用于路径感知空对地多路径多媒体传输的 Actor-Critic 调度
网络与互联网体系结构
2022-04-29 v1 机器学习
多媒体
摘要
强化学习（RL）近来在网络流量管理与控制中得到了广泛应用，因为其某些变体不需要网络模型的先验知识。本文提出一种基于 Actor-Critic（AC）RL 算法的多路径系统实时多媒体传输新型调度器。我们关注一个具有挑战性的场景：使用多条无线路径从无人机（UAV）进行实时视频流传输。该调度器作为 RL 智能体，实时学习用于路径选择、路径速率分配和用于流保护的冗余估计的最优策略。该调度器作为 GStreamer 框架的一个模块实现，可用于真实或仿真环境。仿真结果表明，我们的调度器能够通过将调度策略实时动态适应路径条件，在不进行训练或不依赖网络信道模型先验知识的情况下，在接收端实现极低的丢失率。
引用
@article{arxiv.2204.13343,
title = {Actor-Critic Scheduling for Path-Aware Air-to-Ground Multipath Multimedia Delivery},
author = {Achilles Machumilane and Alberto Gotta and Pietro Cassarà and Claudio Gennaro and Giuseppe Amato},
journal= {arXiv preprint arXiv:2204.13343},
year = {2022}
}