码率自适应（ABR）相关论文阅读简报

标题：Quality Enhanced Multimedia Content Delivery for Mobile Cloud with Deep Reinforcement Learning

作者：Muhammad Saleem , Yasir Saleem, H. M. Shahzad Asif, and M. Saleem Mian

单位: 巴基斯坦拉合尔54890工程技术大学计算机科学与工程系 

发表期刊：Wireless Communications and Mobile Computing

发表时间：2020年

论文研究主题归类：ABR

1.论文解决什么问题

提出了一种适用于移动场景ABR算法，该算法使用增强型双深度Q-Learning方法，通过根据网络、设备和环境条件切换质量级别来改进多媒体内容交付。所提出方法在体验质量、再缓冲频率和质量变化等方面都优于其他方案。并且所提出的算法收敛速度快，在不同环境下效果较稳定。

2.是否有公开的数据集及源代码

数据集：视频数据集BigBuckBunny, Ski, Tall-Buildings, and TrafficAndBuilding

网络数据集为生成式

源代码：未公开

3.论文的主要观点

作者认为在设计和实现ABR算法时面临一下挑战：网络带宽随时间变化大。导致比特率的选择变得复杂，因为不同的网络条件需要不同的输入参数值。比特率自适应算法需要保持各种QoE目标，如增强多媒体质量、减少再缓冲事件和最小化质量水平变化。分段比特率的选择显著影响媒体播放器的状态。较高的比特率选择可以消耗缓冲器占用率，并且以较低的比特率下载下一段。现有的基于RL方法对于非平稳环境和大数据维度有一些限制。深度学习方法学习复杂模式的能力也会导致分类问题。

标题：RESA: A REAL-TIME EVALUATION SYSTEM FOR ABR

作者：Yanan Wang, Haili Wang, Jiaoyang Shang, Hu Tuo

单位: 爱奇艺股份有限公司 

发表会议：ICME

发表时间：2019年

论文研究主题归类：ABR

1.论文解决什么问题

作者提出了一个ABR实时评估系统（RESA），该系统由真实的在线用户进行评估。通过在视频观看期间基于用户偏好设置其参数，还引入了合理的QoE度量。用真实的视频流服务评估了RESA上最先进的ABR算法。最后进一步将比特率控制引入到ABRbc中，以解决在线ABR的带宽成本问题。

2.是否有公开的数据集及源代码

数据集：爱奇艺在线平台数据

源代码：未公开

3.论文的主要观点

现有的许多ABR算法，虽然取得了一些良好的效果。然而，仍有一些问题需要解决：1.这些ABR算法基于开源数据，仅由一个模拟玩家进行评估；2.QoE度量定义不同，其参数由经验设置，几乎没有解释；3.这些算法只考虑用户的QoE，而忽略了视频带宽成本。

标题：DEEPMPC: A MIXTURE ABR APPROACH VIA DEEP LEARNING AND MPC

作者：Tianchi Huang, Lifeng Sun

单位: 清华大学计算机科学与技术系

发表会议：ICIP

发表时间：2020年

论文研究主题归类：ABR

1.论文解决什么问题

提出了一种DeepMPC模型，它通过两个基于深度学习的模块来增强MPC，即基于DL的吞吐量预测器（DTP）和Discounted Factor优化器（DFO），前者可以精确预测未来带宽，后者可以估计预测误差。

所提出的DeepMPC在所有考虑的网络条件下都优于现有的ABR方案，平均QoE提高了5.91%-56.1%。

2.是否有公开的数据集及源代码

数据集、源代码：https://github.com/mdhoffschmidt/deepmpc

3.论文的主要观点

作者认为现有的自适应比特率（ABR）算法利用模型预测控制（MPC）方法来确定下一个块的视频比特率，而它严重依赖吞吐量预测的准确性，因此在复杂多变的网络环境中不能够具有较好的性能。