HTTP動態自適應流技術中碼率選擇算法研究綜述

陳旭輝 楊紅云

摘 要：HTTP動態自適應流技術利用現有的內容分發網絡和互聯網基礎設施，部署方便、快捷，具有良好的防火墻穿透能力、NAT轉換功能，成為網絡視頻分發業務的主流技術。為保證媒體傳輸的流暢性，為用戶提供良好的用戶體驗質量（QoE），需要采用合理的碼率選擇算法，由此碼率自適應選擇算法成為研究熱點，大量新方法不斷涌現。對HTTP動態自適應流技術背景和概念進行了概述，從流媒體傳輸涉及的服務端和客戶端兩個決策實體出發，對大量方法進行了分類闡述，指出該領域存在的問題，對研究趨勢進行了展望。

關鍵詞：HTTP;動態自適應流;碼率選擇;算法分類

DOI：10. 11907/rjdk. 182449

中圖分類號：TP301

文獻標識碼：A文章編號：1672-7800（2019）005-0001-05

Abstract： The trend of video streaming， both in industry and academia， has significantly shifted towards HTTP adaptive streaming （HAS）， because HTTP packets can travel across firewalls and Network Address Translators without any restrictions. And HAS has become ubiquitous and accounts for a large amount of video delivery over the Internet nowadays. But since the Internet is prone to bandwidth variations， HASs up and down switching between different video bitrates to keep up with bandwidth variations leads to a reduction in Quality of Experience （QoE）. HAS solves these problems by applying an adaptation controller which selects the most appropriate video bitrate based on players conditions （e.g. buffer， screen resolution， etc.） and the underlying network conditions. Hence video bitrate selection is the key part to assure the QoE to users. A large number of adaption methods have been provided to support HAS. In this paper， we introduce the state-of-the-art of these methods and classify them into two parts of server-driven and client-driven and list some typical algorithms some researchers have proposed in each category. We hope our work can provide reference for related researchers to study further.

Key Words： HTTP; dynamic adaptive streaming; rate selection; algorithms classification

0 引言

隨著計算機網絡、移動通信和電子、微電子技術的飛速發展，視頻業務產生的流量在整個互聯網流量中所占的比重越來越大，思科公司發布的報告[1]指出，到2021年，視頻業務流量將占據全球互聯網數據流量的82%。目前，互聯網視頻流量已經占據互聯網數據流量的主導地位，并以10倍于其它應用流量的速度增長[2]。

HTTP動態自適應流技術（HAS）是一種流化和HTTP漸進式下載混合的媒體內容分發方法[3]。由于利用了現有的內容分發網絡和互聯網基礎設施，具有部署方便、快捷、良好的防火墻穿透能力和NAT轉換功能，成為視頻分發業務的主流技術。主流的互聯網視頻服務提供商如Netflix、Youtube、Microsoft、Apple、Adobe、Hulu、Vudu、Amazon等均采用該項技術對外提供視頻服務。2012，運動圖像專家組（MPEG）與3GPP合作，發布了HTTP動態自適應流（MPEG-DASH）國際標準[4]。該標準定義了HTTP服務端的媒體表示描述（MPD）格式和視頻分片（Segment）格式。然而MPD傳輸策略和分片中包含的媒體編碼格式以及客戶端請求數據的方式、客戶端視頻碼率選擇算法等，都不在該協議的定義范圍內。

為使流媒體系統完成流暢的視頻傳輸，同時達到更高的傳輸效率和更好的用戶體驗，不僅需要適當的流媒體傳輸協議，還需要采用合理的碼率自適應選擇機制。碼率自適應選擇是近年研究的熱點之一，大量新方法不斷涌現。為了對該類方法進行系統研究，筆者通過Google scholar、Springer、Elsevier以及CNKI等搜索了自2007年以來HAS相關文章，文獻[3-4]主要是HAS系統介紹，重點闡述DASH標準，而目前國內還未見專門針對HAS系統中碼率自適應選擇方面的綜述文章。國外的相關綜述 [5]主要圍繞HAS系統中用戶體驗質量QoE影響因素進行闡述，文獻[6]通過逆向工程，從代碼實現方面分析、比較了開源系統DASH-IF Player、DASH-Google Player、Bitmovin Player和商業流媒體系統Netflix Player中碼率自適應算法。本文在綜合分析現有文獻及系統基礎上，根據碼率自適應選擇策略實現主體不同，分別從客戶端驅動和服務端驅動兩個方面[7]闡述該領域當前主流的算法，特別是針對2007年以來客戶端驅動的碼率自適應選擇方法進行了較為系統、全面的研究和分類，對每類方法中的典型算法進行了闡述，最后討論了DASH系統中存在的主要問題。

1 HAS技術

基于HTTP的動態自適應流技術（HAS）是一種流化和HTTP漸進式下載（Progressive Downloaded）的混合分發方法[3]。在使用HTTP協議作為流傳輸標準基礎上，原始視頻被編碼為一系列比特率遞增的媒體副本，服務端或客戶端通過碼率切換技術[8]動態調整碼率，選擇與網絡可用帶寬和終端設備播放能力相匹配的媒體副本分片進行傳輸。這類技術屬于一種粗粒度自適應方法，不同質量的媒體副本需占用Web服務器額外的存儲空間。但由于該技術編碼為多種碼率的副本，因此在適應帶寬變化時無需要再編碼，具有最小化的處理器代價;同時，該技術不依賴于所采用的編解碼器特定功能？？，具有良好的編解碼器無關性[9]。

2 服務端驅動的碼率自適應選擇方法

服務端驅動方法（Server-Driven）由負責媒體內容分發的HTTP服務器作出碼率選擇決策，根據服務器端發送緩沖區大小[10]或客戶端反饋的播放緩沖區大小，測量服務器端與客戶端之間鏈路的網絡吞吐量及客戶端分辨率、處理能力等，由服務端選擇特定碼率媒體副本分片進行發送[11]。

文獻[10]針對直播應用，提出利用服務端緩沖區瞬時大小與預設閾值之差作為具有反饋回路的比例積分控制器，輸入質量自適應控制算法QAC，控制器的輸出為服務端發送緩沖區當前容量。該方法通過不斷調整服務端的發送緩沖區大小確定需要向客戶端發送的媒體副本的碼率，進而選擇相應碼率的媒體副本分片進行發送。圖2描述了基于QAC算法的流媒體服務器體系結構。

服務端驅動的碼率自適應選擇方法是一種“瘦客戶端，胖服務端”的方法，該方法降低了客戶端軟件開發的復雜度，簡化了客戶端軟件更新過程。然而，該類方法由于需要服務端單獨控制每個客戶端的發送緩沖區狀態信息，收集服務端與客戶端之間的網絡連接狀態信息等確定待發送的媒體副本碼率，增大了服務器的處理負載，導致系統可擴展性較差。同時，服務端驅動的碼率自適應方法需要修改Web服務器功能，需要得到網絡服務提供商的支持，增大了系統部署難度。因此，當前主流的流媒體分發系統主要采用基于客戶端驅動的碼率自適應選擇方法。

3 客戶端驅動的碼率自適應選擇方法

基于客戶端驅動的碼率自適應選擇方法（Client-Driven）指由客戶端進行碼率選擇決策的一類方法的總稱。在該類方法中，客戶端根據自身播放設備能力和網絡帶寬狀況實時調整請求的媒體質量級別，向服務器發送HTTP請求，以下載不同質量等級的文件分片。當客戶端播放緩存達到初始播放閾值時，客戶端開始邊播放邊下載后續視頻分片。這種允許客戶端根據播放緩沖區大小、客戶端與服務器之間鏈路的可用帶寬，以自身播放能力等作為依據動態選擇視頻碼率的方法，不僅有效降低了播放過程中出現重緩沖的次數，提升了播放的流暢性，實現了多媒體內容的無縫傳送[3]，而且有效降低了服務器端的處理負載，更加靈活地為動態網絡環境下異構設備用戶提供無間斷視頻流服務提供了技術保證，成為當前互聯網視頻傳輸的主流技術。

客戶端驅動的碼率自適應選擇方法，一般分為基于吞吐量評估的方法[12-19]、基于緩沖區容量控制的方法[10，21-24]、基于吞吐量評估和緩沖區容量的混合控制方法[2，8，25，29，32-34]等。

