Xem mẫu
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
Ước lượng băng thông sử dụng mô hình mạng
nơ-ron LSTM
Vũ Hữu Tiến∗ , Nguyễn Trọng Trung Anh† , Phạm Văn Sự‡ , Thippaphone Sisouvong∗ , Lê Hải Châu†
∗
Khoa Đa phương tiện
†
Khoa Viễn thông I
‡ Khoa Kỹ thuật điện tử I
Học viện Công nghệ Bưu chính Viễn thông
Email: {tienvh, anhntt, supv}@ptit.edu.vn, thipphaphonesisouvong@gmail.com, chaulh@ptit.edu.vn
Tóm tắt—Ước lượng băng thông đường truyền là một cần phải tải về toàn bộ những nội dung mình muốn xem
vấn đề quan trọng trong truyền phát video. Với mục đích trước, thay vào đó, họ có thể tải dần từng phần nén của
nâng cao chất lượng trải nghiệm cho người dùng bằng file video được chia nhỏ từng phần để sử dụng. Trong
cách điều chỉnh các thông số kịp thời theo sự biến đổi quá trình truyền, những thay đổi của băng thông sẽ có
của băng thông, nhiều nghiên cứu đã xây dựng những
mô hình nhằm dự đoán chính xác tốc độ băng thông tại
ảnh hưởng lớn đối với chất lượng trải nghiệm của người
một thời điểm nhất định. Trong bài báo này, để đạt được dùng. Để có thể có các giải pháp tốt cho việc chuẩn bị
hiệu quả cao trong việc ước lượng băng thông cho truyền và phát những nội dung video đảm bảo chất lượng trải
phát video, ý tưởng sử dụng mô hình mạng nơ-ron hồi nghiệm theo yêu cầu của người dùng, nhu cầu đoán biết
quy được chúng tôi áp dụng cho bài toán ước lượng băng được trước những thay đổi, biến động của băng thông là
thông. Trong giải pháp đề xuất của chúng tôi, ưu điểm của rất cần thiết. Do đó, cùng với sự phát triển của các loại
bộ nhớ dài-ngắn hạn với kết nối phản hồi kết hợp cùng
hình dịch vụ hướng video, ước lượng băng thông đã và
khả năng tối ưu hóa của mạng nơ-ron được tận dụng để
xây dựng mô hình với nhiều tập dữ liệu khác nhau. Kết đang là bài toán quan trọng được quan tâm nghiên cứu
quả của nghiên cứu đưa ra những đánh giá về tính khả rộng rãi.
thi của phương pháp đề xuất. Để ước lượng băng thông cho truyền phát video, nhiều
Từ khóa—Ước lượng băng thông, LSTM, Mạng nơ-ron. hướng tiếp cận được đề xuất và phát triển hiệu quả để
thích ứng với tình trạng đường truyền không ổn định,
đặc biệt là đối với các kết nối không dây hay kết nối
I. GIỚI THIỆU qua môi trường Internet công cộng [5] [6] [7] [8] [9]
Trong những năm trở lại đây với tốc độ phát triển [10]. Nghiên cứu trong [5] đưa ra thuật toán ước lượng
nhanh chóng của thiết bị di động như máy tính bảng, băng thông dựa trên phân đoạn cuối cùng. Thuật toán
điện thoại, máy tính xách tay, nhu cầu sử dụng dịch vụ này ước lượng băng thông dựa theo cơ chế đơn giản dựa
phát trực tuyến video cũng ngày càng trở nên đa dạng. trên mối quan hệ giữa băng thông đo được cuối cùng
Dữ liệu cho phát trực tuyến hình ảnh dần trở thành loại của mạng với tốc độ bit hiện thời của luồng video như
dữ liệu sử dụng nhiều lưu lượng mạng nhất. Các khảo sau: 1) khi băng thông mạng đo được cuối cùng cao hơn
sát và nghiên cứu gần đây đã chỉ ra rằng phần lớn lưu mức tốc độ bit của luồng hiện tại thì phân đoạn tiếp theo
lượng dữ liệu dành cho di động đến từ dữ liệu phát trực được tải về sẽ có tốc độ bit tăng lên và ngược lại, 2)
tuyến video, và lưu lượng này được dự báo tiếp tục tăng tốc độ bit tải về sẽ giảm xuống nếu băng thông đo được
