随着物联网技术的发展,目前的物联网系统产生的数据量越来越多,这些数据持续不断的传输到数据中心,传统的物联网数据处理分析系统效率低下且无法处理数量如此庞大的数据流.另外,物联网智能设备存在资源受限的特性,在分析数据时这一特性是不可忽略的.提出一种适用于物联网实时数据流处理的新架构ApproxECIoT(approximate edge computing Internet of Things),实现了一种自调整分层采样算法,用于处理物联网系统中产生的实时数据流.该算法在维持已给出的资源预算不变的情况下,根据每层方差的大小进行样本层内大小的调整,这对于资源有限的情况下提高计算结果准确度是非常有益的.最后使用模拟数据流和真实数据流进行实验分析,结果表明ApproxECIoT在边缘节点资源有限的情况下,仍能获得具有较高准确度的计算结果.
由于网络环境的多变性,视频播放过程中容易出现卡顿、比特率波动等情况,严重影响了终端用户的体验质量.为优化网络资源分配并提升用户观看体验,准确评估视频质量至关重要.现有的视频质量评价方法主要针对短视频,普遍关注人眼视觉感知特性,较少考虑人类记忆特性对视觉信息的存储和表达能力,以及视觉感知和记忆特性之间的相互作用.而用户观看长视频的时候,其质量评价需要动态评价,除了考虑感知要素外,还要引入记忆要素.为了更好地衡量长视频的质量评价,本文引入深度网络模型,深入探讨了视频感知和记忆特性对用户观看体验的影响,并基于两者特性提出长视频的动态质量评价模型.首先,本文设计主观实验,探究在不同视频播放模式下,视觉感知特性和人类记忆特性对用户体验质量的影响,构建了基于用户感知和记忆的视频质量数据库(Video Quality Database with Perception And Memory,PAM-VQD);其次,基于PAM-VQD数据库,采用深度学习的方法,结合视觉注意力机制,提取视频的深层感知特征,以精准评估感知对用户体验质量的影响;最后,将前端网络输出的感知质量分数、播放状态以及自卡顿间隔作为三个特征输入长短期记忆网络,以建立视觉感知和记忆特性之间的时间依赖关系.实验结果表明,所提出的质量评估模型在不同视频播放模式下均能准确预测用户体验质量,且泛化性能良好.
暂无评论