3.1 基于吞吐量評估的方法

基于吞吐量評估的方法是一種最自然最直接的方法，在早期系統[12-13]中廣泛采用?；谕掏铝吭u估的方法又叫基于速率（rate-based）或基于可用帶寬估計方法，是客戶端使用已下載的視頻分片估計服務器與客戶端之間端到端網絡吞吐量，進而確定下一視頻分片需選擇的碼率。該類方法主要包括端到端網絡可用帶寬估計和確定媒體分片碼率兩個重要組成部分。

端到端可用帶寬估計方法，通過利用已下載視頻分片的瞬時吞吐量或采用加權平均[14]，如指數移動加權平均（EWMA）、Support Vector Regression（SVR），Multi-Layer Perceptron（MLP）、Kaufman自適應移動平均（KAMA）、調和平均[15]等方法，將計算接收到的多個數據分片的平均吞吐量作為網絡可用帶寬的估計來表征網絡狀態，并決定下一個選擇的數據分片比特率。文獻[15]采用調和平均的方法，使用過去下載的20個視頻分片的吞吐量預測鏈路的可用帶寬進而確定視頻分片的碼率。文獻[16]使用已下載的最后一個視頻分片的瞬時吞吐量評估可用帶寬，由于網絡的短時抖動特征，導致客戶端接收到的視頻質量抖動問題嚴重。文獻[17]提出使用媒體分塊時長MSD與單個分塊獲取時間（SFT）的比值評估帶寬的變化，并與預設的閾值進行比較實現階梯式向上/急速向下切換碼率的選擇算法。文獻[18]在文獻[17]串行分片碼率選擇基礎上，提出并行的分片碼率選擇算法，通過期望分塊獲取時間（ESFT）與測量的分塊獲取時間（MSD）的比值探測網絡擁塞和空閑網絡容量，實現從多個CDN代理服務器同時獲取不同數據分塊的目的，提升系統傳輸效率和媒體服務質量。文獻[19]采用分片碼率和分片持續時長的乘積與分片實際下載時長的比值評估TCP的吞吐量大小，并將碼率選擇過程建模，提出探測—自適應的PANDA碼率自適應算法。通過不斷探測網絡吞吐量的變化，采用加性增長/乘性降低的方式進行估計，并經過平滑、量化和調度的過程實現自適應媒體播放。

基于吞吐量評估的方法主要建立在帶寬估計基礎上[20]。帶寬評估準確性是該類方法面臨的挑戰。而帶寬估計不準確會導致客戶端選擇的速率出現螺旋式下降現象[21]，以及用戶緩沖區下溢導致的緩沖播放中斷問題[17-18]。文獻[21]在分析緩沖區和視頻碼率相關關系基礎上，指出基于帶寬評估的碼率選擇算法會導致不必要的重緩沖事件和次優的視頻質量，而碼率自適應選擇的目的是控制播放端緩沖大小，進而避免不必要的重緩沖。因此碼率選擇可以完全不用評估客戶端的可用帶寬，只需要控制緩沖區占用情況即可。

3.2 基于緩沖區容量控制方法

為實現播放過程的平滑性，基于緩沖區反饋方法將客戶端的播放緩沖區劃分為幾個區域。根據播放緩沖區當前所處區域的不同，采取相應的控制策略以選擇視頻分片碼率。這類方法的目的是保持播放端緩沖區占有量在一個預先規定的水平，在降低播放端重緩沖率的同時提升視頻播放質量和用戶體驗質量。

Akamai HD服務系統是最早采用客戶端驅動方法的HTTP自適應流分發系統之一[10]。文獻[10]在對Akamai HD服務系統性能測試的基礎上，分析了Akamai HD系統碼率自適應方法，指出在Akamai HD系統中，客戶端存在兩類閉環控制系統：基于緩沖區大小的比例控制器和基于啟發式算法的流切換邏輯控制器。文獻[22]提出一種基于緩沖區的碼率切換算法。該算法將緩沖區劃分為重置區域、下溢區域、均衡區域、上溢區域4個區域，利用滑動窗分析窗內分片的下載時間。根據當前的緩存狀態和網絡帶寬情況采用不同的選擇策略：當碼率上調時采用保守策略逐級增加，當碼率下調時根據邏輯斯諦方程決定減少的幅度;如果視頻緩存低于重置閾值時，采用激進策略即立刻將碼率調整至最小質量層碼率以保證播放流暢。文獻[26]針對車載環境下媒體傳輸，提出根據緩沖區占有情況設置不同帶寬系數，系數隨著緩沖區占有量的增加而增加，下一個視頻分片的碼率由上一個分片碼率和緩沖區系數共同決定。

