HTTP动态自适应流技术中码率选择算法研究综述

陈旭辉 杨红云

摘 要：HTTP动态自适应流技术利用现有的内容分发网络和互联网基础设施，部署方便、快捷，具有良好的防火墙穿透能力、NAT转换功能，成为网络视频分发业务的主流技术。为保证媒体传输的流畅性，为用户提供良好的用户体验质量（QoE），需要采用合理的码率选择算法，由此码率自适应选择算法成为研究热点，大量新方法不断涌现。对HTTP动态自适应流技术背景和概念进行了概述，从流媒体传输涉及的服务端和客户端两个决策实体出发，对大量方法进行了分类阐述，指出该领域存在的问题，对研究趋势进行了展望。

关键词：HTTP;动态自适应流;码率选择;算法分类

DOI：10. 11907/rjdk. 182449

中图分类号：TP301

文献标识码：A文章编号：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

随着计算机网络、移动通信和电子、微电子技术的飞速发展，视频业务产生的流量在整个互联网流量中所占的比重越来越大，思科公司发布的报告[1]指出，到2021年，视频业务流量将占据全球互联网数据流量的82%。目前，互联网视频流量已经占据互联网数据流量的主导地位，并以10倍于其它应用流量的速度增长[2]。

HTTP动态自适应流技术（HAS）是一种流化和HTTP渐进式下载混合的媒体内容分发方法[3]。由于利用了现有的内容分发网络和互联网基础设施，具有部署方便、快捷、良好的防火墙穿透能力和NAT转换功能，成为视频分发业务的主流技术。主流的互联网视频服务提供商如Netflix、Youtube、Microsoft、Apple、Adobe、Hulu、Vudu、Amazon等均采用该项技术对外提供视频服务。2012，运动图像专家组（MPEG）与3GPP合作，发布了HTTP动态自适应流（MPEG-DASH）国际标准[4]。该标准定义了HTTP服务端的媒体表示描述（MPD）格式和视频分片（Segment）格式。然而MPD传输策略和分片中包含的媒体编码格式以及客户端请求数据的方式、客户端视频码率选择算法等，都不在该协议的定义范围内。

为使流媒体系统完成流畅的视频传输，同时达到更高的传输效率和更好的用户体验，不仅需要适当的流媒体传输协议，还需要采用合理的码率自适应选择机制。码率自适应选择是近年研究的热点之一，大量新方法不断涌现。为了对该类方法进行系统研究，笔者通过Google scholar、Springer、Elsevier以及CNKI等搜索了自2007年以來HAS相关文章，文献[3-4]主要是HAS系统介绍，重点阐述DASH标准，而目前国内还未见专门针对HAS系统中码率自适应选择方面的综述文章。国外的相关综述 [5]主要围绕HAS系统中用户体验质量QoE影响因素进行阐述，文献[6]通过逆向工程，从代码实现方面分析、比较了开源系统DASH-IF Player、DASH-Google Player、Bitmovin Player和商业流媒体系统Netflix Player中码率自适应算法。本文在综合分析现有文献及系统基础上，根据码率自适应选择策略实现主体不同，分别从客户端驱动和服务端驱动两个方面[7]阐述该领域当前主流的算法，特别是针对2007年以来客户端驱动的码率自适应选择方法进行了较为系统、全面的研究和分类，对每类方法中的典型算法进行了阐述，最后讨论了DASH系统中存在的主要问题。

1 HAS技术

基于HTTP的动态自适应流技术（HAS）是一种流化和HTTP渐进式下载（Progressive Downloaded）的混合分发方法[3]。在使用HTTP协议作为流传输标准基础上，原始视频被编码为一系列比特率递增的媒體副本，服务端或客户端通过码率切换技术[8]动态调整码率，选择与网络可用带宽和终端设备播放能力相匹配的媒体副本分片进行传输。这类技术属于一种粗粒度自适应方法，不同质量的媒体副本需占用Web服务器额外的存储空间。但由于该技术编码为多种码率的副本，因此在适应带宽变化时无需要再编码，具有最小化的处理器代价;同时，该技术不依赖于所采用的编解码器特定功能？？，具有良好的编解码器无关性[9]。