nhanh trong thập kỷ này [1] [2]. Để cũng cấp chất lượng đó nhỏ hơn tốc độ bit của luồng hiện tại. Cách tiếp cận
đảm bảo cùng trải nghiệm người dùng với khối lượng này cho phép xử lý đơn giản, đạt hiệu quả cao và thích
dữ liệu video di dộng lớn như vậy, tốc độ bit thích ứng nghi nhanh với sự biến động băng thông, tuy nhiên, nó
cho truyền dữ liệu trên một băng thông có sẵn là cần cũng có thể làm cho tốc độ bit mỗi phân đoạn thay đổi
thiết [3] [4]. Đối với việc truyền phát video trong đó quá nhiều và ảnh hưởng đến chất lượng trải nghiệm của
cho phép thực hiện liên tục quá trình chuẩn bị và phát người dùng. Một hướng khác là ước lượng dựa trên kỹ
những nội dung đa phương tiện như video, audio, ... đến thuật làm mịn băng thông [6]. Đặc điểm của thuật toán
người dùng trong khi quá trình truyền phát nội dung đa này là nội suy nhiều lần và cố gắng để suy ra tốc độ bit
phương tiện vẫn đang diễn ra, người dùng có thể không có thể đạt được từ các giá trị băng thông đo được trong
ISBN 978-604-80-5958-3 54
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
các lần lặp trước đó. Giải pháp này giúp hạn chế sự thay
đổi nhanh và liên tục của tốc độ bit dự đoán nhưng có
thể gây hiện tượng đóng băng video do việc lưu đệm
giảm mạnh khi băng thông xuống thấp đột ngột. Bên
cạnh đó, công nghệ trí tuệ nhân tạo (AI) đang là công
nghệ được quan tâm phát triển và ứng dụng rộng khắp
trong thời gian gần đây [11] [12]. Công nghệ AI cũng
được áp dụng để giải quyết bài toán ước lượng và dự
đoán băng thông nhờ những ưu điểm vượt trội của nó.
Trong báo cáo [7] [8] [9], các phương pháp tiếp cận dựa
trên thuật toán học máy ước lượng băng thông nhằm duy
trì video chất lượng cao không gián đoạn đã được đưa
ra. Mô hình QoE cũng được trình bày và so sánh dựa
trên chất lượng trải nghiệm của người sử dụng.
Trong bài báo này, chúng tôi đề xuất sử dụng mô hình
mạng nơ-ron hồi quy và bộ nhớ dài-ngắn hạn cho thuật
toán học máy ước lượng băng thông. Mạng nơ-ron với
ưu điểm về khả năng tổng quát hóa bài toán song song
với cấu trúc mạng có thể ghi nhớ được dùng để phân
tích khả năng dự đoán dữ liệu chuỗi thời gian ứng với Hình 1. Kiến trúc mạng nơ-ron truyền thẳng hai tầng ẩn.
băng thông hiệu quả. Các thực nghiệm trên bộ dữ liệu
thực tế cũng được triển khai để đánh giá hiệu năng của
giải pháp đề xuất. Ngoài ra, chúng tôi cũng so sánh giải mạng nơ-ron hồi quy được thiết kế tại nút mạng và
pháp đề xuất với giải pháp ước lượng băng thông hiệu được so sánh với cấu trúc trong mạng nơ-ron truyền
quả được áp dụng trong phần mềm chạy video nổi tiếng thằng minh họa trong Hình 2. Xem xét các vector trạng
ExoPlayer do Google phát triển [13]. Kết quả so sánh thái x(1), x(2), x(3), ..., x(t) của chuỗi dữ liệu đầu vào.
cũng cho thấy tính hiệu quả của giải pháp được đề xuất. Mạng nơ-ron hồi quy ghi nhớ bằng cách xử lý lần lượt
II. GIẢI PHÁP ƯỚC LƯỢNG BĂNG THÔNG SỬ từng vector x(t) dựa trên tín hiệu từ trạng thái (t − 1)
DỤNG MÔ HÌNH MẠNG NƠ-RON HỒI QUY dể ánh xạ chuỗi đầu ra. Tuy nhiên, khả năng ghi nhớ
trạng thái hạn chế bởi giá trị tín hiệu truyền ngược trong
Chúng ta xem xét một hệ thống mạng nơ-ron truyền
Công thức (1) giảm dần khi các bước thời gian cách xa
thẳng minh họa trong Hình 1 [14] [15]. Kiến trúc này
nhau. Từ đó giảm tốc độ hội tụ của W.
