یادگیری تقویتی آفلاین برای تخمین پهنای باند در rtc با استفاده از یک بازیگر سریع و منتقد نه چندان خشمگین
| عنوان | یادگیری تقویتی آفلاین برای تخمین پهنای باند در rtc با استفاده از یک بازیگر سریع و منتقد نه چندان خشمگین |
|---|---|
| نویسنده | بگن، علی سی، دنیز، انس، ارینچ، ییگیت ک.، اوزگون، مهمت ای.، یوماکوگلاری، بسار، آیتن، احسان یو.، پهلیوان اوغلو، احمد، چتینکایا، اکرم |
| تاریخ انتشار: | 2024-04-17 |
| محل انتشار | - ACM |
| موضوع | WebRTC، QoE، ارتباطات بلادرنگ |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 979-8-4007-0412-3 |
| شماره ثبت | a006fcbd-475f-44ca-8341-5b74237e8963 |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2024-04-17 |
| متن نمونه | افزایش تقاضا برای برنامه های کاربردی ارتباطات بلادرنگ (RTC) سیستم های قوی و قابل اعتماد را ضروری می کند. تحویل یکپارچه رسانه به ارزیابی دقیق شرایط شبکه بستگی دارد، با تخمین پهنای باند (BWE) برای حفظ قابلیت اطمینان سیستم و دستیابی به کیفیت خوب تجربه (QoE) برای کاربران بسیار مهم است. BWE به دلیل شرایط شبکه پویا، در دسترس بودن اطلاعات محدود و پیچیدگی محاسباتی یک چالش مهم است. دومین چالش تخمین پهنای باند، که در ACM MMSys 2024 سازماندهی شده است، با توسعه یک برآوردگر پهنای باند مبتنی بر یادگیری عمیق با استفاده از یادگیری تقویتی آفلاین، QoE کاربر RTC را افزایش می دهد. این مقاله راه حل ما را ارائه می دهد که در چالش بزرگ رتبه دوم را دارد. این راه حل از یک رویکرد منتقد بازیگر برای دستیابی به BWE در زمان واقعی و تنها با تکیه بر آمار شبکه مشاهده شده استفاده می کند. با توجه به تنظیمات آفلاین چالش، شبکه منتقد به طور جداگانه از شبکه بازیگر آموزش داده می شود تا کیفیت اکشن را بدون تعامل با محیط واقعی تخمین بزند. علاوه بر این، پیشبینی کیفیت توسط منتقد با یک عامل حفاظتی از پیش تعریفشده تنظیم میشود تا بیش از حد مقادیر پهنای باند را برطرف کند. کد منبع راه حل به صورت عمومی در https://github.com/streaminguniversity/FARC در دسترس است. |
| DOI | 10.1145/3625468.3652184 |
