HTTP adaptive streaming uses the TC

HTTP adaptive streaming uses the TCP transport protocol,
which, although reliable, introduces higher overhead and delays
compared to the simpler UDP, broadly used for video services
earlier. As there are fundamental differences between TCP and
UDP, studies have been done on justifying the use of TCP for
video transmission. In [86], for instance, the authors employ
discrete-time Markov models to describe the performance of
TCP for live and stored media streaming without adaptation.
It is found that TCP generally provides good streaming performance
when the achievable TCP throughput is roughly twice
the video bit rate, i.e., there is a significant system overhead as
the expense for reliable transmission.
A number of studies have been published aiming at comparison
of the existing HAS solutions, both proprietary and
standardized, in terms of performance. In [83], the authors compare
MSS, HLS, HDS, and DASH in a vehicular environment,
using off-the-shelf client implementations for the proprietary
systems and their own DASH client. They find that the best
performance, represented by average achieved video bit rate
and the number of switches among representations, is achieved
by MSS among proprietary solutions and by Pipelined DASH
among all the candidates. The idea behind Pipelined DASH is
that several segments can be requested at a time in contrast
to standard DASH. Pipelining is beneficial in vehicular and
mobile scenarios, where packet loss might result in a poor usage
of the available resources in case only one TCP connection is
established. The drawback is that pipelining requires appropri-ate sending buffer control, i.e., server complexity is increased.
More details on pipelining performance can be found in [87].
The authors of [88] compare the performance of MSS, Netflix,
and OMSF (an open source player) clients in terms of the
reaction of the clients to persistent or short-term bandwidth
changes, the speed of convergence to the maximum sustainable
bitrate and, finally, playback delay, important particularly for
live content playback. The study reveals significant inefficiencies
in each of the clients. In [89], the authors compare a
MSS client and their own DASH client in Wireless Local Area
Network (WLAN) environment, finding that the DASH client
outperforms the MSS client in terms of average achieved bit
rate, number of fluctuations, rebuffering time, and fairness. In
[55], the performance of DASH for live streaming is studied.
An analysis of performance with respect to segment size is
provided, quantifying the impact of the HTTP protocol and
segment size on the end to end delay.
The problem of the performance comparison in [83] and [88]
is that the different clients are seen as closed components and
the logic inside is unknown. In such cases, the system performance
clearly depends on the actual implementation of the
client and the adaptation algorithm used. In [85], a performance
comparison of the adaptation algorithms described in [82]–[85]
is conducted. The traffic patterns used for the evaluation were
recorded in realistic wired and vehicular mobility situations. In
terms of average playback quality and bandwidth utilization,
BIEB [85] and Tribler [84] can outperform the other algorithms
significantly. Both algorithms deliver a high average playback
quality to the user, but Tribler has to switch to a different quality
nine times more often than BIEB. The algorithm of [82] shows
better results than BIEB in some aspects, as it has a lower quality
switching frequency and a better network efficiency because
no data is unnecessarily downloaded and bandwidth is wasted.
However, compared to the size of the movie, the segments
discarded by BIEB are negligible. In the vehicular scenario,
BIEB outperforms the other algorithms, but no performance
results are provided so far for other scenarios. Reference [90]
enhances the performance comparison of [85] by computing the
QoE-optimal adaptation strategy for each bandwidth condition
and shows that the BIEB algorithm is closest to the optimum.
Also other optimization criteria for algorithm performance
assessment like PSNR [91] or pseudo-subjective measures like
engagement [92], [93] have been used. These criteria are often
assumptions regarding QoE impact, which date from earlier
studies and have neither been questioned nor verified with
respect to their QoE appropriateness [94]. Thus, dedicated
studies on the impact of adaptation strategies and application
parameters on QoE will be presented in the following section.
