{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2963398"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2963398","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"ML-based Adaptive Video Streaming techniques for 5G and beyond mobile data networks","abstract":"Μια εφαρμογή τεχνητού νευρωνικού δικτύου για προσαρμοστική ροή βίντεο έχει χρησιμοποιηθεί και μελετηθεί για αρκετά χρόνια. Ωστόσο, για ορισμένες εφαρμογές, είναι ακόμη υπό ανάπτυξη και έχουν γίνει μια από τις ακαδημαϊκές και βιομηχανικές ερευνητικές γραμμές στη μηχανική μάθηση. Μία από αυτές τις εφαρμογές επικεντρώνεται στην αντίληψη των τελικών χρηστών για προσαρμοστικές τεχνικές ροής βίντεο σε δίκτυα κινητής τηλεφωνίας 5G. Αυτή η διατριβή εξετάζει πώς αντιπροσωπεύονται διαφορετικές τοπολογίες νευρωνικών δικτύων, με στόχο να επηρεάσουν την ανάπτυξη μοντέλων πρόβλεψης QoE για ροή βίντεο. Επιπλέον, αυτό το έγγραφο παρουσιάζει μια αρχιτεκτονική νευρωνικού δικτύου αιχμής για στόχους πρόβλεψης QoE που συνδέει το στρεπτικό στρώμα με το αμφίδρομο επίπεδο LSTM. Για σύγκριση, η αποτελεσματικότητα αρκετών προηγουμένως προτεινόμενων μοντέλων νευρωνικών δικτύων - ένα δίκτυο τριών επιπέδων CNN και ένα δίκτυο δύο επιπέδων LSTM perceptron - έχει δημιουργηθεί και αξιολογηθεί. Για να εξηγήσει τις υπερπαραμέτρους και τις τοπολογίες τους, αυτή η διπλωματική εργασία παρουσίασε δύο στρώματα biLSTM, τριεπίπεδα FNN και μικτά μοντέλα CNN και LSTM QoE. Αυτά τα μοντέλα νευρωνικών δικτύων εκπαιδεύτηκαν χρησιμοποιώντας πραγματικά πειραματικά δεδομένα από το Πανεπιστήμιο του Τέξας στο inστιν - Βάση δεδομένων QoE βίντεο LIVE NETFLIX του εργαστηρίου Image and Video Engineering Lab. Τα αποτελέσματα προσομοίωσης αξιολογήθηκαν χρησιμοποιώντας μετρήσεις PCC, SROCC και RMSE για να αποδειχθεί η αποτελεσματικότητα της ακριβούς πρόβλεψης QoE για ένα προσαρμοστικό σύστημα ροής βίντεο 5G. Επιπλέον, υπολογίστηκε η πολυπλοκότητα της προτεινόμενης αρχιτεκτονικής των νευρωνικών δικτύων. Μετά την ανάλυση των αποτελεσμάτων σύγκρισης των μελετημένων μοντέλων QoE, το μοντέλο FNN παρείχε το καλύτερο επίπεδο ακρίβειας πρόβλεψης βάσει της αξίας RSME και, ταυτόχρονα, κατέλαβε ένα από τα χαμηλότερα επίπεδα υπολογιστικής πολυπλοκότητας. Αυτό υποδεικνύει ότι το FNN μπορεί να είναι η καλύτερη μέθοδος για την πρόβλεψη QoE για ροή βίντεο 5G λόγω της σχετικά χαμηλής πολυπλοκότητάς του και της ανταγωνιστικά υψηλής ακρίβειας πρόβλεψης.","abstract_html":"Μια εφαρμογή τεχνητού νευρωνικού δικτύου για προσαρμοστική ροή βίντεο έχει χρησιμοποιηθεί και μελετηθεί για αρκετά χρόνια. Ωστόσο, για ορισμένες εφαρμογές, είναι ακόμη υπό ανάπτυξη και έχουν γίνει μια από τις ακαδημαϊκές και βιομηχανικές ερευνητικές γραμμές στη μηχανική μάθηση. Μία από αυτές τις εφαρμογές επικεντρώνεται στην αντίληψη των τελικών χρηστών για προσαρμοστικές τεχνικές ροής βίντεο σε δίκτυα κινητής τηλεφωνίας 5G. Αυτή η διατριβή εξετάζει πώς αντιπροσωπεύονται διαφορετικές τοπολογίες νευρωνικών δικτύων, με στόχο να επηρεάσουν την ανάπτυξη μοντέλων πρόβλεψης QoE για ροή βίντεο. Επιπλέον, αυτό το έγγραφο παρουσιάζει μια αρχιτεκτονική νευρωνικού δικτύου αιχμής για στόχους πρόβλεψης QoE που συνδέει το στρεπτικό στρώμα με το αμφίδρομο επίπεδο LSTM. Για σύγκριση, η αποτελεσματικότητα αρκετών προηγουμένως προτεινόμενων μοντέλων νευρωνικών δικτύων - ένα δίκτυο τριών επιπέδων CNN και ένα δίκτυο δύο επιπέδων LSTM perceptron - έχει δημιουργηθεί και αξιολογηθεί. Για να εξηγήσει τις υπερπαραμέτρους και τις τοπολογίες τους, αυτή η διπλωματική εργασία παρουσίασε δύο στρώματα biLSTM, τριεπίπεδα FNN και μικτά μοντέλα CNN και LSTM QoE. Αυτά τα μοντέλα νευρωνικών δικτύων εκπαιδεύτηκαν χρησιμοποιώντας πραγματικά πειραματικά δεδομένα από το Πανεπιστήμιο του Τέξας στο inστιν - Βάση δεδομένων QoE βίντεο LIVE NETFLIX του εργαστηρίου Image and Video Engineering Lab. Τα αποτελέσματα προσομοίωσης αξιολογήθηκαν χρησιμοποιώντας μετρήσεις PCC, SROCC και RMSE για να αποδειχθεί η αποτελεσματικότητα της ακριβούς πρόβλεψης QoE για ένα προσαρμοστικό σύστημα ροής βίντεο 5G. Επιπλέον, υπολογίστηκε η πολυπλοκότητα της προτεινόμενης αρχιτεκτονικής των νευρωνικών δικτύων. Μετά την ανάλυση των αποτελεσμάτων σύγκρισης των μελετημένων μοντέλων QoE, το μοντέλο FNN παρείχε το καλύτερο επίπεδο ακρίβειας πρόβλεψης βάσει της αξίας RSME και, ταυτόχρονα, κατέλαβε ένα από τα χαμηλότερα επίπεδα υπολογιστικής πολυπλοκότητας. Αυτό υποδεικνύει ότι το FNN μπορεί να είναι η καλύτερη μέθοδος για την πρόβλεψη QoE για ροή βίντεο 5G λόγω της σχετικά χαμηλής πολυπλοκότητάς του και της ανταγωνιστικά υψηλής ακρίβειας πρόβλεψης.","abstract_has_math":false,"creators":["Ρατζάμποφ Αχμαντζόν","Rajabov Akhmadjon"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:43:57Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2963398"],"render_values":[{"text":"uoadl:2963398","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963398","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963398","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2963398","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ρατζάμποφ Αχμαντζόν","Rajabov Akhmadjon"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2963398","https://pergamos.lib.uoa.gr/uoa/dl/object/2963398"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Μια εφαρμογή τεχνητού νευρωνικού δικτύου για προσαρμοστική ροή βίντεο έχει χρησιμοποιηθεί και μελετηθεί για αρκετά χρόνια. Ωστόσο, για ορισμένες εφαρμογές, είναι ακόμη υπό ανάπτυξη και έχουν γίνει μια από τις ακαδημαϊκές και βιομηχανικές ερευνητικές γραμμές στη μηχανική μάθηση. Μία από αυτές τις εφαρμογές επικεντρώνεται στην αντίληψη των τελικών χρηστών για προσαρμοστικές τεχνικές ροής βίντεο σε δίκτυα κινητής τηλεφωνίας 5G. Αυτή η διατριβή εξετάζει πώς αντιπροσωπεύονται διαφορετικές τοπολογίες νευρωνικών δικτύων, με στόχο να επηρεάσουν την ανάπτυξη μοντέλων πρόβλεψης QoE για ροή βίντεο. Επιπλέον, αυτό το έγγραφο παρουσιάζει μια αρχιτεκτονική νευρωνικού δικτύου αιχμής για στόχους πρόβλεψης QoE που συνδέει το στρεπτικό στρώμα με το αμφίδρομο επίπεδο LSTM. Για σύγκριση, η αποτελεσματικότητα αρκετών προηγουμένως προτεινόμενων μοντέλων νευρωνικών δικτύων - ένα δίκτυο τριών επιπέδων CNN και ένα δίκτυο δύο επιπέδων LSTM perceptron - έχει δημιουργηθεί και αξιολογηθεί. Για να εξηγήσει τις υπερπαραμέτρους και τις τοπολογίες τους, αυτή η διπλωματική εργασία παρουσίασε δύο στρώματα biLSTM, τριεπίπεδα FNN και μικτά μοντέλα CNN και LSTM QoE. Αυτά τα μοντέλα νευρωνικών δικτύων εκπαιδεύτηκαν χρησιμοποιώντας πραγματικά πειραματικά δεδομένα από το Πανεπιστήμιο του Τέξας στο inστιν - Βάση δεδομένων QoE βίντεο LIVE NETFLIX του εργαστηρίου Image and Video Engineering Lab. Τα αποτελέσματα προσομοίωσης αξιολογήθηκαν χρησιμοποιώντας μετρήσεις PCC, SROCC και RMSE για να αποδειχθεί η αποτελεσματικότητα της ακριβούς πρόβλεψης QoE για ένα προσαρμοστικό σύστημα ροής βίντεο 5G. Επιπλέον, υπολογίστηκε η πολυπλοκότητα της προτεινόμενης αρχιτεκτονικής των νευρωνικών δικτύων. Μετά την ανάλυση των αποτελεσμάτων σύγκρισης των μελετημένων μοντέλων QoE, το μοντέλο FNN παρείχε το καλύτερο επίπεδο ακρίβειας πρόβλεψης βάσει της αξίας RSME και, ταυτόχρονα, κατέλαβε ένα από τα χαμηλότερα επίπεδα υπολογιστικής πολυπλοκότητας. Αυτό υποδεικνύει ότι το FNN μπορεί να είναι η καλύτερη μέθοδος για την πρόβλεψη QoE για ροή βίντεο 5G λόγω της σχετικά χαμηλής πολυπλοκότητάς του και της ανταγωνιστικά υψηλής ακρίβειας πρόβλεψης.","An artificial neural network application for adaptive video streaming has been used and studied for several years. However, for some applications, they are still under development and have become one of the academic and industrial research lines in machine learning. One of these applications focuses on perceptual end-users prediction for adaptive video streaming techniques in 5G mobile networks. This dissertation looks at how different neural network topologies are represented, with the goal of influencing the development of QoE prediction models for streaming video. In addition, this paper presents a cutting-edge neural network architecture for QoE prediction targets that connects the convolutional layer to the bidirectional LSTM layer. For comparison, the efficacy of several previously suggested neural network models - a three-layer CNN and a two-layer LSTM perceptron network - has been built and assessed. To explain their hyperparameters and topologies, this dissertation presented two-layered biLSTM, three-layered FNN, and mixed CNN and LSTM QoE models. These neural netowrks models were trained using real experimental data from the University of Texas at Austin – Image and Video Engineering Lab's LIVE NETFLIX video QoE database. Simulation results were evaluated using PCC, SROCC and RMSE metrics to demonstrate the effectiveness of accurate QoE prediction for an adaptive 5G video streaming system. Additionally, the complexity of the proposed architecture of neural networks was calculated. After analyzing the comparison results of the studied QoE models, the FNN model provided the best level of forecasting accuracy by the RSME value and, at the same time, occupied one of the lowest levels of computational complexity. This indicates that FNN can be the best method for QoE prediction for 5G video streaming due to its relatively low complexity and competitively high prediction accuracy."]},{"key":"dc:title","label":"Title","values":["ML-based Adaptive Video Streaming techniques for 5G and beyond mobile data networks"]}]}],"canonical_facts":{"dc:creator":["Ρατζάμποφ Αχμαντζόν","Rajabov Akhmadjon"],"dc:date":["2021"],"dc:description":["Μια εφαρμογή τεχνητού νευρωνικού δικτύου για προσαρμοστική ροή βίντεο έχει χρησιμοποιηθεί και μελετηθεί για αρκετά χρόνια. Ωστόσο, για ορισμένες εφαρμογές, είναι ακόμη υπό ανάπτυξη και έχουν γίνει μια από τις ακαδημαϊκές και βιομηχανικές ερευνητικές γραμμές στη μηχανική μάθηση. Μία από αυτές τις εφαρμογές επικεντρώνεται στην αντίληψη των τελικών χρηστών για προσαρμοστικές τεχνικές ροής βίντεο σε δίκτυα κινητής τηλεφωνίας 5G. Αυτή η διατριβή εξετάζει πώς αντιπροσωπεύονται διαφορετικές τοπολογίες νευρωνικών δικτύων, με στόχο να επηρεάσουν την ανάπτυξη μοντέλων πρόβλεψης QoE για ροή βίντεο. Επιπλέον, αυτό το έγγραφο παρουσιάζει μια αρχιτεκτονική νευρωνικού δικτύου αιχμής για στόχους πρόβλεψης QoE που συνδέει το στρεπτικό στρώμα με το αμφίδρομο επίπεδο LSTM. Για σύγκριση, η αποτελεσματικότητα αρκετών προηγουμένως προτεινόμενων μοντέλων νευρωνικών δικτύων - ένα δίκτυο τριών επιπέδων CNN και ένα δίκτυο δύο επιπέδων LSTM perceptron - έχει δημιουργηθεί και αξιολογηθεί. Για να εξηγήσει τις υπερπαραμέτρους και τις τοπολογίες τους, αυτή η διπλωματική εργασία παρουσίασε δύο στρώματα biLSTM, τριεπίπεδα FNN και μικτά μοντέλα CNN και LSTM QoE. Αυτά τα μοντέλα νευρωνικών δικτύων εκπαιδεύτηκαν χρησιμοποιώντας πραγματικά πειραματικά δεδομένα από το Πανεπιστήμιο του Τέξας στο inστιν - Βάση δεδομένων QoE βίντεο LIVE NETFLIX του εργαστηρίου Image and Video Engineering Lab. Τα αποτελέσματα προσομοίωσης αξιολογήθηκαν χρησιμοποιώντας μετρήσεις PCC, SROCC και RMSE για να αποδειχθεί η αποτελεσματικότητα της ακριβούς πρόβλεψης QoE για ένα προσαρμοστικό σύστημα ροής βίντεο 5G. Επιπλέον, υπολογίστηκε η πολυπλοκότητα της προτεινόμενης αρχιτεκτονικής των νευρωνικών δικτύων. Μετά την ανάλυση των αποτελεσμάτων σύγκρισης των μελετημένων μοντέλων QoE, το μοντέλο FNN παρείχε το καλύτερο επίπεδο ακρίβειας πρόβλεψης βάσει της αξίας RSME και, ταυτόχρονα, κατέλαβε ένα από τα χαμηλότερα επίπεδα υπολογιστικής πολυπλοκότητας. Αυτό υποδεικνύει ότι το FNN μπορεί να είναι η καλύτερη μέθοδος για την πρόβλεψη QoE για ροή βίντεο 5G λόγω της σχετικά χαμηλής πολυπλοκότητάς του και της ανταγωνιστικά υψηλής ακρίβειας πρόβλεψης.","An artificial neural network application for adaptive video streaming has been used and studied for several years. However, for some applications, they are still under development and have become one of the academic and industrial research lines in machine learning. One of these applications focuses on perceptual end-users prediction for adaptive video streaming techniques in 5G mobile networks. This dissertation looks at how different neural network topologies are represented, with the goal of influencing the development of QoE prediction models for streaming video. In addition, this paper presents a cutting-edge neural network architecture for QoE prediction targets that connects the convolutional layer to the bidirectional LSTM layer. For comparison, the efficacy of several previously suggested neural network models - a three-layer CNN and a two-layer LSTM perceptron network - has been built and assessed. To explain their hyperparameters and topologies, this dissertation presented two-layered biLSTM, three-layered FNN, and mixed CNN and LSTM QoE models. These neural netowrks models were trained using real experimental data from the University of Texas at Austin – Image and Video Engineering Lab's LIVE NETFLIX video QoE database. Simulation results were evaluated using PCC, SROCC and RMSE metrics to demonstrate the effectiveness of accurate QoE prediction for an adaptive 5G video streaming system. Additionally, the complexity of the proposed architecture of neural networks was calculated. After analyzing the comparison results of the studied QoE models, the FNN model provided the best level of forecasting accuracy by the RSME value and, at the same time, occupied one of the lowest levels of computational complexity. This indicates that FNN can be the best method for QoE prediction for 5G video streaming due to its relatively low complexity and competitively high prediction accuracy."],"dc:identifier":["uoadl:2963398","https://pergamos.lib.uoa.gr/uoa/dl/object/2963398"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["ML-based Adaptive Video Streaming techniques for 5G and beyond mobile data networks"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:57Z"}