低级拥塞控制统计数据解释
低级拥塞控制统计数据（low-level congestion-control statistics）指的是与网络传输中拥塞控制相关的具体参数和信号。在学术论文中，这些统计数据通常包括与传输控制协议（TCP）相关的各种指标，例如：
- 往返时间（RTT，Round Trip Time）：数据包从发送方到接收方并返回所需的时间。
- 拥塞窗口大小（CWND，Congestion Window）：TCP协议中用于控制发送数据量的窗口大小，反映当前网络的拥塞状态。
- 飞行中的数据包数量（packets in flight）：当前正在传输中的数据包数量。
- TCP估计的吞吐量（tcpi_delivery_rate）：TCP协议估计的数据传输速率。
- 最小RTT（min RTT）：网络连接中的最小往返时间。
这些低级拥塞控制统计数据通常由网络协议栈（如Linux的tcp_info结构）提供，反映了当前网络连接的拥塞状态和性能。在自适应比特率（ABR）算法中，这些统计信息被用作输入信号，以帮助算法更准确地预测视频分片的传输时间，从而优化视频质量和服务质量（QoE）。
在论文《Learning in situ: a randomized experiment in video streaming》中，Fugu算法的传输时间预测器（TTP）利用了这些低级拥塞控制统计数据，结合其他信号（如过去传输时间、分片大小等），通过深度神经网络预测视频分片的传输时间，从而实现更高效的自适应视频流传输。
性能指标缩写
这个表格展示了在2019年1月26日至8月7日以及8月30日至10月16日期间，主要实验的结果。表格中比较了五种不同的自适应比特率（ABR）算法的性能，包括Fugu、MPC-HM、BBA、Pensieve和RobustMPC-HM。
表格结构
- Algorithm（算法）：列出了参与比较的五种ABR算法。
- Time stalled（停滞时间）：表示视频播放过程中由于缓冲区不足而停滞的时间比例。较低的停滞时间表示更好的性能。
- Mean SSIM（平均SSIM）：表示视频质量的平均值，用SSIM（结构相似性指数）衡量。较高的SSIM表示更好的视频质量。
- SSIM variation（SSIM变化）：表示视频质量的波动情况，也用SSIM衡量。较低的SSIM变化表示视频质量更稳定。
- Mean duration（平均持续时间）：表示用户在网站上观看视频的平均时间。
数据解读
- Time stalled（停滞时间）：
- Fugu的停滞时间为0.13%，意味着在观看过程中，只有1.3%的时间视频会因为缓冲区不足而停滞。
- MPC-HM的停滞时间为0.22%，略高于Fugu。
- BBA的停滞时间为0.19%，接近Fugu。
- Pensieve的停滞时间为0.17%，也是一个较低的值。
- RobustMPC-HM的停滞时间为0.12%，是所有算法中最低的，表现最好。
- Mean SSIM（平均SSIM）：
- Fugu的平均SSIM为16.64 dB，是所有算法中最高的，表示Fugu能够提供最高的视频质量。
- MPC-HM的平均SSIM为16.61 dB，略低于Fugu。
- BBA的平均SSIM为16.56 dB，也略低于Fugu。
- Pensieve的平均SSIM为16.25 dB，明显低于Fugu和其他三种算法。
- RobustMPC-HM的平均SSIM为16.01 dB，是所有算法中最低的，表示其视频质量相对较低。
- SSIM variation（SSIM变化）：
- Fugu的SSIM变化为0.74 dB，表示视频质量的波动较小。
- MPC-HM的SSIM变化为0.79 dB，略高于Fugu。
- BBA的SSIM变化为1.11 dB，高于Fugu和MPC-HM。
- Pensieve的SSIM变化为1.05 dB，也高于Fugu和MPC-HM。
- RobustMPC-HM的SSIM变化为0.98 dB，低于BBA和Pensieve，但高于Fugu和MPC-HM。
- Mean duration（平均持续时间）：
- Fugu的平均持续时间为33.6分钟，是所有算法中最高的，表示用户在使用Fugu时观看视频的时间更长。
- MPC-HM的平均持续时间为30.8分钟，略低于Fugu。
- BBA的平均持续时间为32.1分钟，接近Fugu。
- Pensieve的平均持续时间为31.6分钟，也接近Fugu。
- RobustMPC-HM的平均持续时间为31.0分钟，是所有算法中最低的。
从表格中的数据可以看出，Fugu在平均SSIM和平均持续时间方面表现最好，能够提供最高的视频质量和最长的观看时间。然而，RobustMPC-HM在停滞时间方面表现最好，能够显著减少视频停滞的情况。其他算法如MPC-HM、BBA和Pensieve在各方面的性能介于Fugu和RobustMPC-HM之间。这些结果有助于研究者了解不同ABR算法在实际应用中的表现，并进一步优化和改进这些算法。
CS2P 和 Oboe
以下是关于CS2P、Oboe和马尔可夫过程的解释：
- CS2P：
- CS2P是一种自适应比特率（ABR）算法，用于视频流传输中的比特率选择。它通过将用户按相似性分组，并将吞吐量的变化建模为马尔可夫过程，来预测未来的网络状况。这种方法允许CS2P在不同的网络条件下做出更准确的比特率选择，从而优化视频质量。
- Oboe：
- Oboe是一种用于检测网络路径状态变化的算法。它使用与CS2P相似的模型，通过监测网络状态的变化来调整ABR策略。Oboe的目标是通过检测网络状态的变化，动态地优化视频流传输的性能。
- 马尔可夫过程：
- 马尔可夫过程是一种概率模型，描述了一个系统的状态转移过程，其中每个状态的转移仅依赖于当前状态，而不考虑过去的状态。在CS2P中，吞吐量的变化被建模为马尔可夫过程，这意味着每个状态的变化只依赖于前一个状态，从而简化了模型并提高了预测的效率。
总结来说，CS2P和Oboe都是基于马尔可夫过程的算法，用于优化视频流传输中的比特率选择和网络状态检测。
CS2P 和 Oboe 都是基于模型预测控制（MPC）的自适应比特率（ABR）算法，它们都包含吞吐量预测器和一个预测模型。吞吐量预测器的作用是预测未来的网络吞吐量，这些预测结果会被输入到 MPC 的预测模型中，用于估计未来的缓冲区占用率和用户质量体验（QoE）。
具体来说，CS2P 和 Oboe 的吞吐量预测器会根据当前和过去的网络状态，预测未来的吞吐量变化。这些预测结果会被用来模拟未来一段时间内的网络条件，从而帮助 MPC 控制器规划未来的视频分片选择策略。通过这种方式，吞吐量预测器间接地影响了对缓冲区占用率和 QoE 的预测。
需要注意的是，CS2P 和 Oboe 的吞吐量预测器在实现上有所不同。CS2P 使用了一种基于聚类和马尔可夫链的模型来预测吞吐量，而 Oboe 则使用了一种基于状态检测的模型。尽管它们的预测方法不同，但它们都旨在提供对未来网络条件的准确估计，从而帮助 MPC 控制器做出更优的决策。
总结来说，CS2P 和 Oboe 的吞吐量预测器确实会告诉预测模型将来的缓冲区占用率和 QoE，这是它们作为 MPC 算法的一部分实现自适应比特率控制的核心机制。
TTP vs 传统吞吐量预测
| 维度 | TTP | 传统方法 |
|---|---|---|
| 输入特征 | 原始TCP状态+块大小 | 滑动平均吞吐量 |
| 输出形式 | 概率分布 | 单点估计 |
| 适应能力 | 动态网络响应快 | 对突变滞后 |
| 长尾处理 | 显式建模 | 通常忽略 |
