Streaming audio and video content currently accounts for the majority of the Internet traffic and is typically deployed over the top of the existing infrastructure. We are facing the challenge of a plethora of media p...Streaming audio and video content currently accounts for the majority of the Internet traffic and is typically deployed over the top of the existing infrastructure. We are facing the challenge of a plethora of media players and adaptation algorithms showing different behavior but lacking a common framework for both objective and subjective evaluation of such systems. This paper aims to close this gap by proposing such a framework, describing its architecture, providing an example evaluation, and discussing open issues.展开更多
近年来,流媒体视频服务正以前所未有之势影响着人们的生活。用户体验质量(quality of experience,QoE)作为衡量流媒体视频服务质量的重要指标,一直受到工业界和学术界的关注。基于HTTP的动态自适应流(dynamic adaptive streaming over H...近年来,流媒体视频服务正以前所未有之势影响着人们的生活。用户体验质量(quality of experience,QoE)作为衡量流媒体视频服务质量的重要指标,一直受到工业界和学术界的关注。基于HTTP的动态自适应流(dynamic adaptive streaming over HTTP,DASH)国际标准对QoE有了新要求,然而目前面向DASH的QoE客观评价模型较为简单,在高质量视频传输上仍有较大的提升空间。因此,面向DASH,提出了一种基于时序卷积网络(temporal convolutional network,TCN)和注意力机制的QoE客观评价模型,使用LIVE-NFLX-II数据集作为实验数据,通过特征分析从众多候选特征中选取最佳特征作为TCN的输入,同时使用注意力机制模块SE-Net对提取的时序特征进行加权,通过训练得到最终的QoE客观评价模型。实验结果表明,本文提出的QoE模型可以很好地拟合QoE特征与主观体验之间的关系,较当前面向DASH的最优的QoE模型在各项指标上平均提升8%左右。展开更多
为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(Dynamic Parameter Ant Colony Optimization,DPACO)。该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本C(Cost)、时间T(Time)...为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(Dynamic Parameter Ant Colony Optimization,DPACO)。该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本C(Cost)、时间T(Time)、质量函数Q(Quality function)和满意度S(Satisfaction)四个方面得到适应度函数F,F越小结果越优。DPACO算法通过改变参数在不同阶段的值来使算法获得更快的收敛效率,加入特殊蚂蚁使得算法更好地跳出局部最优解获得全局最优解。最后通过钢铁锻造任务的云制造资源优选将DPACO算法与原始ACO、PSO、DE算法作比较,实验结果表明,DPACO算法在求解云制造服务组合问题上能够更好地获得全局最优解,并具有较高的收敛效率。展开更多
基金supported in part by the Austrian Research Promotion Agency(FFG)under the next generation video streaming project "PROMETHEUS"
文摘Streaming audio and video content currently accounts for the majority of the Internet traffic and is typically deployed over the top of the existing infrastructure. We are facing the challenge of a plethora of media players and adaptation algorithms showing different behavior but lacking a common framework for both objective and subjective evaluation of such systems. This paper aims to close this gap by proposing such a framework, describing its architecture, providing an example evaluation, and discussing open issues.
文摘近年来,流媒体视频服务正以前所未有之势影响着人们的生活。用户体验质量(quality of experience,QoE)作为衡量流媒体视频服务质量的重要指标,一直受到工业界和学术界的关注。基于HTTP的动态自适应流(dynamic adaptive streaming over HTTP,DASH)国际标准对QoE有了新要求,然而目前面向DASH的QoE客观评价模型较为简单,在高质量视频传输上仍有较大的提升空间。因此,面向DASH,提出了一种基于时序卷积网络(temporal convolutional network,TCN)和注意力机制的QoE客观评价模型,使用LIVE-NFLX-II数据集作为实验数据,通过特征分析从众多候选特征中选取最佳特征作为TCN的输入,同时使用注意力机制模块SE-Net对提取的时序特征进行加权,通过训练得到最终的QoE客观评价模型。实验结果表明,本文提出的QoE模型可以很好地拟合QoE特征与主观体验之间的关系,较当前面向DASH的最优的QoE模型在各项指标上平均提升8%左右。
文摘为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(Dynamic Parameter Ant Colony Optimization,DPACO)。该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本C(Cost)、时间T(Time)、质量函数Q(Quality function)和满意度S(Satisfaction)四个方面得到适应度函数F,F越小结果越优。DPACO算法通过改变参数在不同阶段的值来使算法获得更快的收敛效率,加入特殊蚂蚁使得算法更好地跳出局部最优解获得全局最优解。最后通过钢铁锻造任务的云制造资源优选将DPACO算法与原始ACO、PSO、DE算法作比较,实验结果表明,DPACO算法在求解云制造服务组合问题上能够更好地获得全局最优解,并具有较高的收敛效率。
