Adaptive bitrate streaming (ABR) has become thede factotechnique for videostreaming over the Internet. Despite a flurry of techniques, achieving high quality ABRstreaming over cellular networks remains a tremendous challenge. First, the design ofan ABR scheme needs to balance conflicting Quality of Experience (QoE) metrics suchas video quality, quality changes, stalls and startup performance, which is even harderunder highly dynamic bandwidth in cellular network. Second, streaming providers havebeen moving towards using Variable Bitrate (VBR) encodings for the video content,which introduces new challenges for ABR streaming, whose nature and implicationsare little understood. Third, mobile video streaming consumes a lot of data. Althoughmany video and network providers currently offer data saving options, the existingpractices are suboptimal in QoE and resource usage. Last, when the audio and videotracks are stored separately, video and audio rate adaptation needs to be dynamicallycoordinated to achieve good overall streaming experience, which presents interestingchallenges while, somewhat surprisingly, has received little attention by the researchcommunity. In this dissertation, we tackle each of the above four challenges.


翻译:适应性位速率流(ABR)已经成为互联网视频流的事实上的技术。 尽管技术繁多,但是在蜂窝网络上实现高质量的ABR流仍是一个巨大的挑战。 首先,设计一个ABR计划需要平衡相互冲突的经验质量(QoE)衡量标准,比如视频质量、质量变化、摊位和启动性能,这在蜂窝网络高度动态带宽下甚至更为困难。 其次,流体提供者已经转向对视频内容使用可变的Bitrate(VBR)编码,这给ABR流带来了新的挑战,其性质和含义都几乎不为人所知。第三,移动视频流耗用了大量数据。虽然许多视频和网络提供者目前提供数据保存选项,但现有的做法在QE和资源使用方面并不理想。最后,当音频和视频轨迹被分开存储时,视频和音频率适应需要动态协调,以获得良好的总体流学经验,这带来了有趣的挑战,而令人惊讶的是,而研究界却很少关注上述四个挑战。

0
下载
关闭预览

相关内容

【2020新书】Python文本分析,104页pdf
专知会员服务
98+阅读 · 2020年12月23日
【DeepMind-NeurIPS 2020】元训练代理实现Bayes-optimal代理
专知会员服务
11+阅读 · 2020年11月1日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
移动端机器学习资源合集
专知
8+阅读 · 2019年4月21日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年7月4日
Arxiv
49+阅读 · 2020年12月16日
Arxiv
8+阅读 · 2020年10月9日
VIP会员
相关VIP内容
【2020新书】Python文本分析,104页pdf
专知会员服务
98+阅读 · 2020年12月23日
【DeepMind-NeurIPS 2020】元训练代理实现Bayes-optimal代理
专知会员服务
11+阅读 · 2020年11月1日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
移动端机器学习资源合集
专知
8+阅读 · 2019年4月21日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员