2 服务端驱动的码率自适应选择方法

服务端驱动方法（Server-Driven）由负责媒体内容分发的HTTP服务器作出码率选择决策，根据服务器端发送缓冲区大小[10]或客户端反馈的播放缓冲区大小，测量服务器端与客户端之间链路的网络吞吐量及客户端分辨率、处理能力等，由服务端选择特定码率媒体副本分片进行发送[11]。

文献[10]针对直播应用，提出利用服务端缓冲区瞬时大小与预设阈值之差作为具有反馈回路的比例积分控制器，输入质量自适应控制算法QAC，控制器的输出为服务端发送缓冲区当前容量。该方法通过不断调整服务端的发送缓冲区大小确定需要向客户端发送的媒体副本的码率，进而选择相应码率的媒体副本分片进行发送。图2描述了基于QAC算法的流媒体服务器体系结构。

服务端驱动的码率自适应选择方法是一种“瘦客户端，胖服务端”的方法，该方法降低了客户端软件开发的复杂度，简化了客户端软件更新过程。然而，该类方法由于需要服务端单独控制每个客户端的发送缓冲区状态信息，收集服务端与客户端之间的网络连接状态信息等确定待发送的媒体副本码率，增大了服务器的处理负载，导致系统可扩展性较差。同时，服务端驱动的码率自适应方法需要修改Web服务器功能，需要得到网络服务提供商的支持，增大了系统部署难度。因此，当前主流的流媒体分发系统主要采用基于客户端驱动的码率自适应选择方法。

3 客户端驱动的码率自适应选择方法

基于客户端驱动的码率自适应选择方法（Client-Driven）指由客户端进行码率选择决策的一类方法的总称。在该类方法中，客户端根据自身播放设备能力和网络带宽状况实时调整请求的媒体质量级别，向服务器发送HTTP请求，以下载不同质量等级的文件分片。当客户端播放缓存达到初始播放阈值时，客户端开始边播放边下载后续视频分片。这种允许客户端根据播放缓冲区大小、客户端与服务器之间链路的可用带宽，以自身播放能力等作为依据动态选择视频码率的方法，不仅有效降低了播放过程中出现重缓冲的次数，提升了播放的流畅性，实现了多媒体内容的无缝传送[3]，而且有效降低了服务器端的处理负载，更加灵活地为动态网络环境下异构设备用户提供无间断视频流服务提供了技术保证，成为当前互联网视频传输的主流技术。

客户端驱动的码率自适应选择方法，一般分为基于吞吐量评估的方法[12-19]、基于缓冲区容量控制的方法[10，21-24]、基于吞吐量评估和缓冲区容量的混合控制方法[2，8，25，29，32-34]等。

3.1 基于吞吐量评估的方法

基于吞吐量评估的方法是一种最自然最直接的方法，在早期系统[12-13]中广泛采用。基于吞吐量评估的方法又叫基于速率（rate-based）或基于可用带宽估计方法，是客户端使用已下载的视频分片估计服务器与客户端之间端到端网络吞吐量，进而确定下一视频分片需选择的码率。该类方法主要包括端到端网络可用带宽估计和确定媒体分片码率两个重要组成部分。

端到端可用带宽估计方法，通过利用已下载视频分片的瞬时吞吐量或采用加权平均[14]，如指数移动加权平均（EWMA）、Support Vector Regression（SVR），Multi-Layer Perceptron（MLP）、Kaufman自适应移动平均（KAMA）、调和平均[15]等方法，将计算接收到的多个数据分片的平均吞吐量作为网络可用带宽的估计来表征网络状态，并决定下一个选择的数据分片比特率。文献[15]采用调和平均的方法，使用过去下载的20个视频分片的吞吐量预测链路的可用带宽进而确定视频分片的码率。文献[16]使用已下载的最后一个视频分片的瞬时吞吐量评估可用带宽，由于网络的短时抖动特征，导致客户端接收到的视频质量抖动问题严重。文献[17]提出使用媒体分块时长MSD与单个分块获取时间（SFT）的比值评估带宽的变化，并与预设的阈值进行比较实现阶梯式向上/急速向下切换码率的选择算法。文献[18]在文献[17]串行分片码率选择基础上，提出并行的分片码率选择算法，通过期望分块获取时间（ESFT）与测量的分块获取时间（MSD）的比值探测网络拥塞和空闲网络容量，实现从多个CDN代理服务器同时获取不同数据分块的目的，提升系统传输效率和媒体服务质量。文献[19]采用分片码率和分片持续时长的乘积与分片实际下载时长的比值评估TCP的吞吐量大小，并将码率选择过程建模，提出探测—自适应的PANDA码率自适应算法。通过不断探测网络吞吐量的变化，采用加性增长/乘性降低的方式进行估计，并经过平滑、量化和调度的过程实现自适应媒体播放。

基于吞吐量评估的方法主要建立在带宽估计基础上[20]。带宽评估准确性是该类方法面临的挑战。而带宽估计不准确会导致客户端选择的速率出现螺旋式下降现象[21]，以及用户缓冲区下溢导致的缓冲播放中断问题[17-18]。文献[21]在分析缓冲区和视频码率相关关系基础上，指出基于带宽评估的码率选择算法会导致不必要的重缓冲事件和次优的视频质量，而码率自适应选择的目的是控制播放端缓冲大小，进而避免不必要的重缓冲。因此码率选择可以完全不用评估客户端的可用带宽，只需要控制缓冲区占用情况即可。

3.2 基于缓冲区容量控制方法

为实现播放过程的平滑性，基于缓冲区反馈方法将客户端的播放缓冲区划分为几个区域。根据播放缓冲区当前所处区域的不同，采取相应的控制策略以选择视频分片码率。这类方法的目的是保持播放端缓冲区占有量在一个预先规定的水平，在降低播放端重缓冲率的同时提升视频播放质量和用户体验质量。

Akamai HD服务系统是最早采用客户端驱动方法的HTTP自适应流分发系统之一[10]。文献[10]在对Akamai HD服务系统性能测试的基础上，分析了Akamai HD系统码率自适应方法，指出在Akamai HD系统中，客户端存在两类闭环控制系统：基于缓冲区大小的比例控制器和基于启发式算法的流切换逻辑控制器。文献[22]提出一种基于缓冲区的码率切换算法。该算法将缓冲区划分为重置区域、下溢区域、均衡区域、上溢区域4个区域，利用滑动窗分析窗内分片的下载时间。根据当前的缓存状态和网络带宽情况采用不同的选择策略：当码率上调时采用保守策略逐级增加，当码率下调时根据逻辑斯谛方程决定减少的幅度;如果视频缓存低于重置阈值时，采用激进策略即立刻将码率调整至最小质量层码率以保证播放流畅。文献[26]针对车载环境下媒体传输，提出根据缓冲区占有情况设置不同带宽系数，系数随着缓冲区占有量的增加而增加，下一个视频分片的码率由上一个分片码率和缓冲区系数共同决定。

HTTP自适应流技术需要在降低视频中断频率和提升视频播放质量之间进行折中。文献[23]首次从理论上证明基于缓冲的方法在实践中能取得播放流畅性和播放质量最优的性能。使用平均视频比特率和播放平滑度作为两个评价指标，建模码率选择问题为效用最大化问题，提出在线控制BOLA算法。该算法使用Lyapunov优化技术，在最小化重缓冲率的同时最大化优化视频质量。文献[24]提出使用预先计算的缓冲映射找到最高可用的视频分片码率进行下载，避免播放中断。基于缓冲的方法对于可用带宽的变化反应迟缓。单纯基于缓冲反馈的方法需预先设定客户端播放缓冲区大小的阈值，而如何确定缓冲区阈值又较为复杂。

