基于模仿学习的决策树码率自适应算法研究

摘要：

码率自适应(ABR)算法是提升流媒体服务质量的有效方法,主要分为启发式算法和基于学习的算法两类.传统的启发式算法基于固定的规则,难以应对多变的网络环境,基于深度强化学习的算法映射表达能力较好,但其鲁棒性不佳且可解释性较差.针对上述问题,提出一种基于模仿学习的决策树码率自适应算法ABRTree.针对帧级别直播传输系统设计有效的专家ABR算法,并对专家算法的时序经验数据进行离散化处理.采用分类回归树作为码率决策的基础模型,基于专家算法给出的示例数据,采用DAgger算法进行决策树的训练.在此基础上,通过剪枝操作剔除出现较少的样本,从而提升决策树模型的泛化性.实验结果表明,ABRTree在多种视频场景下均能保证画面质量,同时取得较低的端到端延时和较少的卡顿,相比BBA、HYSA和FrameMPC算法,ABRTree算法的QoE性能可以提升1.0％～29.1％,且决策树模型能够直观表达输入特征与码率决策之间的关系,具有较好的可解释性和映射表达能力.

关键词：HTTP自适应流媒体、码率自适应算法、决策树、模仿学习、流媒体直播

所属期刊栏目：49

分类号：TP37(计算技术、计算机技术)

资助基金：国家自然科学基金61971382

在线出版日期：2023-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：206-214