sử dụng một tầng đầu vào, hai tầng ẩn và một tầng đầu
ra. Dữ liệu đầu vào gồm n đặc điểm, mục tiêu đầu ra A. Bộ nhớ dài ngắn hạn (LSTM)
được tính toán dựa trên các thông số của nút mạng trong Cấu trúc mạng nơ-ron hồi quy có tác dụng phản ánh
kiến trúc. Trong mạng nơ-ron truyền thẳng, dữ liệu được lại tín hiệu tại nút mạng [15]. Tuy nhiên trong bài toán
truyền qua các tầng và thuật toán học dựa trên những tín ước lượng bằng thông, khả năng ghi nhớ tại nhiều bước
hiệu truyền ngược. Giả sử W định nghĩa ma trận trọng thời gian có thể được sử dụng để đưa ra một giải pháp
số của cấu trúc mạng nơ-ron, wij đại diện cho các phần hiệu quả hơn cho quá trình dự đoán. Bộ nhớ dài-ngắn
tử tại nút mạng, giá trị tại trạng thái t + 1 được tối ưu hạn dựa trên cấu trúc mở rộng của các nút mạng và
dựa trên công thức: được thể hiện trong Hình 3. Cấu trúc bộ nhớ dài-ngắn
∂E(t) hạn dựa trên khả năng ghi nhớ của mạng nơ-ron hồi quy,
wij (t + 1) = wij (t) − η (1) bổ sung thêm trạng tại nút mạng và ba cổng: f orget −
∂wij
gate, input − gate, output − gate. Xuyên suốt quá trình
, trong đó η là tốc độ và E là hàm tính mất mát huấn luyện, trạng thái nút mạng được ghi nhớ qua việc
giữa giá trị đầu ra dự đoán và giá trị đầu ra chuẩn từ đánh giá tín hiệu tại f orget − gate, f . Giả sử trạng thái
tập dữ liệu sử dụng để huấn luyện. Mạng nơ-ron truyền hiện tại là t, giá trị của f (t) được tính theo công thức
thẳng có khả năng tổng quát hóa hiệu quả, tuy nhiên sau đây:
trong xử lý dữ liệu có dạng chuỗi thời gian tuần tự,
thông tin từ những trạng thái trước đó có thể cung cấp
khả năng ghi nhớ cho cấu trúc mạng nơ-ron. Mô hình f (t) = σ(Wf,x x(t) + Wf,h h(t − 1) + bf ) (2)
ISBN 978-604-80-5958-3 55
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
Hình 2. Mạng truyền thẳng và mạng hồi quy.
Hình 3. Cấu trúc nút mạng LSTM.
, trong đó W biểu diễn ma trận trọng số và b là hệ số
bias. input − gate đưa ra hai giá trị i(t) và c0 (t) quyết B. Định nghĩa bài toán
định thông tin được ghi nhớ trong trạng thái nút mạng.
Công thức được biểu thị như sau: Để ước lượng băng thông sử dụng bộ nhớ dài-ngắn
hạn, bài toán được định nghĩa dưới dạng ước lượng quan
i(t) = σ(Wi,x x(t) + Wi,h h(t − 1) + bi ) (3) hệ giữa dữ liệu đầu vào x và mục tiêu đầu ra y.
Thuật toán học áp dụng huấn luyện bộ dữ liệu xử lý
mẫu theo chu kì lặp. Mỗi mẫu huấn luyện được biểu
thị bởi (x, y), trong đó x = [x1 , x2 , ..., xn ] ∈ R1×n là
c0 (t) = tanh(Wc0 ,x x(t) + Wc0 ,h h(t − 1) + bc0 ) (4) vector dữ liệu vào n-chiều. Ta định nghĩa mục đích huấn
Giá trị mới của c(t) được cập nhật từ kết quả của luyện nhằm ước lượng mỗi quan hệ ràng buộc f[.] giữa
những trạng thái trước đó với phép nhân Hadamard theo dữ liệu vào và dữ liệu ra (x → y) để mục tiêu dự đoán:
từng phần tử:
yˆ = f [x(t), θ] (7)
0
c(t) = f (t) · c(t − 1) + i(t) · c (t) (5)
là một ước lượng chính xác của mục tiêu thực tế. Các
Giá trị đầu ra y(t) được output − gate xác định dựa tham số của mô hình được thể hiện bằng vector θ. Sai
trên giá trị đầu ra của thời điểm (t − 1) và giá trị đầu số đối với mỗi mẫu t-th được định nghĩa bằng sự khác
vào của thời điểm t qua công thức sau: nhau giữa mục tiêu dự đoán và mục tiêu thực tế:
y(t) = σ(Wo,x x(t)+Wo,h h(t−1)+bo )·tanh(c(t)) (6) e(t) = y(t) − yˆ(t) (8)