These results should be taken into account when designing a
QoE-aware HAS algorithm

Kết quả (Việt) 1:

HTTP streaming thích nghi sử dụng giao thức TCP giao thông vận tải,trong đó, mặc dù đáng tin cậy, giới thiệu cao hơn chi phí và sự chậm trễso với UDP đơn giản, sử dụng rộng rãi cho các dịch vụ videotrước đó. Vì có sự khác biệt cơ bản giữa TCP vàUDP, nghiên cứu đã được thực hiện trên chứng minh sử dụng TCP chotruyền video. Trong [86], ví dụ, các tác giả sử dụngMô hình Markov thời gian rời rạc để mô tả hiệu suất củaTCP cho các phương tiện truyền thông sống và được lưu trữ trực tuyến mà không thích ứng.Nó được tìm thấy rằng TCP thường cung cấp hiệu suất tốt trực tuyếnkhi đạt được TCP throughput là khoảng hai lầnđoạn video bit rate, tức là, có một chi phí đáng kể hệ thống nhưchi phí cho bộ truyền động đáng tin cậy.Một số nghiên cứu đã được công bố nhằm so sánhCác giải pháp ĐÃ sẵn có, cả hai sở hữu vàtiêu chuẩn hóa, về hiệu suất. Trong [83], các tác giả so sánhMSS, HLS, HDS và dấu gạch NGANG trong một môi trường xe cộ,sử dụng off-the-shelf khách hàng triển khai cho quyền sở hữuHệ thống và khách hàng DASH của riêng của họ. Họ thấy rằng tốt nhấtthực hiện, đại diện bởi trung bình đạt được tốc độ bit của videovà đạt được số lượng các thiết bị chuyển mạch giữa các đại diện,bởi MSS trong số độc quyền các giải pháp và bằng dấu gạch NGANG Pipelinedtrong số tất cả các ứng cử viên. Ý tưởng đằng sau dấu gạch NGANG Pipelinedrằng một số phân đoạn có thể được yêu cầu tại một thời gian ngược lạiđể gạch NGANG tiêu chuẩn. Pipelining là mang lại lợi ích trong xe cộ vàkịch bản điện thoại di động, nơi tổn thất gói dữ liệu có thể dẫn đến việc sử dụng nghèoCác nguồn tài nguyên có sẵn trong trường hợp chỉ có một kết nối TCPđược thành lập. Nhược điểm là pipelining đòi hỏi appropri-ăn gửi bộ đệm kiểm soát, ví dụ, Hệ phục vụ phức tạp tăng lên.Thông tin thêm về pipelining hiệu suất có thể được tìm thấy trong [87].Các tác giả của [88] so sánh hiệu suất của MSS, Netflix,và OMSF (một cầu thủ mã nguồn mở) khách hàng về cácphản ứng của khách hàng để kéo dài hoặc ngắn hạn băng thôngthay đổi tốc độ hội tụ đa bền vữngbitrate, và cuối cùng, sự chậm trễ phát lại, quan trọng đặc biệt đối vớiphát lại nội dung trực tiếp. Nghiên cứu cho thấy thiếu hiệu quả đáng kểtrong mỗi của các khách hàng. Trong [89], các tác giả so sánh mộtMSS khách hàng và khách hàng DASH riêng của họ trong khu vực cục bộ không dâyMôi trường mạng (WLAN), thấy rằng khách hàng DASHnhanh hơn so với các khách hàng MSS về bit trung bình đạt đượctốc độ, số dao động, rebuffering thời gian, và sự công bằng. Ở[55], hiệu suất của các dấu gạch NGANG cho sống streaming là nghiên cứu.Phân tích hiệu suất đối với kích thước phân đoạn làcung cấp, định lượng tác động của giao thức HTTP vàphân khúc các kích thước trên sự chậm trễ kết thúc để kết thúc.Vấn đề hiệu suất so sánh trong [83] và [88]là các khách hàng khác nhau được xem như là đóng các thành phần vàlogic bên trong là không rõ. Trong trường hợp này, hiệu suất hệ thốngrõ ràng phụ thuộc vào việc thực hiện thực tế của cáckhách hàng và các thuật toán thích ứng được sử dụng. Trong [85], một hiệu suấtso sánh các thuật toán thích ứng được mô tả trong [82]-[85]được thực hiện. Đã các mẫu lưu lượng truy cập được sử dụng cho việc đánh giághi nhận trong các tình huống