HTTP自適應流技術需要在降低視頻中斷頻率和提升視頻播放質量之間進行折中。文獻[23]首次從理論上證明基于緩沖的方法在實踐中能取得播放流暢性和播放質量最優的性能。使用平均視頻比特率和播放平滑度作為兩個評價指標，建模碼率選擇問題為效用最大化問題，提出在線控制BOLA算法。該算法使用Lyapunov優化技術，在最小化重緩沖率的同時最大化優化視頻質量。文獻[24]提出使用預先計算的緩沖映射找到最高可用的視頻分片碼率進行下載，避免播放中斷?；诰彌_的方法對于可用帶寬的變化反應遲緩。單純基于緩沖反饋的方法需預先設定客戶端播放緩沖區大小的閾值，而如何確定緩沖區閾值又較為復雜。

3.3 混合控制方法

單純基于吞吐量評估的方法，由于網絡可用帶寬估計不準確，導致頻繁播放停滯[25];而單純基于緩沖區容量控制的方法，不能根據帶寬的實時變化切換視頻碼率，存在切換滯后問題。同時基于緩沖區容量控制的方法中，緩沖區劃分的閾值很難確定?；旌峡刂频淖赃m應方法能夠綜合考慮網絡帶寬、播放緩沖等多個參數，及時、較為準確地反映當前網絡狀態和客戶端情況[26]。

文獻[25]在分析基于帶寬評估的SF算法[27]存在“毛刺”現象和基于緩沖區算法[26]造成碼率頻繁切換以及緩沖區閾值難以確定問題后，提出利用過去一組下載的視頻分片的網絡帶寬標準差計算SF算法中參數p的改進SF算法。在緩沖區控制方面，提出加入兩個閾值qmin和qmax 的緩沖區控制策略并將二者結合起來，根據播放緩沖區容量處于不同閾值范圍采取不同的控制策略。

文獻[8]在分析文獻[9]PANDA算法和基于帶寬評估算法[32]的基礎上，提出混合控制算法CBB，通過改進文獻[28]的網絡帶寬預測方法，采用“探測”+歷史視頻分片的方式計算網絡吞吐量。同時，將緩沖狀態作為構建平滑因子的關鍵參數，利用緩沖狀態和網絡帶寬的關系確定調度時機，使得緩沖區處于較為均衡狀態，以在播放平滑性和播放質量之間取折中。

文獻[29]指出，當前碼率自適應算法主要建立在碼率相同的分片及片長相同的假設條件下進行帶寬估計，而實際系統由于編碼方式不同，碼率相同的視頻分片其分片長度一般不同[30]，因此，很難預測下載下一個視頻分片的時長。為此，作者提出片長感知的碼率選擇算法SARA。通過綜合考慮分片大小變化、評估的網絡路徑帶寬和當前緩沖占有情況精確預測下一個分片下載的時長。此方法緩沖區通過3個閾值劃分為4個區域，分別為快啟動區，使用最小視頻碼率;加性增長區，分片碼率增加一個級別;快速增長區，其分片碼率為小于評估的吞吐量的最大副本碼率;延遲下載區，其分片在延遲一段時間后下載。

文獻[31]分析指出，當前使用緩沖區控制進行碼率選擇的大多數算法劃分緩沖區的閾值是固定的。固定數值在不同的服務器和客戶端設置中會影響算法性能。因此，作者提出根據分片時長、緩沖區占有大小和可用視頻碼率動態選擇緩沖區閾值，進而確定視頻分片碼率，以確保下載高質量視頻的同時避免播放中斷。

隨著控制理論、人工智能技術的發展，碼率選擇過程越來越智能。文獻[2，32]將模糊控制理論、文獻[33]將PID控制器應用到碼率決策過程中;文獻[34]使用模型預測控制算法選擇碼率以達到最大的用戶體驗質量目標。文獻[11]提出利用人工智能技術方案Pensieve，該方案借助增強學習方法，收集客戶端播放過程的各種數據，由服務端訓練一個神經網絡模型并預測視頻分片碼率，以便在多種網絡狀況下選擇最佳數據傳輸比特率。但是該方法采用離線數據訓練方式，速率選擇模型部署到系統中在單個周期內不會改變，這種周期性數據更新方式難以適應客戶端狀態極端變化的情況。為此，作者提出在客戶端以在線方式進行模型訓練的方法。