Cấu trúc nút mạng ghi nhớ trạng thái được thêm vào Để có thể xác định được sự thay đổi trong quá trình
mô hình mạng nơ-ron hồi quy tạo nên khả năng ghi nhớ ước lượng, lõi dự đoán được theo dõi qua mỗi chu kì
dài hạn. Bằng việc lưu giá trị c(t), thông tin từ trạng thái lặp. Thuật toán học tối thiểu hóa lỗi dự đoán để xác
cách xa thời điểm hiện tại vẫn đưuọc lưu trong mạng. định thông số của cấu trúc mạng nơ-ron. Lỗi dự đoán
Đối với dữ liệu chuỗi thời gian của băng thông, mạng E(t) cho mẫu t-th được tính bằng công thức:
nơ-ron hồi quy tích hợp bộ nhơ dài-ngắn hạn có thể làm p
tăng khả năng ước lượng chính xác và hiệu quả. E(t) = e2 (t) (9)
ISBN 978-604-80-5958-3 56
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
C. Tiêu chí đánh giá ước lượng
Mô hình LSTM có thể được đánh giá dựa trên một số
các tiêu chí như thời gian huấn luyện, sai số trung bình
và kiến trúc mạng ... Trong bài báo này, với các bài toán
dự đoán giá trị của chuỗi thuộc lớp bài toán hồi quy thì
thông số thường được sử dụng để đánh giá độ chính xác
chính là RMSE (căn bậc hai của sai số trung bình bình
phương). RMSE được xác định theo công thức như sau:
v
u
u1 X N
RM SE = t (y(t) − yˆ(t))2 (10)
N i=1 Hình 4. Tóm tắt kiến trúc mạng LSTM sử dụng trong mô phỏng đánh
giá.
III. THỰC NGHIỆM VÀ ĐÁNH GIÁ
A. Tập dữ liệu và thiết lập mô phỏng
Để kiểm định giải pháp ước lượng băng thông sử
dụng mô hình mạng nơ-ron LSTM đề xuất, trong nghiên
cứu này chúng tôi sử dụng tập dữ liệu nhật trình băng
thông 4G/LTE của Bỉ [16] [17]. Đây là tập dữ liệu ghi
lại nhật trình băng thông tải xuống của mạng 4G/LTE
trong đó người dùng sử dụng thiết bị di động di chuyển
trên nhiều cung đường khác nhau và trên nhiều phương
tiện di chuyển khác nhau từ đi bộ đến đi tàu. Dữ liệu
được phân thành các bộ với mỗi bộ dữ liệu của người
dùng trên một cung đường với phương tiện di chuyển
xác định. Mỗi tập dữ liệu này được chia thành hai phần:
75% được sử dụng cho huấn luyện và 25% được sử dụng
cho kiểm tra.
Trong bài báo này, nhóm nghiên cứu sử dụng kiến Hình 5. Đường cong tổn thất của mạng trong quá trình huấn luyện và
trúc mạng gồm hai tầng LSTM. Tầng thứ nhất gồm 32 kiểm tra với tập dữ liệu xe buýt.
nút. Tầng thứ hai gồm 10 nút. Tóm lược kiến trúc và
bộ tham số tương ứng được trình bày trong Hình 4. giải
pháp ước lượng băng thông sử dụng mô hình mạng nơ- truyền tải video tốc độ bít thích nghi. Ngoài ra, các kết
ron LSTM được cài đặt bằng ngôn ngữ Python với thư quả đạt được cũng thấy việc chọn mô hình hoàn toàn
viện Pytorch [18]. Quá trình huấn luyện được thực hiện phù hợp bởi sự hội tụ của đường tổn thất huấn trong
trên máy tính để bàn (desktop) sử dụng hệ điều hành quá trình huấn luyện và quá trình kiểm tra. Sự tiệm cận
Windows 10 với cấu hình có trang bị GPU (ASUS TUF của đường tổn thất trong quá trình kiểm tra so với quá
GTX1660, CUDA: 1408, 1845 MHz, 6GB GDDR5). Với trình huấn luyện cũng cho thấy mô hình đề xuất không
mỗi tập dữ liệu, việc huấn luyện được tiến hành với 150 bị tình trạng overfitting hoặc underfitting. Xu thế này
epochs và kích thước bó (batch size) bằng 64. cũng đúng với tất cả các tập dữ liệu còn lại, chẳng hạn
với tập dữ liệu nhật trình băng thông khi người sử dụng
B. Kết quả và thảo luận di chuyển trên cung đường bằng phương tiện xe ô tô
Trước hết kết quả được đánh giá thông qua sự biến đổi như Hình 6.