thực tế di động có dây và xe cộ. ỞCác điều khoản của trung bình phát lại chất lượng và băng thông sử dụng,BIEB [85] và Tribler [84] có thể tốt hơn các thuật toán khácmột cách đáng kể. Thuật toán cả hai cung cấp phát lại trung bình caochất lượng để người sử dụng, nhưng Tribler đã chuyển sang một chất lượng khác nhauchín lần thường xuyên hơn BIEB. Các thuật toán của chương trình [82]kết quả tốt hơn BIEB trong một số khía cạnh, là nó có một chất lượng thấpchuyển đổi tần số và hiệu quả mạng tốt hơn bởi vìkhông có dữ liệu không cần thiết được tải xuống và băng thông là lãng phí.Tuy nhiên, so với kích thước của bộ phim, các phân đoạnbị loại bỏ bởi BIEB là không đáng kể. Trong trường hợp xe cộ,BIEB nhanh hơn so với các thuật toán khác, nhưng không có hiệu suấtkết quả cho đến nay được cung cấp cho các trường hợp khác. Tài liệu tham khảo [90]tăng cường hiệu suất so sánh [85] bằng cách tính toán cácChiến lược thích ứng tối ưu QoE cho mỗi điều kiện băng thôngvà cho thấy rằng các thuật toán BIEB là gần nhất với sự tối ưu.Cũng là các tiêu chuẩn tối ưu hóa cho thuật toán hiệu suấtđánh giá như PSNR [91] hoặc giả chủ quan biện pháp nhưtham gia [92] [93] đã được sử dụng. Các tiêu chí này thường xuyênCác giả định về tác động QoE, nay từ trước đónghiên cứu và đã không được đặt câu hỏi, cũng không xác nhận vớitôn trọng để phù hợp QoE của họ [94]. Vì vậy, chuyên dụngnghiên cứu về tác động của các chiến lược thích ứng và ứng dụngCác thông số trên QoE sẽ được trình bày trong phần sau.Những kết quả nên được đưa vào tài khoản khi thiết kế mộtQoE, nhận thức ĐÃ thuật toán

Kết quả (Việt) 2:

HTTP thích nghi streaming sử dụng giao thức truyền tải TCP,
trong đó, mặc dù đáng tin cậy, giới thiệu trên không cao và sự chậm trễ
so với UDP đơn giản, sử dụng rộng rãi cho các dịch vụ video
trước đó. Vì có sự khác biệt cơ bản giữa TCP và
UDP, các nghiên cứu đã được thực hiện trên biện minh cho việc sử dụng TCP để
truyền video. Trong [86], ví dụ, các tác giả sử dụng
thời gian rời rạc mô hình Markov mô tả hiệu suất của
TCP cho phương tiện truyền thông và được lưu trữ trực tuyến mà không thích ứng.
Nó được tìm thấy rằng TCP thường cung cấp hiệu suất trực tuyến tốt
Khi thông TCP đạt được là khoảng gấp đôi
các tỷ lệ bit video, ví dụ, có một hệ thống trên không đáng kể như
các chi phí truyền tải đáng tin cậy.
một số nghiên cứu đã được công bố nhằm so sánh
các hiện HAS giải pháp, cả hai đều thuộc quyền sở hữu và
tiêu chuẩn hóa, về hiệu suất. Trong [83], các tác giả so sánh
MSS, HLS, HDS, và DASH trong một môi trường xe cộ,
sử dụng triển khai khách hàng off-the-shelf cho độc quyền
hệ thống và khách hàng DASH riêng của họ. Họ thấy rằng tốt nhất
hiệu suất, đại diện bởi tỷ lệ trung bình đạt được video bit
và số lượng thiết bị chuyển mạch giữa các cơ quan đại diện, là đạt được
bằng MSS các giải pháp độc quyền và DASH pipeline
trong số tất cả các ứng cử viên. Ý tưởng đằng sau DASH pipeline là
có một vài phân đoạn có thể yêu cầu tại một thời điểm trong tương phản
với DASH chuẩn. Pipelining có lợi trong xe cộ và
các kịch bản điện thoại di động, nơi mất gói tin có thể dẫn đến một cách sử dụng kém
của các nguồn lực sẵn có trong trường hợp chỉ có một kết nối TCP được
thiết lập. Nhược điểm là pipelining đòi hỏi appropri-đã ăn gửi kiểm soát đệm, ví dụ, máy chủ phức tạp tăng lên.
