Yazar
Begen, Ali C., Deniz, Enes, Erinc, Yigit K., Ozgun, Mehmet E., Yumakogullari, Basar, Ayten, Ihsan U., Pehlivanoglu, Ahmet, Cetinkaya, Ekrem
Basım Tarihi
2024-04-17
Basım Yeri
-
ACM
Konu
WebRTC, QoE, Gerçek zamanlı iletişim
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
979-8-4007-0412-3
Kayıt Numarası
a006fcbd-475f-44ca-8341-5b74237e8963
Lokasyon
Bilgisayar Bilimi
Tarih
2024-04-17
Örnek Metin
Gerçek zamanlı iletişim (RTC) uygulamalarına yönelik artan talep, sağlam ve güvenilir sistemler gerektirmektedir. Sorunsuz medya dağıtımı, ağ koşullarının doğru bir şekilde değerlendirilmesine bağlıdır; bant genişliği tahmini (BWE), sistem güvenilirliğini korumak ve kullanıcılar için iyi kalitede deneyim (QoE) elde etmek için çok önemlidir. BWE, dinamik ağ koşulları, sınırlı bilgi kullanılabilirliği ve hesaplama karmaşıklığı nedeniyle önemli bir zorluk teşkil etmektedir. ACM MMSys 2024 kapsamında düzenlenen İkinci Bant Genişliği Tahmin Yarışması, çevrimdışı takviyeli öğrenmeyi kullanarak derin öğrenme tabanlı bir bant genişliği tahmincisi geliştirerek RTC kullanıcısı QoE'yi geliştirmeyi amaçlıyor. Bu makale, büyük mücadelede ikinci sırada yer alan çözümümüzü sunmaktadır. Bu çözüm, yalnızca gözlemlenen ağ istatistiklerine dayanarak doğru gerçek zamanlı BWE'ye ulaşmak için aktör-eleştirmen yaklaşımını kullanır. Mücadelenin çevrimdışı ortamından dolayı, kritik ağ, gerçek ortamla etkileşime girmeden eylem kalitesini tahmin etmek için aktör ağından ayrı olarak eğitilir. Ayrıca, eleştirmen tarafından yapılan kalite tahmini, bant genişliği değerlerinin aşılmasını ele almak üzere önceden tanımlanmış bir koruma faktörü ile ayarlanır. Çözümün kaynak kodu https://github.com/streaminguniversity/FARC adresinde halka açıktır.
DOI
10.1145/3625468.3652184
