面向众包直播的 QoE 感知资源分配：一种机器学习方法
分布式、并行与集群计算
2019-06-24 v1 人机交互
机器学习
多媒体
网络与互联网体系结构
机器学习
摘要
在个人设备的巨大技术进步和无线移动网络接入普及的推动下，全球见证了众包直播的爆发式增长。确保更好的观众体验质量（QoE）是最大化观众数量并增加直播提供商利润的关键。这可以通过倡导地理分布式云基础设施，将多媒体资源分配得尽可能靠近观众，以最小化访问延迟和视频卡顿来实现。此外，预先分配确切所需资源可避免过度配置，后者可能导致服务提供商产生显著成本。相反，配置不足可能给观众带来显著延迟。在本文中，我们引入一种预测驱动的资源分配框架，以最大化观众 QoE 并最小化资源分配成本。首先，利用我们独特数据集中可用的观众位置，我们实现了一个机器学习模型来预测每个地理分布式云站点附近的观众数量。其次，基于被证明接近实际值的预测结果，我们构建一个优化问题，以主动在观众邻近处分配资源。此外，我们将展示视频访问延迟与资源分配成本之间的权衡。
引用
@article{arxiv.1906.09086,
title = {QoE-Aware Resource Allocation for Crowdsourced Live Streaming: A Machine Learning Approach},
author = {Fatima Haouari and Emna Baccour and Aiman Erbad and Amr Mohamed and Mohsen Guizani},
journal= {arXiv preprint arXiv:1906.09086},
year = {2019}
}
备注
This paper was accepted in the Proceedings of ICC 2019