前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >低延迟分块流中的带宽预测

低延迟分块流中的带宽预测

作者头像
用户1324186
发布2019-10-10 15:07:04
1.4K0
发布2019-10-10 15:07:04
举报
文章被收录于专栏:媒矿工厂

本文整理自Mile High Video 2019上Ali.C.Begen的演讲。Ali目前是Ozyegin大学的计算机科学教授,也是Comcast视频架构,战略和技术小组的技术顾问。此前,他是思科的研发工程师。Ali于2006年获得佐治亚理工学院电气和计算机工程博士学位。迄今为止,他获得了多项学术和行业奖项,并获得了30多项美国专利。

演讲的主要内容是讨论低延迟分块流的带宽预测。首先Ali介绍了在启用低延迟模式的Twitch平台上收集了一个实时视频会话的数据,以了解ABR对低延迟流的影响。数据结果表明用户无法准确的预测带宽,导致其无法选择一个合适的比特率。

然后Ali解释了如果对于低延迟用户,网络无法维持合适的带宽选择,会导致计算带宽的公式 无法使用,其中 表示段(segment)的数据大小, 表示段的下载时间。

因此Ali提出了一个新的块(chunk)带宽测量方法ACTE:ABR for Chunked Transfer Encoding。ACTE依赖于三个主要部分:带宽测量、带宽预测和ABR控制器。

接着Ali详细介绍了ACTE如何实现带宽测量、带宽预测和ABR控制。其中带宽预测采用滑动窗口移动平均法测量块带宽;带宽预测采用基于自适应递归最小二乘(RLS)的在线线性自适应滤波器;ABR控制器采用基于吞吐量的比特率选择逻辑。

然后Ali介绍了ABR方案和带宽测量组合算法的性能,最后根据性能指标对比了各种ABR方案的结果,结果显示,ACTE能够将停顿次数减少65%,将持续时间减少83%,保持低延迟,范围为2.3至3秒(减少36%),平均比特率提高28%,与使用基于段(segment)的带宽测量或EWMA的ABR方案相比,QoE提高49%。ACTE在带宽预测方面也达到了96%的准确率。

演讲PPT全文

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-10-06,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 媒矿工厂 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档