của hàm tổn thất (loss) được trình bày trong Hình 5. Đây Chất lượng của giải pháp ước lượng băng thông sử
là kết quả sử dụng tập dữ liệu nhật trình băng thông khi dụng mô hình mạng nơ-ron LSTM được đánh giá thông
người sử dụng di chuyển trên cung đường bằng phương qua sự phù hợp trong dự đoán có thể quan sát được
tiện xe buýt. từ biểu đồ biểu diễn sự thay đổi của băng thông trong
Từ Hình 5 ta thấy mô hình hội tụ khá nhanh, chỉ Hình 7.
khoảng với 20 epochs. Điều này cho thấy thời gian huấn Tính chính xác của giải pháp đề xuất còn được khảo
luyện có thể giảm. Kết quả là giải pháp đề xuất phù hợp sát thông quan đánh giá RMSE như trong Bảng I. Cần
với việc áp dụng cho ứng dụng thời gian thực như trong chú ý rằng, đơn vị đánh giá ở đây là sai số băng thông
ISBN 978-604-80-5958-3 57
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
Hình 6. Đường cong tổn thất của mạng trong quá trình huấn luyện và
kiểm tra với tập dữ liệu xe ô tô. Hình 8. So sánh sự biến thiên băng thông Giải pháp đề xuất và giải
pháp Đối sánh với dữ liệu xe buýt trên tập test.
thông với giải pháp ước lượng băng thông hiệu quả được
áp dụng thực tế trong phần mềm ExoPlayer do Google
phát triển [13] (đặt tên là giải pháp Đối sánh). Hình 8
minh họa sự thay đổi băng thông dự đoán của mô hình
đề xuất so với giải pháp Đối sánh. Các kết quả đạt được
thể hiện trên Hình 8 đã cho thấy băng thông dự đoán
của giải pháp đề xuất bám sát tốt hơn so với giải pháp
Đối sánh.
Sự cải thiện độ chính xác băng thông dự đoán của
Giải pháp đề xuất còn có thể quan sát thông qua so
sánh RMSE so với giải pháp ước lượng băng thông áp
dụng trong phần mềm ExoPlayer. Chẳng hạn, với tập dữ
liệu test khi người sử dụng phương tiện di chuyển xe
Hình 7. So sánh sự biến thiên băng thông quá trình dự đoán và kiểm
buýt, RMSE của phương pháp đề xuất là 958.75 trong
tra với tập dữ liệu xe buýt. khi của giải pháp Đối sánh là 1017.62.
IV. KẾT LUẬN
theo Kbps. Chúng ta có thể thấy RMSE của quá trình Trong bài báo này, giải pháp ước lượng băng thông
test cao hơn một chút so với đại lượng đó trong quá dựa vào mô hình mạng nơ-ron LSTM được đề xuất nhằm
trình huấn luyện. đưa ra các dự đoán chính xác sự biến đổi của băng thông
để cho phép kịp thời điều chỉnh các thông số hệ thống
Bảng I truyền phát video góp phần nâng cao chất lượng trải
KẾT QUẢ RMSE CỦA GIẢI PHÁP ĐỀ XUẤT
nghiệm cho người dùng. Trong giải pháp đề xuất của
chúng tôi, ý tưởng sử dụng mô hình mạng nơ-ron hồi
Tập dữ liệu RMSE huấn luyện RMSE kiểm tra
quy được áp dụng cho bài toán ước lượng băng thông
Xe đạp 1247.032 1272.886
Xe buýt 858.75 958.75 nhằm tận dụng ưu điểm của bộ nhớ dài-ngắn hạn với
Xe ô tô 971.590 1002.532 kết nối phản hồi kết hợp cùng khả năng tối ưu hóa của
Đi bộ 1253.389 1282.537 mạng nơ-ron để xây dựng mô hình với nhiều tập dữ liệu
Tàu 1183.649 1158.637
khác nhau. Các thực nghiệm và đánh giá hiệu năng của
giải pháp đề xuất cũng được triển khai trên tập dữ liệu
Để kiểm chứng, trong nghiên cứu này, chúng tôi cũng băng thông mạng thực tế. Đồng thời chúng tôi cũng so
thực hiện tiến hành so sánh độ chính xác dự báo băng sánh giải pháp đề xuất với giải pháp ước lượng băng
ISBN 978-604-80-5958-3 58
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
thông đang được sử dụng phổ biến hiện nay. Các kết [8] H. Mao, R. Netravali, and M. Alizadeh, “Neural adaptive video
