이 글에서는 5G 및 차세대 네트워크에서 비디오 스트리밍을 향상시키기 위해 설계된 고급 신경 및 최적화 모델의 통합으로 AQVSO(적응형 품질 비디오 스트리밍 최적화) 프레임워크를 소개합니다. 이 프레임워크는 영상 품질을 향상시키고, 버퍼링을 줄이며, 자원 사용을 최적화합니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
방법 논문
이 글에서는 5G 및 차세대 네트워크에서 비디오 스트리밍을 향상시키기 위해 설계된 고급 신경 및 최적화 모델의 통합으로 AQVSO(적응형 품질 비디오 스트리밍 최적화) 프레임워크를 소개합니다. 이 프레임워크는 영상 품질을 향상시키고, 버퍼링을 줄이며, 자원 사용을 최적화합니다.
AQVSO(적응형 품질 비디오 스트리밍 최적화)는 5G 및 그 이상(Beyond Network)에서 비디오 스트리밍 품질과 자원 활용도를 향상시키는 것을 목표로 하는 새로운 비디오 스트리밍 프레임워크입니다. 이 연구는 정책 기반 인코더가 포함된 희소 컨볼루션 네트워크(SCN-PDE), 희소 그래프 주의 컨볼루션 네트워크(SGA-ConvNet), 적응형 스파이킹 신경망(ASNN), 개미 집단 최적화가 포함된 딥 빌리프 네트워크(DBN-ACO)를 포함하는 네 개의 상호 관련 모듈로 구성된 종단 간 다중 신경망을 제안합니다. 이 요소들은 품질과 자원 사용 간의 균형을 맞추기 위한 수학적 모델을 기반으로 네트워크 변화에 동적으로 조정됩니다. UCF-101 데이터셋에서의 실험은 AQVSO가 최첨단 알고리즘인 BBA와 BOLA 점수와 유사한 SSIM 점수(0.977)를 유지하면서도 훨씬 적은 대역폭(4,936/8,000 kbps)을 요구하는 것으로 나타났습니다. 이 프레임워크는 높은 지각 품질(PSNR = 45.89 dB)을 유지하면서 대역폭 소비를 38% 절감할 수 있으며, 버퍼링 발생을 거의 없애버렸습니다. 이 시스템은 모바일, CDN(콘텐츠 전달 네트워크), 기업 환경에서 99.9%의 스트리밍 확실성을 달성하여, 자원이 제한된 상황에서 비디오 전송 시스템에 실제 성능 향상을 제공합니다. 이는 적응적이고 콘텐츠 인식 있는 스트리밍 결정을 통해 관리 가능한 사용자 경험과 네트워크 자원의 효율적인 사용을 제공함으로써 가능해집니다.
본 연구의 목적은 동적 5G 및 그 이상의 네트워크 조건에서 인지 비디오 품질과 대역폭 활용을 공동으로 최적화하는 통합 다중 신경 적응형 스트리밍 프레임워크인 AQVSO를 개발하는 것입니다. 이 방법은 콘텐츠 분석, 속도 제어, 자원 할당을 단일 의사결정 아키텍처로 통합하여 훨씬 낮은 비트레이트 요구사항으로 일관된 경험 품질(QoE)을 달성하는 것을 목표로 합니다.
적응형 품질 비디오 스트리밍 최적화(AQVSO)
5G 시대 및 그 이후, AQVSO는 다중 신경망 기반 모델을 도입하여 인지 품질과 자원활용도를 지능적으로 균형 있게 조정하여 비디오 스트리밍 품질 향상(QoE)에 집중하고 있습니다. 이 네트워크 인식 스케줄링 전략은 시간 변동이 심하거나 불안정한 네트워크 환경에서 대역폭 소모와 서버 혼잡을 줄이면서 고품질 비디오 스트림을 제공하는 문제를 해결할 수 있습니다.
비디오 트래픽은 2023년 전 세계 전체 모바일 데이터의 80% 이상을 차지하며, 효율적인 멀티미디어 ....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
사용되는 소프트웨어는 재료표에 나열되어 있습니다.
데이터셋 설정
UCF-1013 데이터셋은 수집되어 Videos/UCF-101 디렉토리에 추출되었습니다. 데이터셋의 무결성은 체크섬 검증 또는 수동 재생을 통해 평가되었으며, 손상된 파일은 이후 처리에서 제외되었습니다.
