DOI: https://doi.org/10.1109/ton.2025.3650266
تاريخ النشر: 2026-01-01
المؤلف: Miaojiang Chen وآخرون
الموضوع الرئيسي: تقييم جودة الصور والفيديو
نظرة عامة
يقدم هذا القسم نظرة عامة على NeuroBA، وهو مخطط مبتكر لتعديل معدل البت (ABR) يستفيد من التعلم العميق المعزز النيروسي الرمزي لتعزيز أداء بث الفيديو. تعاني طرق ABR الذكية التقليدية من عدم قدرتها على دمج التفكير المنطقي والتمثيلات الرمزية، مما يؤدي إلى تكييف معدل البت بشكل غير مثالي وكفاءة عينة منخفضة. يعالج NeuroBA هذه القيود من خلال تدريب نموذج شبكة عميقة نيروسي رمزي يعمل بدون افتراضات حول مشاهد الفيديو المحددة أو النماذج المحددة مسبقًا، مما يسمح باتخاذ قرارات فعالة بشأن معدل البت في بيئات غير مؤكدة وقابلة للملاحظة جزئيًا من خلال إدراك جودة الفيديو المدفوع بالمعرفة المعبر عنها في منطق أولي رمزي.
بالإضافة إلى ذلك، يتم تسليط الضوء على دمج تقنية السطح العاكس الذكي (IRS) كوسيلة لتحسين أداء الإشارة اللاسلكية من خلال ضبط التحولات الطورية ديناميكيًا، مما يعزز من إنتاجية الشبكة. تظهر التقييمات التجريبية من خلال تجارب مدفوعة بالتتبع وتجارب في العالم الحقيقي أن NeuroBA يتفوق بشكل كبير على مخططات ABR الحالية الرائدة، محققًا تحسينًا متوسطًا في جودة التجربة (QoE) يتراوح من 16.58% (BOLA) إلى 25.34% (Fugu). ومن الجدير بالذكر أن NeuroBA يتفوق في سيناريوهات الفيديو الحافة المختلفة دون الاعتماد على نماذج مسبقة البرمجة أو ظروف الشبكة المفترضة، مما يبرز قوته وقدرته على التكيف في التطبيقات الواقعية.
مقدمة
أدت التقدمات السريعة في الحوسبة الحافة ونشر شبكات 4G/5G إلى زيادة كبيرة في بث الفيديو عبر الهاتف المحمول، مما يتطلب تسليم الفيديو في الوقت الحقيقي من خلال خوادم الحافة. ومع ذلك، فإن الخصائص غير القابلة للتنبؤ والمتغيرة زمنياً لروابط الشبكة تمثل تحديات لتكييف الخدمات مع عدد كبير من أجهزة الحافة. لمعالجة ذلك، اعتمدت خدمات بث الفيديو طريقة تقسيم الفيديوهات إلى قطع من 2-6 ثوانٍ، كل منها مشفر بدقات، ومعدلات بت، وجودات مختلفة. يسمح هذا التقسيم لأجهزة الحافة بالتبديل ديناميكيًا بين إصدارات مختلفة من قطع الفيديو.
تلعب مخططات معدل البت التكيفي (ABR) دورًا حاسمًا في تحسين جودة الفيديو تحت ظروف الشبكة غير المؤكدة، مثل تقلب عرض النطاق الترددي والإنتاجية المتوقعة. الهدف الأساسي من ABR هو اختيار الكتلة الفيديو الأكثر ملاءمة التي تعظم معدل البت وتعزز تجربة المستخدم (QoE) من خلال الاستفادة من البيانات التاريخية والتحليلات التنبؤية. تُصنف مخططات ABR عمومًا إلى فئتين: الأساليب المعتمدة على النماذج والأساليب المعتمدة على التعلم، حيث تقدم كل منها منهجيات متميزة لاختيار معدل البت استجابة لتقلبات الشبكة.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجربة المستخدمة لتقييم أداء معدل البت التكيفي (ABR) لطريقتهم المقترحة، NeuroBA، مقابل عدة خوارزميات أساسية. استخدموا أربعة مجموعات بيانات عامة—HSDPA، Oboe، HDFS، وFCC—لإنشاء 2000 تتبع لثلاث من هذه المجموعات باستخدام مخطط نافذة منزلقة. تم تقسيم البيانات إلى مجموعات تدريب (70%) واختبار. بالإضافة إلى ذلك، جمعوا مجموعة من 650 فيديو من مجموعة بيانات SQoE-IV، مصنفة إلى خمسة أنواع: أنمي، ألعاب، علم، حيوانات، وسفر، بدقة 3840×2160. تم معالجة هذه الفيديوهات باستخدام FFmpeg لإنشاء دقات متعددة (1080P، 720P، 576P، 480P، و240P) وتم تشفيرها بمعدل بت متغير (VBR) لإنشاء كتل ذات مدة متغيرة.