4 碼率選擇方法存在的問題及研究趨勢

4.1 碼率分配公平性、穩定性和有效性問題

HTTP自適應流技術的特點在于能根據服務端與客戶端帶寬的動態性，自適應調整服務端向客戶端發送媒體的速率。然而，單個流媒體客戶端獨立進行速率選擇無法獲得全局帶寬使用狀態，當多流競爭瓶頸帶寬時，現有主流解決方案如微軟的Smoothing Streaming（SS）、Apple的HTTP Living Streaming（HLS）和Adobe的HTTP Dynamic Streaming（HDS）中采用的基于帶寬估計的方法，由于帶寬估計不準確，測量的TCP吞吐量與網絡實際可用容量并不匹配。當帶寬估計過高時，選擇超過帶寬承受能力的速率會導致傳輸鏈路發生擁塞，播放端同時將請求比特率降低，導致速率變化，播放過程不穩定;而當帶寬估計過低時，導致網絡帶寬利用率降低。因此，隨著視頻應用的不斷增多，用戶規模不斷增大，互聯網上并發傳輸的自適應視頻流數量激增，多個自適應流播放器共享網絡瓶頸帶寬（用戶最后一英里的存在，CDN網絡邊緣服務器都有可能成為分發的瓶頸）的情況越來越普遍，如何解決多流帶寬分配的不公平、視頻抖動以及帶寬利用率低的問題，成為HTTP自適應流媒體技術大規模應用推廣必須解決的一個關鍵且緊迫的問題。

4.2 多服務器環境下服務節點選擇與碼率決策問題

HTTP自適應流媒體系統構建在現有的互聯網基礎設施之上，充分利用內容分發網絡（CDN）提供的緩沖、轉發策略協助Web視頻源服務器進行視頻的分發，加速媒體內容的傳輸，降低骨干網流量。因此，動態選擇離客戶端網絡距離最短且負載最輕的代理緩沖服務器，是播放端提升視頻質量、降低骨干網流量的關鍵。然而，現有的HTTP自適應流分發技術的研究工作主要建立在單服務器的假設條件下，屏蔽了CDN網絡內部代理服務器的選擇問題。文獻[35]通過網絡主動測量方式，對美國最大的視頻服務提供商Netflix所使用的體系架構和服務策略進行研究，發現Netflix的客戶端總是從一個CDN的代理服務器處獲取數據，而只有當與該CDN代理服務器的連接無法滿足最低速率要求時，才切換到其它等級的CDN服務器。同時，Netflix中每個CDN代理服務器的等級與用戶賬號進行綁定，長期保持不變，即使用戶地理位置發生變化也不能激發CDN等級的改變。文獻[33]在研究單服務器下速率選擇策略基礎上，研究了多服務器環境下速率選擇問題，指出根據代理服務器負載變化、與用戶網絡距離動態調整代理服務器的必要性。由于不同的CDN代理服務器的平均帶寬在不同地理位置是不同的，在不同的時間也不同，因此如何在給定的時間點選擇服務性能最好的單個CDN代理服務器下載視頻，成為提升HTTP自適應流媒體分發系統服務質量的一個關鍵問題。

以上研究主要集中在單服務器模式下客戶端碼率自適應選擇方法研究上。然而，由于網絡的動態性，單個服務節點失效或性能下降都會引起客戶端接收視頻質量的下降。而分布式DASH系統較好地解決了單點失效或性能下降問題。在分布式DASH系統中，多個Web服務器存儲相同的視頻內容，客戶端可從多個服務器中選擇一個或同時向多個服務器發送請求并下載視頻分片。相對于單服務器模式，多服務器模式能夠提供更高的帶寬、更好的鏈路多樣性和可靠性，逐步成為當前媒體分發采用的一種主流方式并逐漸得到內容分發網絡（CDN）的支持。然而，在這種多服務器模式下，由于服務器之間帶寬的異構性以及鏈路的動態性，如何從多個候選Web服務器中選擇性能優良的服務器作為服務節點提供數據服務，并根據網絡狀態的變化，及時、動態調整數據請求的服務節點，以及如何根據多個服務節點確定視頻分片碼率，以保證用戶觀看視頻體驗質量（QoE），是分布式DASH系統亟待解決的問題。

5 結語

HTTP自適應流技術是互聯網視頻分發的主流技術，而碼率選擇算法是該技術的核心。如何保證流媒體分發過程的用戶體驗質量（QoE）一直是研究的重點。本文從碼率決策實體出發，分別闡述了服務端和客戶端驅動的碼率選擇算法現狀，特別針對主流媒體服務商使用的客戶端驅動算法進行了細化，從帶寬評估、緩沖區容量控制等方面介紹了主流研究成果，同時指出了HAS系統中存在的問題，為進一步深化該領域的研究工作提供參考。

參考文獻：

[1] CISCO NETWORK. Cisco visual networking index： forecast and methodology[EB/OL]. https：//www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/complete-white-paper-c11-481360.pdf.

[2] SOBHANI A，YASSINE A，SHIRMOHAMMADI S. A video bitrate adaptation and prediction mechanism for HTTP adaptive streaming[J]. Acm Transactions on Multimedia Computing Communications & Applications，2017，13（2）：18-23.

[3] 朱曉晨，沈蘇彬. 基于HTTP 的動態自適應流技術綜述[J]. 系統仿真學報，2013，25（11）：2522-2529.

[4] ISO/IEC. Information technology dynamic adaptive streaming over HTTP （dash） — part 1： media presentation description and segment formats[EB/OL]. http：//standards.iso.org/ittf/PubliclyAvailableStandards/c057623_ISO_IEC_23009-1_2012.zip.

[5] SEUFERT M， EGGER S， SLANINA M， et al. A survey on quality of experience of http adaptive streaming[J]. ?IEEE Communications Surveys & Tutorials， 2015， 17（1）：469-492.

[6] AYAD I， IM Y， KELLER E， et al. A practical evaluation of rate adaptation algorithms in HTTP-based adaptive streaming[J]. ?Computer Networks， 2018（133）：90-103.

[7] AKHSHABI S，NARAYANASWAMY S，CBEGEN A，et al. An experimental evaluation of rate-adaptive video players over HTTP[J]. Image Communication，2012，27（4）： 271-287.

[8] 熊麗榮，雷靜之，金鑫. 基于Q-learning的HTTP自適應流碼率控制方法研究[J]. 通信學報， 2017，38（9）：18-24.

[9] LIU X，DOBRIAN F，MILNER H，et al. A case for a coordinated internet video control plane[C]. ?Proceedings of the ACM SIGCOMM Conference on Applications， Technologies，Architecture and Protocols for Computer Communication， 2012：359-370.

[10] LUCA DE CICCO，SAVERIO MASCOLO，VITTORIO PALMISANO. Feedback control for adaptive live video streaming[C]. ?Proceedings of the second annual ACM conference on Multimedia systems （MMSys '11），2011：145-156.

[11] MAO H，NETRAVALI R，ALIZADEH M. Neural adaptive video streaming with pensieve[C]. ?Conference of the ACM Special Interest Group on Data Communication， 2017：197-210.

[12] ZAMBELLI A. IIS smooth streaming technical overview. microsoft corporation[EB/OL]. http：//download.microsoft.com/download/4/2/4/4247C3AA-7105-4764-A8F9-321CB6C765EB/IIS_Smooth_ Streaming_Technical_Overview.pdf.

[13] LIU C H， IMED BOUAZIZI， MONCEF GABBOUJ. Rate adaptation for adaptive HTTP streaming[C]. ?Proceedings of the second annual ACM conference on Multimedia systems （MMSys '11），2011：169-174.

[14] BOUTEN N，SCHMIDT R D O，FAMAEY J，et al. QoE-driven in-network optimization for adaptive video streaming based on packet sampling measurements[J]. ?Computer Networks， 2015（81）：96-115.

[15] JIANG J，SEKAR V，ZHANG H. Improving fairness， efficiency， and stability in HTTP-based adaptive video streaming with festive[C]. IEEE CoNEXT， Nice，France，December 10-13，2012：97-108.

[16] ROMERO L R. A dynamic adaptive http streaming video service for Google Android[J]. Communication Systems Cos，2011（2）：156-159.