3.3 混合控制方法

单纯基于吞吐量评估的方法，由于网络可用带宽估计不准确，导致频繁播放停滞[25];而单纯基于缓冲区容量控制的方法，不能根据带宽的实时变化切换视频码率，存在切换滞后问题。同时基于缓冲区容量控制的方法中，缓冲区划分的阈值很难确定。混合控制的自适应方法能够综合考虑网络带宽、播放缓冲等多个参数，及时、较为准确地反映当前网络状态和客户端情况[26]。

文献[25]在分析基于带宽评估的SF算法[27]存在“毛刺”现象和基于緩冲区算法[26]造成码率频繁切换以及缓冲区阈值难以确定问题后，提出利用过去一组下载的视频分片的网络带宽标准差计算SF算法中参数p的改进SF算法。在缓冲区控制方面，提出加入两个阈值qmin和qmax 的缓冲区控制策略并将二者结合起来，根据播放缓冲区容量处于不同阈值范围采取不同的控制策略。

文献[8]在分析文献[9]PANDA算法和基于带宽评估算法[32]的基础上，提出混合控制算法CBB，通过改进文献[28]的网络带宽预测方法，采用“探测”+历史视频分片的方式计算网络吞吐量。同时，将缓冲状态作为构建平滑因子的关键参数，利用缓冲状态和网络带宽的关系确定调度时机，使得缓冲区处于较为均衡状态，以在播放平滑性和播放质量之间取折中。

文献[29]指出，当前码率自适应算法主要建立在码率相同的分片及片长相同的假设条件下进行带宽估计，而实际系统由于编码方式不同，码率相同的视频分片其分片长度一般不同[30]，因此，很难预测下载下一个视频分片的时长。为此，作者提出片长感知的码率选择算法SARA。通过综合考虑分片大小变化、评估的网络路径带宽和当前缓冲占有情况精确预测下一个分片下载的时长。此方法缓冲区通过3个阈值划分为4个区域，分别为快启动区，使用最小视频码率;加性增长区，分片码率增加一个级别;快速增长区，其分片码率为小于评估的吞吐量的最大副本码率;延迟下载区，其分片在延迟一段时间后下载。

文献[31]分析指出，当前使用缓冲区控制进行码率选择的大多数算法划分缓冲区的阈值是固定的。固定数值在不同的服务器和客户端设置中会影响算法性能。因此，作者提出根据分片时长、缓冲区占有大小和可用视频码率动态选择缓冲区阈值，进而确定视频分片码率，以确保下载高质量视频的同时避免播放中断。

随着控制理论、人工智能技术的发展，码率选择过程越来越智能。文献[2，32]将模糊控制理论、文献[33]将PID控制器应用到码率决策过程中;文献[34]使用模型预测控制算法选择码率以达到最大的用户体验质量目标。文献[11]提出利用人工智能技术方案Pensieve，该方案借助增强学习方法，收集客户端播放过程的各种数据，由服务端训练一个神经网络模型并预测视频分片码率，以便在多种网络状况下选择最佳数据传输比特率。但是该方法采用离线数据训练方式，速率选择模型部署到系统中在单个周期内不会改变，这种周期性数据更新方式难以适应客户端状态极端变化的情况。为此，作者提出在客户端以在线方式进行模型训练的方法。

4 码率选择方法存在的问题及研究趋势

4.1 码率分配公平性、稳定性和有效性问题

HTTP自适应流技术的特点在于能根据服务端与客户端带宽的动态性，自适应调整服务端向客户端发送媒体的速率。然而，单个流媒体客户端独立进行速率选择无法获得全局带宽使用状态，当多流竞争瓶颈带宽时，现有主流解决方案如微软的Smoothing Streaming（SS）、Apple的HTTP Living Streaming（HLS）和Adobe的HTTP Dynamic Streaming（HDS）中采用的基于带宽估计的方法，由于带宽估计不准确，测量的TCP吞吐量与网络实际可用容量并不匹配。当带宽估计过高时，选择超过带宽承受能力的速率会导致传输链路发生拥塞，播放端同时将请求比特率降低，导致速率变化，播放过程不稳定;而当带宽估计过低时，导致网络带宽利用率降低。因此，随着视频应用的不断增多，用户规模不断增大，互联网上并发传输的自适应视频流数量激增，多个自适应流播放器共享网络瓶颈带宽（用户最后一英里的存在，CDN网络边缘服务器都有可能成为分发的瓶颈）的情况越来越普遍，如何解决多流带宽分配的不公平、视频抖动以及带宽利用率低的问题，成为HTTP自适应流媒体技术大规模应用推广必须解决的一个关键且紧迫的问题。