Thông tin chi tiết về pipelining hiệu suất có thể được tìm thấy trong [87].
Các tác giả của [88] so sánh hiệu suất của MSS, Netflix,
và OMSF ( một cầu thủ mã nguồn mở) khách hàng về những
phản ứng của khách hàng để kéo dài hoặc ngắn hạn băng thông
thay đổi, tốc độ hội tụ đến bền vững tối đa
bitrate và, cuối cùng, sự chậm trễ phát lại, quan trọng đặc biệt cho
phát lại nội dung trực tiếp. Nghiên cứu cho thấy sự thiếu hiệu quả đáng kể
trong mỗi khách hàng. Trong [89], các tác giả so sánh một
khách hàng MSS và khách hàng DASH riêng của họ trong Wireless Local Area
Network (WLAN) môi trường, việc tìm kiếm các khách hàng DASH
nhanh hơn so với các khách hàng MSS về chút đạt trung bình
tỷ lệ, số lượng biến động, thời gian rebuffering, và công bằng. Trong
[55], hiệu suất của DASH phát trực tiếp là nghiên cứu.
Một phân tích về hiệu suất đối với kích thước phân khúc với được
cung cấp, định lượng các tác động của giao thức HTTP và
kích thước phân đoạn về cuối để kết thúc chậm trễ.
Vấn đề của việc so sánh hiệu suất trong [83] và [88]
là các khách hàng khác nhau được nhìn thấy các thành phần như khép kín và
logic bên trong là không rõ. Trong trường hợp này, hiệu năng hệ thống
rõ ràng phụ thuộc vào việc thực hiện thực tế của
khách hàng và các thuật toán thích nghi sử dụng. Trong [85], một hiệu suất
so sánh các thuật toán thích ứng mô tả trong [82] - [85]
được tiến hành. Các mô hình giao thông sử dụng cho việc đánh giá được
ghi nhận trong các tình huống di động không dây và có xe cộ thực tế. Trong
các điều khoản về chất lượng trung bình phát lại và sử dụng băng thông,
BIEB [85] và Tribler [84] có thể làm tốt hơn các thuật toán khác
đáng kể. Cả hai thuật toán cung cấp một phát trung bình cao
chất lượng cho người dùng, nhưng Tribler có để chuyển sang một chất lượng khác nhau
chín lần nhiều hơn BIEB. Các thuật toán của [82] cho thấy
kết quả tốt hơn so với BIEB ở một số khía cạnh, là nó có chất lượng thấp hơn
tần số chuyển mạch và hiệu quả mạng lưới tốt hơn bởi vì
không có dữ liệu được tải không cần thiết và băng thông là lãng phí.
Tuy nhiên, so với kích thước của bộ phim, phân đoạn
bỏ đi là không đáng kể bởi BIEB. Trong kịch bản xe cộ,
BIEB nhanh hơn so với các thuật toán khác, nhưng không có hiệu
quả được cung cấp cho đến nay cho các kịch bản khác. Tài liệu tham khảo [90]
tăng cường sự so sánh hiệu suất của [85] bằng cách tính các
chiến lược thích ứng QoE tối ưu cho mỗi điều kiện băng thông
và cho thấy rằng các thuật toán BIEB là gần nhất để tối ưu.
Ngoài ra các tiêu chí tối ưu hóa khác để thực hiện thuật toán
đánh giá như PSNR [91] hoặc biện pháp giả chủ quan như
sự tham gia [92], [93] đã được sử dụng. Những tiêu chuẩn này thường
giả thiết liên quan QoE tác động, mà ngày từ đầu
nghiên cứu và đã không được đặt câu hỏi cũng không xác nhận với
sự tôn trọng đến QoE phù hợp của họ [94]. Vì vậy, chuyên
nghiên cứu về tác động của chiến lược thích ứng và ứng dụng
các thông số trên QoE sẽ được trình bày trong phần sau.
Các kết quả này cần được đưa vào tài khoản khi thiết kế một
QoE-aware HAS thuật toán