[17] CHENGHAO LIU，IMED BOUAZIZI，MONCEF GABBOUJ. Rate adaptation for adaptive http streaming[C]. Proceedings of the Second Annual ACM Conference on Multimedia Systems （MMSys '11），2011：169-174.

[18] LIU C H，BOUAZIZI I，GABBOUJ M. Parallel adaptive http media streaming[C]. 2011 Proceedings of 20th International Conference on Computer Communications and Networks （ICCCN），2011：1-6.

[19] LI Z，ZHU X Q， JOSH GAHM，et al. Probe and adapt： rate adaptation for HTTP video streaming at scale[J]. IEEE Journal on Selected Areas in Communications，2014（6）：33-39.

[20] GRAF M，MUELLER C. Towards bandwidth efficient adaptive streaming of omnidirectional video over HTTP： design， implementation， and evaluation[C]. ?ACM on Multimedia Systems Conference. ACM， 2017：261-271.

[21] TE Y H，JOHARI R，MCKEOWN N. Downton abbey without the hiccups： buffer-based rate adaptation for http video streaming[C]. ?Proceedings of the 2013 ACM SIGCOMM workshop on Future human-centric multimedia networking （FhMN '13），2013：9-14.

[22] 潘鵬程，李國平，王國中. 基于HTTP的流媒體自適應碼率切換算法[J]. 電子測量技術，2017， 40（9）：141-145.

[23] SPITERI K，URGAONKAR R， SITARAMAN R K. BOLA： near-optimal bitrate adaptation for online videos[C]. ?IEEE International Conference on Computer Communications （INFOCOM 2016）， IEEE， 2016：1-9.

[24] BEBEN A， BATALLA J M， KRAWIEC P. ABMA+： lightweight and efficient algorithm for HTTP adaptive streaming[C]. Klagenfurt：International Conference on Multimedia Systems，2016.

[25] 靳雁霞，馬光遠，雷海衛. 基于DASH的混合控制碼率算法[J]. ?計算機應用，2017，37（10）：2907-2911.

[26] MULLER C，LEDERER S，TIMMERER C. An evaluation of dynamic adaptive streaming over HTTP in vehicular environments[C]. Movid 2012：Proceedings of the 4th Workshop on Mobile Video，2012：37-42.

[27] THANG T C，HO Q D，KANG J W， et al. Adaptive streaming of audiovisual content using MPEG DASH[J]. ?IEEE Transactions on Consumer Electronics， 2012， 58（1）：78-85.

[28] HESSE S. Design of scheduling and rate-adaptation algorithms for adaptive HTTP streaming[C]. SPIE Optical Engineering + Applications，2013.

[29] JULURI P，TAMARAPALLI V，MEDHI D. SARA： segment aware rate adaptation algorithm for dynamic adaptive streaming over HTTP[C]. ?London：Proceedings of IEEE International Conference on Communication Workshop，2015：1765-1770.

[30] HUANG T Y， JOHARI R， MCKEOWN N， et al. A buffer-based approach to rate adaptation： evidence from a large video streaming service[C]. ACM Conference on SIGCOMM. ACM， 2014：187-198.

[31] RAHMAN W U，CHUNG K. A novel adaptive logic for dynamic adaptive streaming over HTTP[J]. Journal of Visual Communication & Image Representation， 2017， 49（1）：2214-2220.

[32] VERGADOS D J，MICHALAS A，SGORA A，et al. FDASH： a fuzzy-based MPEG/DASH adaptation algorithm[J]. IEEE Systems Journal， 2016， 10（2）：859-868.

[33] TIAN G B， LIU Y. Towards agile and smooth video adaptation in dynamic HTTP streaming[C]. ?Proceedings of the 8th international conference on Emerging networking experiments and technologies （CoNEXT '12）， 2012：109-120.

[34] YIN X， JINDAL A， SEKAR V， et al. A control-theoretic approach for dynamic adaptive video streaming over HTTP[C]. ACM Conference on Special Interest Group on Data Communication. ACM， 2015：325-338.

[35] ADHIKARI V K，GUO Y，HAO F，et al. Unreeling netflix： understanding and improving multi-CDN movie delivery[C]. Proceedings of the IEEE INFOCOM，2012：1620-1628.

（責任編輯：杜能鋼）