利用隐马尔可夫模型与强化学习在异构接入网络中进行主动 QoE 保障
网络与互联网体系结构
2016-12-28 v1
摘要
在异构接入网络中，体验质量保障可以通过切换来实现。当前的 QoE 感知切换方法要么缺乏可用的网络路径探测方法，要么缺乏有效的 QoE 预测方法。此外，当前的方法未能探索主动 QoE 感知切换的优势，即通过学习过去的网络条件以及移动设备所采取的切换动作来最大化用户的 QoE。在本文中，我们的贡献有两方面。首先，我们提出、开发并验证了一种基于被动探测的新型 QoE 预测方法。该方法基于隐马尔可夫模型和多宿主移动性管理协议，消除了 QoE 预测对额外探测分组的需要。它实现了 97% 的平均 QoE 预测准确率。其次，我们提出、开发并验证了一种基于强化学习的主动 QoE 感知切换新方法。我们表明，我们的方法优于现有方法，在保持高 QoE 水平的同时将垂直切换次数减少了 60.65%，并扩展了被动探测机制等关键功能。
引用
@article{arxiv.1612.08256,
title = {Proactive QoE Provisioning in Heterogeneous Access Networks using Hidden Markov Models and Reinforcement Learning},
author = {Karan Mitra and Christer Åhlund and Arkady Zaslavsky and Saguna Saguna},
journal= {arXiv preprint arXiv:1612.08256},
year = {2016}
}