4.2 多服务器环境下服务节点选择与码率决策问题

HTTP自适应流媒体系统构建在现有的互联网基础设施之上，充分利用内容分发网络（CDN）提供的缓冲、转发策略协助Web视频源服务器进行视频的分发，加速媒体内容的传输，降低骨干网流量。因此，动态选择离客户端网络距离最短且负载最轻的代理缓冲服务器，是播放端提升视频质量、降低骨干网流量的关键。然而，现有的HTTP自适应流分发技术的研究工作主要建立在单服务器的假设条件下，屏蔽了CDN网络内部代理服务器的选择问题。文献[35]通过网络主动测量方式，对美国最大的视频服务提供商Netflix所使用的体系架构和服务策略进行研究，发现Netflix的客户端总是从一个CDN的代理服务器处获取数据，而只有当与该CDN代理服务器的连接无法满足最低速率要求时，才切换到其它等级的CDN服务器。同时，Netflix中每个CDN代理服务器的等级与用户账号进行绑定，长期保持不变，即使用户地理位置发生变化也不能激发CDN等级的改变。文献[33]在研究单服务器下速率选择策略基础上，研究了多服务器环境下速率选择问题，指出根据代理服务器负载变化、与用户网络距离动态调整代理服务器的必要性。由于不同的CDN代理服务器的平均带宽在不同地理位置是不同的，在不同的时间也不同，因此如何在给定的时间点选择服务性能最好的单个CDN代理服务器下载视频，成为提升HTTP自适应流媒体分发系统服务质量的一个关键问题。

以上研究主要集中在單服务器模式下客户端码率自适应选择方法研究上。然而，由于网络的动态性，单个服务节点失效或性能下降都会引起客户端接收视频质量的下降。而分布式DASH系统较好地解决了单点失效或性能下降问题。在分布式DASH系统中，多个Web服务器存储相同的视频内容，客户端可从多个服务器中选择一个或同时向多个服务器发送请求并下载视频分片。相对于单服务器模式，多服务器模式能够提供更高的带宽、更好的链路多样性和可靠性，逐步成为当前媒体分发采用的一种主流方式并逐渐得到内容分发网络（CDN）的支持。然而，在这种多服务器模式下，由于服务器之间带宽的异构性以及链路的动态性，如何从多个候选Web服务器中选择性能优良的服务器作为服务节点提供数据服务，并根据网络状态的变化，及时、动态调整数据请求的服务节点，以及如何根据多个服务节点确定视频分片码率，以保证用户观看视频体验质量（QoE），是分布式DASH系统亟待解决的问题。

5 结语

HTTP自适应流技术是互联网视频分发的主流技术，而码率选择算法是该技术的核心。如何保证流媒体分发过程的用户体验质量（QoE）一直是研究的重点。本文从码率决策实体出发，分别阐述了服务端和客户端驱动的码率选择算法现状，特别针对主流媒体服务商使用的客户端驱动算法进行了细化，从带宽评估、缓冲区容量控制等方面介绍了主流研究成果，同时指出了HAS系统中存在的问题，为进一步深化该领域的研究工作提供参考。

参考文献：

[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] 朱晓晨，沈苏彬. 基于HTTP 的动态自适应流技术综述[J]. 系统仿真学报，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] 熊麗荣，雷静之，金鑫. 基于Q-learning的HTTP自适应流码率控制方法研究[J]. 通信学报， 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] 潘鹏程，李国平，王国中. 基于HTTP的流媒体自适应码率切换算法[J]. 电子测量技术，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，马光远，雷海卫. 基于DASH的混合控制码率算法[J].  计算机应用，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.

（責任编辑：杜能钢）