强化边缘-DASH：用于多目标流媒体优化的深度学习技术

《IEEE Transactions on Mobile Computing》：Reinforcing Edge-DASH: Deep Learning for Multi-Objective Streaming Optimization

　　

摘要：

随着对多媒体服务需求的不断增长，基于HTTP的动态自适应流媒体技术（DASH）已成为传输高质量视频内容的关键解决方案。在本研究中，我们考虑了边缘端DASH应用场景，并构建了一个涉及四个关键方面的联合优化问题：比特率分配、用户与服务器的匹配、缓存策略以及带宽分配。由于该联合问题的复杂性，我们将其分解为多个子问题分别处理。对于其中的三个子问题，我们采用了深度强化学习方法，具体为深度确定性策略梯度（DDPG）算法；而对于第四个子问题，则设计了启发式解决方案。仿真结果表明，我们的方法在多项指标上提升了性能，包括更好的视频传输效果、更少的缓冲区欠载和过载情况，以及更高效的缓存机制，这些都有助于更好地利用边缘资源进行流媒体传输。此外，我们还测试了在边缘设备和云设备上的推理延迟，结果表明其延迟在几毫秒以内，足以满足实时应用的需求。这充分体现了结合基于学习的算法与启发式方法在满足边缘计算环境中日益增长的自适应视频流传输需求方面的优势。