quả đạt được cho thấy hiệu quả của giải pháp đề xuất streaming with pensieve,” in Proceedings of the Conference
of the ACM Special Interest Group on Data Communication,
và sự cải thiện độ chính xác băng thông dự đoán so với ser. SIGCOMM ’17. New York, NY, USA: Association for
giải pháp đối sánh. Computing Machinery, 2017, p. 197–210. [Online]. Available:
https://doi.org/10.1145/3098822.3098843
LỜI CẢM ƠN [9] M. De Filippo De Grazia, D. Zucchetto, A. Testolin, A. Zanella,
M. Zorzi, and M. Zorzi, “Qoe multi-stage machine learning
Nghiên cứu này được tài trợ bởi Tập đoàn Naver (Hàn for dynamic video streaming,” IEEE Transactions on Cognitive
quốc) trong đề tài mã số 04-PTIT-NAVER. Communications and Networking, vol. 4, no. 1, pp. 146–161,
2018.
TÀI LIỆU THAM KHẢO [10] A. Biernacki, “Traffic prediction methods for quality improve-
ment of adaptive video,” Multimedia Systems, vol. 24, p.
[1] V. Cisco, “Cisco visual networking index: Forecast and trends, 531–547, 2018.
2017–2022,” White Paper, February 2019. [11] I. Sarker, “Deep learning: A comprehensive overview on tech-
[2] Interdigital, “The sustainable future of video entertainment,” niques, taxonomy, applications and research directions,” SN
White Paper, November 2020. COMPUT. SCI., vol. 420, no. 2, 2021.
[3] R. Prasad, C. Dovrolis, M. Murray, and K. Claffy, “Bandwidth [12] A. Khan, A. Sohail, U. Zahoora, and . A. S. Qureshi, “A survey of
estimation: metrics, measurement techniques, and tools,” IEEE the recent architectures of deep convolutional neural networks,”
network, vol. 17, no. 6, pp. 27–35, 2003. Artif. Intell. Rev., vol. 53, p. 5455–5516, 2020.
[4] K. Bouraqia, E. Sabir, M. Sadik, and L. Ladid, “Quality of [13] Google, “Exoplayer,” Tech. Rep. [Online]. Available:
experience for streaming services: Measurements, challenges and https://github.com/google/ExoPlayer
insights,” IEEE Access, vol. 8, pp. 13 341–13 361, 2020. [14] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,”
[5] L. R. Romero, “A dynamic adaptive http streaming video service Neural Computation, vol. 9, no. 8, pp. 1735–1780, 11 1997.
for google android,” 2011. [Online]. Available: https://doi.org/10.1162/neco.1997.9.8.1735
[6] S. Gouache, G. Bichot, A. Bsila, and C. Howson, “Distributed [15] Y. Yu, X. Si, C. Hu, and J. Zhang, “A Review of Recurrent
amp; adaptive http streaming,” in 2011 IEEE International Neural Networks: LSTM Cells and Network Architectures,”
Conference on Multimedia and Expo, 2011, pp. 1–6. Neural Computation, vol. 31, no. 7, pp. 1235–1270, 07 2019.
[7] S. K. Khangura, M. Fidler, and B. Rosenhahn, “Machine learning [Online]. Available: https://doi.org/10.1162/neco_a_01199
for measurement-based bandwidth estimation,” Computer [16] J. van der Hooft, S. Petrangeli, T. Wauters, R. Huysegems, P. R.
Communications, vol. 144, pp. 18–30, 2019. [Online]. Available: Alface, T. Bostoen, and F. De Turck, “Http/2-based adaptive
https://www.sciencedirect.com/science/article/pii/S0140366419303457 streaming of hevc video over 4g/lte networks,” IEEE Commu-
nications Letters, vol. 20, no. 11, pp. 2177–2180, 2016.
[17] G. University, “4g/lte bandwidth logs.” [Online]. Available:
https://users.ugent.be/ jvdrhoof/dataset-4g/
[18] Deep Learning With PyTorch. Manning, July 2020.
ISBN 978-604-80-5958-3 59
nguon tai.lieu . vn