لتقييم أداء NeuroBA، قارن المؤلفون بينها وبين ستة خوارزميات أساسية معروفة: BOLA، التي تستخدم نهجًا قائمًا على النموذج لتحسين التخزين المؤقت وجودة تجربة الفيديو (QoE)؛ Pensieve، التي تستخدم بنية A3C للبث التكيفي؛ Comyco، التي تستفيد من التعلم التقليدي لإدراك الجودة؛ RDladder، التي تتضمن مؤشرات QoE متعددة؛ DeepBuffer، التي تركز على تكييف التخزين المؤقت؛ وFugu، التي تستخدم التعلم المراقب لتدريب النموذج. يتم تلخيص الميزات المميزة لهذه الخوارزميات ABR في الجدول I، مما يوفر نظرة شاملة على منهجياتها ومقاييس أدائها.
نقاش
في مناقشة مخططات معدل البت التكيفي (ABR)، يبرز البحث التطور من الأساليب المعتمدة على النماذج إلى الأساليب المعتمدة على التعلم. تستخدم الطرق المعتمدة على النماذج، مثل FESTIVE وBBA وBOLA، استراتيجيات مختلفة للتنبؤ بإنتاجية الشبكة وتحسين جودة الفيديو بناءً على مستويات التخزين المؤقت أو تعظيم المنفعة. في المقابل، تستفيد الطرق المعتمدة على التعلم، كما يتضح من Pensieve وD-DASH، من التعلم المعزز للتكيف مع ظروف الشبكة الديناميكية، على الرغم من أنها غالبًا ما تواجه صعوبات في التعميم والأداء تحت عدم اليقين. يهدف NeuroBA المقترح إلى معالجة هذه القيود من خلال دمج المعرفة الرمزية مع قدرات الشبكة العصبية، مما يعزز اتخاذ القرار في أنظمة ABR.
يكشف تحليل خصائص الفيديو أن المقاييس التقليدية مثل معدل بت الفيديو لا تلتقط تجربة المستخدم بشكل كافٍ، حيث تظهر المقاييس الأحدث مثل VMAF ارتباطات أقوى مع الجودة المدركة. يستخدم البحث مجموعة بيانات SQoE-IV للتحقيق في هذه الارتباطات، ويجد أن تحسين معدل البت وحده لا يعزز بالضرورة جودة التجربة (QoE). علاوة على ذلك، فإن التحديات المتمثلة في موازنة معدل البت والدقة وتفضيلات المستخدم في ظروف الشبكة المتقلبة تعقد أداء ABR. يؤكد البحث على الحاجة إلى إطار تحسين مدرك للمحتوى ومحرك اتخاذ قرار قوي يمكنه التكيف مع التغيرات الشبكية في الوقت الحقيقي، مما يؤدي في النهاية إلى تصميم نظام NeuroBA، الذي يهدف إلى تحسين QoE من خلال نهج نيروسي رمزي.
DOI: https://doi.org/10.1109/ton.2025.3650266
Publication Date: 2026-01-01
Author(s): Miaojiang Chen et al.
Primary Topic: Image and Video Quality Assessment
Overview
The section presents an overview of NeuroBA, an innovative adaptive bitrate (ABR) scheme that leverages neuro-symbolic deep reinforcement learning to enhance video streaming performance. Traditional intelligent ABR methods are hindered by their inability to incorporate logical reasoning and symbolic representations, which results in suboptimal bitrate adaptation and low sampling efficiency. NeuroBA addresses these limitations by training a neuro-symbolic deep network model that operates without assumptions about specific video scenes or predefined models, allowing for effective bitrate decision-making in uncertain and partially observable environments through knowledge-driven video quality perception expressed in symbolic first-order logic.