계산 환경
모든 실험은 Windows 10/11의 Python 3.10 또는 Ubuntu 20.04+에서 수행되었습니다. 소프트웨어 환경에는 tensorflow==2.17.0, opencv-python, scikit-image, numpy, pandas, tqdm이 포함되었습니다. 최소 8GB RAM이 사용되었고, GPU 가속이 가능할 경우 적용되었습니다.
프레임 추출
비디오 프레임은....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
제안된 시스템의 성능에 대한 철저한 분석을 제시하고 구현 결과를 보고하세요. 시스템이 클라우드 기반 ML 접근법인 뉴로 클라우드 스트림에 적합한지 확인하기 위한 비교 섹션을 포함하세요. 그림 2 는 AQVSO 시스템 워크플로우를 보여줍니다.
데이터셋 설명
AQVSO 프레임워크를 평가하기 위해 10분에서 2시간 30분에 이르는 다양한 영상 콘텐츠 모음을 사용하세요. 이 종합 테스트 데이터셋에는 13,320개의 동영상 클립이 포함된 UCF101 데이터가 포함되어 있습니다. 데이터셋을 학습(75%), 검증(12.5%), 테스트(12.5%)로 나누어 균형 잡힌 평가를 보장합니다. 각 하위 폴더는 클립의 동작 클래스에 따라 라벨을 붙이고, 각 하위 집합 디렉터리의 클립 이름, 경로, 라벨을 담은 CSV 파일이 함께 제공되어야 합니다. 이러한 다양한 시간 범.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
적응형 품질 비디오 스트리밍 최적화(AQVSO) 프레임워크는 무선 네트워크에서 인지 비디오 품질과 비트레이트 적응성을 동적으로 향상시키기 위해 임베디드 다중 모듈 코덱 통합 아키텍처를 기반으로 한 멀티미디어 처리 엔진입니다. 예를 들어, 개별 예측기나 속도 제어기와 달리 AQVSO는 동작 인식을 향상시키기 위해 SCN-PDE, 시공간적 주의 모델링을 위한 SGA-ConvNet, 저지연 적응 속도 제어를 위한 ASNN, 전역 최적화된 비트 할당을 위한 DBN-ACO를 사용합니다. 이러한 일관된 접근법은 Darwich와 Bayoumi¹, Yeo 등 주로 대역폭 추정에 기반하고 인지 또는 콘텐츠 인식이 부족한 이전 대부분의 처리량 기반 또는 규칙 기반 ABR 기법과는 대조적입니다. AQVSO는 시각적 품질 모델링과 자원 제어를 단일 의사결정 루프 내에서 결합하여 실제 스트리밍 역학 하에서도 안정적인 성능을 유지한다는 점에서 다음 프레임 기반 예측 기법과 차별화됩니다.
.......액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
저자들은 공개할 이해 상충이 없습니다.
저자들은 이 원고에 제시된 프레임워크 블록 다이어그램(그림 1)을 생성하기 위해 AI 흐름 생성 도구를 사용했다는 점을 인정합니다.
....액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 8GB RAM | 제네릭 | 실험 실행에 필요한 최소 메모리. | |
| 인텔 코어 i5 프로세서 | 인텔 코퍼레이션 | AQVSO 평가 파이프라인에 사용되는 CPU입니다. | |
| 넘버피 | 넘피 개발자들 | 수치 계산과 행렬 연산. | |
| OpenCV-Python | OpenCV.org | 비디오 로딩, 프레임 추출, 전처리에 사용됩니다. | |
| 판다 | 판다스 개발팀 | 데이터 처리, CSV 내보내기, 메트릭 테이블 등. | |
| 파이썬 3.10 (프로그래밍 언어) | 파이썬 소프트웨어 재단 | AQVSO 프레임워크 스크립트 및 종속 라이브러리 실행에 필수입니다. | |
| scikit-image | Scikit-Image 개발자들 | SSIM, PSNR, MSE 계산. | |
| 텐서플로우 2.17.0 | 구글 | 신경 모듈 구축에 사용되는 딥러닝 라이브러리(SCN, SGA-ConvNet, ASNN, DBN). | |
| TQDM | TQDM 팀 | 파이프라인 실행을 위한 진행 바. | |
| 윈도우 10 (64비트) 운영체제 | 마이크로소프트 코퍼레이션 | 실험에 사용되는 운영체제. |
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.