GAZELLE: An Enhanced Random Network Codingbased Framework for Efficient P2P Live VideoStreaming over Hybrid WMNs
محل انتشار: کنفرانس بین المللی پژوهش در علوم و مهندسی
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 549
فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICRSIE01_684
تاریخ نمایه سازی: 25 آذر 1395
چکیده مقاله:
Although Peer-to-Peer (P2P) live video streaming over wireless mesh networks (WMNs) is to beconsidered a promising technology, some important challenges such as interference, mobility andlimited available resources in gadgets (e.g. Smartphones and Tablets) can considerably reduce theirperceived video quality. GREENIE and MATIN, in our previous studies, provided efficient routingprotocol in WMNs and video streaming method based on random network coding (RNC),respectively. Therefore, their integration in the form of anenhancedframework,named GAZELLE,can considerably increase the video quality on these gadgets by decreasing theamount of videodistortion, dependency distortion, initial start-up and end-to-end delays. Findings using a precisesimulation in OMNET++ show that GAZELLE noticeably outperforms other frameworks. GAZELLEnot osnly considerably decreases the imposed computational complexity and transmission overheaddue to using RNC, it also efficiently routes video packets in which gadgets require neither high batteryenergy sources nor high CPU power
کلیدواژه ها:
نویسندگان
Behrang Barekatain
Faculty of Computing Engineering, Islamic Azad University, Najafabad Branch, Najafabad,Iran
Dariush KhezriMotlagh
Faculty of Economics and Administration, University of Malaya, Malaysia
Mohd Aizaini Maarof
Faculty of Computing, Universiti Teknologi Malaysia, JB, Malaysia
Alfonso ArizaQuintana
Dpto Tecnología Electrónica, E.T.S.I, Telecomunicación, University of Malaga, Malaga,Spain
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :