스트리밍 비디오를 다양한 수신자에게 전달하기 위해 비디오를 여러 계층으로 나누어 전송하고 이를 선택적으로 수신하는 계층형 비디오 멀티캐스트가 소개되었다. 계층형 비디오 멀티캐스트에서는 가용 대역폭을 측정하기 위해 가입 실험을 사용하는데, 가입 실험이 중복되거나 실패할 경우 수신 비디오의 품질을 저하시킬 수 있다. 이를 해결하기 위해 공유 학습 기법이 제안되었지만 응용 계층 멀티캐스트에 적용할 경우 많은 컨트롤 오버헤드와 높은 적응수렴 시간 문제를 야기한다. 따라서 본 논문에서는 응용 계층 멀티캐스트 기반의 계층형 비디오 멀티캐스트에서 가입실험이 영향을 주는 영역을 분석함으로써 컨트롤 오버헤드 및 수렴 시간을 최소화하는 새로운 공유 학습 기법을 제안한다. 시뮬레이션을 통해 제안 기법이 기존 연구와 비교하여 컨트롤 오버헤드와 수렴 시간 측면에서 더 좋은 성능을 나타냄을 확인하였다.
Layered video multicast such as RLM Receiver-driven layered multicast) is a premising technique for delivering streaming video to a set of heterogeneous receivers over ALM(Application Layer Multicast) as well as over IP multicast. However, this approach may suffer from unnecessary fluctuation of video quality due to overlapped and failed join-experiments. Though a shared teaming scheme was introduced to resolve these problems, it may cause high control overhead and slow convergence problem when used with ALM. In this paper, we propose a new shared learning scheme for ALM-based layered video multicast which reduces control overhead and convergence latency while keeping the number of fluctuation reasonably small. The simulation results show that the proposed scheme performs better than an ALM-based layered video multicast with shared learning in terms of control overhead and convergence latency.
