第 4 章 映像配信における消費電力推定モデル
4.3 提案モデルの検証
4.3.3 評価環境及び評価方法
39
40
本評価における過去に観測されたスループットデータ自信を直接用いる方法では、映像 配信時にセグメントを取得した際のスループットを用いる。但し、スループットの観測さ れない期間OFF phase時のスループットに関しては、OFF phase前後のON phaseで観 測されたスループットから平均値を算出し、その値を代用する。
確定的予測によるスループット予測方法
A) ユーザが立ち止まり映像を視聴する場合(Stay)
本評価におけるスループットの確定的予測では、過去のスループットデータによる平均値 or中央値を算出し、その値を予測値とする。
B) ユーザが移動しながら映像を視聴する場合(Move)
本評価におけるスループットの確定的予測では、過去のスループットデータによる100s ごとのの平均値or中央値を算出し、その値を予測値とする。
確率的拡散によるスループット予測方法
A) ユーザが立ち止まり映像を視聴する場合 (Stay)
本評価におけるスループットの確率的拡散予測は、下記の手順で行われる。
① 映像配信を開始してから最初30サンプル(=n)を予測用データとして取り出す。
② 取り出した予測用データを用いて、式(4.3.3)におけるμ及びσを式(4.3.10)(4.3.11)から 導出する。xを30サンプルの平均値、x(-k)を時間k 前に観測されたスループット値、
mを予測直前の10サンプルとする。
10
2
2
( ( ))
1 1
nk
k x n x
(4.3.10)2 1
0 1
0 2
1
0 1
0 1
0
) ) ( (
) ( ) ( ) ( ) (
m
k m
k
m
k m
k m
k
k k
m
k x k k
x k m
(4.3.11)③ 図4.3.1に示される赤線部である式(4.3.3)が②により求まり、本曲線を推定値とする。
④ tが大きくなる程、予測値の広がりが大きくなるため、図4.3.6のように上限値・下限 値を決定し、その後の値を一定とする。上限値は、予測データである30サンプル内の 最大のスループット、下限値は、最小のスループットとする。
このように将来のスループットの確率的な広がりを求めることで、通信品質が将来優良に なる場合と劣悪になる場合の状態所要時間、消費電力を推定することができる。また、本 評価において、ユーザの位置は固定されているため、スループットの拡散度合を示すαは 0.01と小さい値に設定する。
41
図4.3.6 Stay状態における確率的拡散予測手法
B) ユーザが移動しながら映像を視聴する場合 (Move)
本評価におけるスループットの確率的拡散予測は、下記の手順で行われる。
① 取り出した予測用データを用いて、映像配信を開始してから最初10サンプル(=n)を予 測用データとして取り出す。
② 取り出した予測用データを用いて、式(4.3.3)におけるμ及びσを式(4.3.10)(4.3.11)から 導出する。xは10サンプルの平均値、x(-k)を時間k 前に観測されたスループット値、
mは予測直前の10サンプルとする。
③ 図4.3.1に示される赤線部である式(4.3.3)が②により求まり、本曲線を推定値とする。
④ tが大きくなる程、予測値の広がりが大きくなるため、図4.3.7のように上限値・下限 値を決定し、その後の値を一定とする。上限値は、予測データである10サンプル内の
図4.3.7 Move状態における確率的拡散予測手法
42
最大のスループット、下限値は、最小のスループットとする。
⑤ 100 s経過後①から再度予測を繰り返す
⑥ このように将来のスループットの確率的な広がりを求めることで、通信品質が将来優 良になる場合と劣悪になる場合の状態所要時間、消費電力を推定することができる。
また、本評価において、ユーザが移動するシチュエーションでは、スループットが大 きく変動することが想定される。そこで、スループットの拡散度合を示すαは0.05と 小さい値に設定する。