Additionally, the integration of Intelligent Reflecting Surface (IRS) technology is highlighted as a means to improve wireless signal performance by dynamically adjusting phase shifts, thereby enhancing network throughput. Empirical evaluations through trace-driven and real-world experiments demonstrate that NeuroBA significantly outperforms existing state-of-the-art ABR schemes, achieving an average Quality of Experience (QoE) improvement ranging from 16.58% (BOLA) to 25.34% (Fugu). Notably, NeuroBA excels in various edge video scenarios without relying on pre-programmed models or assumed network conditions, underscoring its robustness and adaptability in real-world applications.
Introduction
The rapid advancements in edge computing and the deployment of 4G/5G networks have significantly increased mobile video streaming, necessitating real-time video delivery through edge servers. However, the unpredictable and time-varying characteristics of network links present challenges for adapting services to a large number of edge devices. To address this, video streaming services have adopted a method of segmenting videos into chunks of 2-6 seconds, each encoded at varying resolutions, bit rates, and qualities. This segmentation allows edge devices to dynamically switch between different versions of video chunks.
Adaptive Bitrate (ABR) schemes play a crucial role in optimizing video quality under uncertain network conditions, such as fluctuating bandwidth and anticipated throughput. The primary objective of ABR is to select the most suitable video block that maximizes bitrate and enhances user experience (QoE) by leveraging historical data and predictive analytics. ABR schemes are generally classified into two categories: model-based and learning-based approaches, each offering distinct methodologies for bitrate selection in response to network variability.
Methods
In this section, the authors detail the experimental setup used to evaluate the Adaptive Bitrate (ABR) performance of their proposed method, NeuroBA, against several baseline algorithms. They utilized four public datasets—HSDPA, Oboe, HDFS, and FCC—to create 2000 traces for three of these datasets using a sliding-window scheme. The data was split into training (70%) and testing sets. Additionally, they compiled a collection of 650 videos from the SQoE-IV dataset, categorized into five genres: anime, games, science, animals, and travel, with a resolution of 3840×2160. These videos were further processed using FFmpeg to generate multiple resolutions (1080P, 720P, 576P, 480P, and 240P) and encoded with Variable Bitrate (VBR) to create varying duration blocks.
To assess NeuroBA’s performance, the authors compared it against six established baseline algorithms: BOLA, which employs a model-based approach to optimize buffering and video Quality of Experience (QoE); Pensieve, which utilizes an A3C architecture for adaptive streaming; Comyco, which leverages imitation learning for quality perception; RDladder, which incorporates multiple QoE indicators; DeepBuffer, focused on buffer adaptation; and Fugu, which employs supervised learning for model training. The distinguishing features of these ABR algorithms are summarized in Table I, providing a comprehensive overview of their respective methodologies and performance metrics.
Discussion
In the discussion of adaptive bitrate (ABR) schemes, the paper highlights the evolution from model-based to learning-based approaches. Model-based methods, such as FESTIVE, BBA, and BOLA, utilize various strategies to predict network throughput and optimize video quality based on buffer levels or utility maximization. In contrast, learning-based methods, exemplified by Pensieve and D-DASH, leverage reinforcement learning to adapt to dynamic network conditions, although they often struggle with generalization and performance under uncertainty. The proposed NeuroBA aims to address these limitations by integrating symbolic knowledge with neural network capabilities, enhancing decision-making in ABR systems.
The analysis of video characteristics reveals that traditional metrics like video bitrate do not adequately capture user experience, with newer metrics such as VMAF showing stronger correlations with perceived quality. The study employs the SQoE-IV dataset to investigate these correlations, finding that optimizing bitrate alone does not necessarily enhance quality of experience (QoE). Furthermore, the challenges of balancing bitrate, resolution, and user preferences in fluctuating network conditions complicate ABR performance. The paper emphasizes the need for a content-aware optimization framework and a robust decision-making engine that can adapt to real-time network variations, ultimately leading to the design of the NeuroBA system, which aims to optimize QoE through a neuro-symbolic approach.