多服务器下DASH服务的优化策略研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 背景和意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 本文研究内容 | 第18页 |
| 1.4 本文组织结构 | 第18-21页 |
| 第2章 相关技术介绍 | 第21-37页 |
| 2.1 流媒体传输技术 | 第21-25页 |
| 2.1.1 流媒体传输原理 | 第21-22页 |
| 2.1.2 流媒体传输协议 | 第22-25页 |
| 2.1.3 流媒体传输方式 | 第25页 |
| 2.2 DASH技术 | 第25-30页 |
| 2.2.1 DASH标准内容 | 第26-27页 |
| 2.2.2 DASH工作原理 | 第27-28页 |
| 2.2.3 DASH媒体表示 | 第28-30页 |
| 2.2.4 DASH分片格式 | 第30页 |
| 2.3 SDN网络 | 第30-34页 |
| 2.3.1 SDN主要特点 | 第30-32页 |
| 2.3.2 SDN技术架构 | 第32-34页 |
| 2.4 本章小结 | 第34-37页 |
| 第3章 基于SDN的DASH系统框架 | 第37-49页 |
| 3.1 问题描述 | 第37-38页 |
| 3.2 系统框架 | 第38-40页 |
| 3.2.1 方案概述 | 第38-40页 |
| 3.2.2 系统模块介绍 | 第40页 |
| 3.3 视频分片调度策略 | 第40-47页 |
| 3.3.1 服务器数目及视频块长度选取 | 第41-44页 |
| 3.3.2 视频分片请求调度算法 | 第44-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第4章 基于Q学习的客户端算法 | 第49-59页 |
| 4.1 Q学习算法 | 第49-53页 |
| 4.1.1 强化学习概述 | 第49-51页 |
| 4.1.2 Q学习概述 | 第51-53页 |
| 4.2 基于Q学习的码率自适应算法 | 第53-57页 |
| 4.2.1 回报函数 | 第53-54页 |
| 4.2.2 环境状态 | 第54-55页 |
| 4.2.3 动作集 | 第55页 |
| 4.2.4 值函数 | 第55-56页 |
| 4.2.5 探索策略 | 第56页 |
| 4.2.6 算法描述 | 第56-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第5章 实验仿真与分析 | 第59-71页 |
| 5.1 实验设计 | 第59-63页 |
| 5.1.1 实验流程 | 第59-60页 |
| 5.1.2 仿真参数设置 | 第60-62页 |
| 5.1.3 DASH系统实验过程 | 第62页 |
| 5.1.4 评价指标选择 | 第62-63页 |
| 5.2 实验结果与分析 | 第63-69页 |
| 5.3 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71-72页 |
| 6.2 未来展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第79页 |
