינמית יושמה במסגרת AQVSO (איור 1) באמצעות ארכיטקטורת ASNN, גישה ביולוגית לניהול קצבי סטרימינג וידאו. ה-ASNN תוכנן במיוחד כדי להתמודד עם הדינמיקה הזמנית של סטרימינג וידאו תוך התאמה לתנאי רשת המשתנים במהירות. רכיב זה נחשב חיוני לשמירה על איכות השידור תוך אופטימיזציה של צריכת רוחב הפס בתנאי רשת משתנים. המידע עובד באמצעות קפיצות בדידות ב-ASNN, המדמים רשתות עצביות ביולוגיות, מה שסיפק מספר יתרונות מבחינת יעילות אנרגטית ועיבוד זמן. פוטנציאל הממברנה של נוירוני הקפיצה הורשה להתפתח לפי :

(10)

V(t) ייצג את פוטנציאל הממברנה בזמן t,_{V מנוחה} נקבעה כפוטנציאל המנוחה, ו-τ_m הוגדר כקבוע הזמן של הממברנה. I(t) חושב מתנאי הרשת ומורכבות התוכן. רעש אדפטיבי הוצג באמצעות σ(t)N(0,1) לשיפור החוזקות. מונח רעש זה סייע לרשת לשמור על יציבות כאשר היא מתמודדת עם תנודות מהירות בתנאי הרשת. מנגנון בקרת הקצב יושם באמצעות שיטת התאמה מתוחכמת:

(11)

R(t) ייצג את קצב הסיביות היעד, S(t) ייצג את קצב הקפיצה של הרשת העצבית, B(t) סימן את רוחב הפס הזמין, ו-E(t) ייצג את מונח השגיאה שנגזר ממדדי איכות. המונח האקספוננציאלי expp(-λE(t)) שימש לספק התאמה חלקה לשינויים באיכות תוך מניעת התנהגות תנודתית במערכת בקרת הקצב.

1.5 אופטימיזציה של דחיסה מונחית איכות

בשלב אופטימיזציית הדחיסה יושמה גישה חדשנית ששילבה מדדי איכות תפיסתית עם אסטרטגיות דחיסה מודעות לתוכן. שלב זה הפך ליסודי להשגת פשרות אופטימליות בין איכות לגודל בזרם הווידאו הדחוס. שיטת דחיסה אדפטיבית לאזור שימשה שהקצתה ביטים הן לפי חשיבות התוכן והן לפי דרישות איכות תפיסתיות.

(12)

C (r,t) ייצג את יחס הדחיסה לאזור r בזמן t, ו-C_base(r) שימש כיחס דחיסה בסיסי שנקבע על ידי מורכבות התוכן. Q(r,t) הוגדר כדי לציין את גורם האיכות. φ_i (r,t) יושמה כדי לייצג גורמי התאמה שונים, כולל עוצמת התנועה, צפיפות הקצוות וחשיבות תפיסתית.

1.6 הקצאת משאבים באמצעות רשתות אמונה עמוקות עם אופטימיזציה של מושבות נמלים

מנגנון הקצאת המשאבים ב-AQVSO הוגדר ליישם גישה היברידית המשלבת רשתות אמונה עמוקות (DBN) עם אופטימיזציה של מושבת נמלים (ACO), ובכך יצרה פתרון חדשני לבעיה המורכבת של חלוקת משאבים אופטימלית במערכות סטרימינג וידאו. יכולות הלמידה של רשתות אמונה עמוקות נוצלו לזיהוי דפוסים בשימוש במשאבים, בעוד שחוזקות האופטימיזציה של אלגוריתמי מושבות נמלים שימשו להחלטות הקצאת משאבים בזמן אמת. מערכת DBN-ACO תוכננה כדי להתמודד עם האתגר הבסיסי של איזון בין דרישות משאבים מיידיות לבין מטרות אופטימיזציה ארוכות טווח בסביבות רשת דינמיות. רכיב DBN יושם באמצעות מבנה למידה היררכי המורכב ממספר מכונות בולצמן מוגבלות (RBMs), כאשר כל שכבה לוכדת דפוסים מופשטים יותר ויותר בניצול משאבים. התפלגות ההסתברות של הפעלת יחידה נסתרת הוצגה באמצעות:

(13)

h_i ייצג את היחידות הנסתרות, v ייצג את היחידות הנראות, b_i ייצג את מונחי ההטיה, ו-W_ij מייצג את משקלי החיבור. מודל הסתברותי זה שימש ללכידת תלות מורכבת בדפוסי שימוש במשאבים תוך שמירה על גמישות לתנאים משתנים. רכיב ה-ACO יושם באמצעות אסטרטגיית אופטימיזציה דינמית מבוססת פרומונים.

(14)
(15)

τ_ij ייצג את רמות הפרומונים, כאשר p משמש כקצב האידוי Δτ_ij (t). הוגדר כעדכון הפרומונים, _{ו-η IJ} ייצג את הערך ההיוריסטי המבוסס על תנאי הרשת הנוכחיים וזמינות המשאבים.

1.7 ניהול אדפטיבי של בופר ושחזור שגיאות

מערכת ניהול מאגרים מתקדמת יושמה במסגרת AQVSO שהתאימה באופן דינמי לתנאי רשת ומאפייני תוכן משתנים. מערכת זו תוכננה לשמור על רציפות השידור תוך מזעור השהיה ומניעת תנאי זרימה או הצפת חוצץ. הוטמעה גישה אדפטיבית חדשנית שלקחה בחשבון הן את סטטיסטיקות הרשת והן את מורכבות התוכן.

(16)

B(t) נשמר כגודל המאגר היעד, QoE(t) נמדד כאיכות הניסיון הנוכחית, σ(t) נמדד כמדד יציבות הרשת, ו-φ(σ(t)) יושמה כפונקציה אדפטיבית למודולציה של גודל המאגר בהתבסס על שונות הרשת. מנגנון שחזור השגיאות בוצע בגישה רב-שכבתית ששילבה מניעת שגיאות פרואקטיבית עם אסטרטגיות שחזור תגובתי. חלון הזזה של הפניות למסגרת נשמר בתוך המערכת.

(17)

p שימש לייצוג הסתברות ההצלחה של ניסיון התאוששות יחיד, n נלקח כמספר הניסיונות, ו-T(t) הוחל לייצוג הזמן מאז גילוי השגיאות. מונח דעיכה מעריכי זה שימש להבטיח שמאמצי ההתאוששות יקבלו עדיפות נכונה על בסיס רלוונטיות זמנית.

1.8 הערכת איכות ואינטגרציה של משוב

מערכת הערכת האיכות יישמה גישה מקיפה ששילבה מדדי איכות מרובים עם גורמי חוויית המשתמש. אינטגרציה זו הייתה קריטית לשמירה על איכות איכות גבוהה תוך אופטימיזציה של ניצול המשאבים. המערכת יישמה מיזוג מטרי איכותי חדשני:

(18)

NB(t) חושב כיחס הבופרינג המנורמל, SB(t) חושב כתדירות המיתוג, ו-M(t) חושב כמקדם איכות התנועה. המשקלים עם_i הותאמו דינמית לפי סוג התוכן ותנאי הצפייה.

(19)

Θi יוצג כמשקלי בסיס, ו-f(C(t)) הוחל כפונקציית התאמה תלויה בתוכן. מערכת אינטגרציית המשוב יושמה כמנגנון בקרה בלולאה סגורה.

(20)

e(t) הוגדר לייצג את השגיאה בין מדדי היעד למדדי האיכות שהושג, ו-K_{1,K 2,K 3} הוגדרו כפרמטרי רווח אדפטיביים שמותאמים בהתאם לתנאי הרשת ומאפייני התוכן.

Results

הצג ניתוח מעמיק של ביצועי המערכת המוצעת ודווח על תוצאות היישום. כלול מדור השוואה כדי לוודא שהמערכת מתאימה ל-NeuroCloud Stream, גישה מבוססת ענן ללמידת מכונה. איור 2 ממחיש את תהליך העבודה של מערכת AQVSO.

תיאור מערך הנתונים

כדי להעריך את מסגרת AQVSO, השתמשו באוסף מגוון של תוכן וידאו שנמשך בין 10 שניות ל-2 שעות ו-30 דקות. מאגר הנתונים המקיף של הבדיקות כולל נתוני UCF101, הכוללים 13,320 קטעי וידאו. חלק את מערך הנתונים לקבוצות...

Discussion

מסגרת Adaptive Quality Video Streaming Optimization (AQVSO) היא מנוע עיבוד מולטימדיה המבוסס על ארכיטקטורת אינטגרציה של קודקים מרובי מודולים מוטמעים, במטרה לשפר דינמית את איכות הווידאו התפיסתית ואת ההתאמה של קצב הסיביות ברשתות אלחוטיות. בניגוד למנבים בודדים או בקרי קצב, למשל, AQVSO משתמש ב-SCN-PDE לשיפור מודעות התנועה, ב-SGA-ConvNet למידול קשב מרחבי-זמן, ב-ASNN לבקרת קצב אדפטיבית עם השהיה נמוכה, וב-DBN-ACO להקצאת ביטים מותאמת גלובלית. גישה מגובשת זו מנוגדת לרוב טכניקות ABR מבוססות תפוקה א...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
זיכרון זיכרון 8GB	גנרי		הזיכרון המינימלי הנדרש להפעלת הניסויים.
מעבד Intel Core i5	חברת אינטל		המעבד משמש לצינור הערכת AQVSO.
NumPy	מפתחי NumPy		חישובים נומריים ופעולות מטריצה.
OpenCV-Python	OpenCV.org		משמש לטעינת וידאו, חילוץ פריימים ועיבוד מוקדם.
פנדות	צוות הפיתוח של הפנדות		טיפול בנתונים, ייצוא CSV, טבלאות מטריות.
פייתון 3.10 (שפת תכנות)	קרן התוכנה של פייתון		נדרש להרצת סקריפטים של מסגרת AQVSO וספריות תלות.
סקיקיט-אימג'	מפתחי סקיקיט-אימג'		SSIM, PSNR, MSE חישוב.
TensorFlow 2.17.0	גוגל		ספריית למידה עמוקה המשמשת לבניית מודולים עצביים (SCN, SGA-ConvNet, ASNN, DBN).
TQDM	צוות TQDM		פסי התקדמות לביצוע צינור.
מערכת הפעלה Windows 10 (64-ביט)	מיקרוסופט קורפוריישן		מערכת הפעלה המשמשת לניסויים.