1 引言
随着移动通信技术和智能终端的快速发展,以及未来第五代移动(The fifth generation, 5G)通信技术的成功部署,无线数据流量将会呈现指数式增长。思科公司的报告[1]中指出:预计到了2020年,全球移动数据流量将达到49 EB/月,其中移动视频流量将占所有移动数据流量的75%。而在所产生的海量移动视频流量中,网络直播视频的比重也在逐年增加,预计到2021年,占比将达13%。基于此发展态势,巨大的移动视频流量及具有更低时延的实时视频直播业务将给无线视频传输带来了新的难题。针对不断增长的视频流量过载问题,其中一个重要的解决方案就是D2D(Device-to-Device)协作多播。利用无线传输的广播特性,将D2D技术和多播技术相结合,通过设备之间协作的方式向多个用户传输视频[2]。该方案可以有效应用于诸如突发视频新闻、体育直播等热点视频或火车站、地铁等密集人群场景中。在这些场景中的视频业务请求都可以通过协作多播的方式进行批处理以减轻基站的负担。
现有的D2D协作视频多播大多都是基于自适应调制编码(Adaptive Modulation and Coding, AMC)技术,把视频内容当作一个比较大的文件来对待,而很少考虑视频流的独特结构特征。因此,当基站考虑到较差信道条件的用户时,往往会选择一个比较低级别的速率传输视频流,这就导致信道状况较好的多播用户受到较差信道状况的用户限制,无法有效利用非常宝贵的带宽资源[3]。所以,如何解决基站到多播用户以及多播用户之间的不同衰落信道成为一个亟待解决的关键问题。与AMC编码不同,可伸缩视频编码(SVC)可将视频流分层次的划分为一个基础层和多个增强层[4]。因此,基于SVC编码的视频协作多播技术可以根据信道反馈灵活地调整视频层的速率以应对多播组之间不同的衰落信道。且对于信道链路较差的用户,只要保证用户正确的接收到基础层,虽画面不再清晰,但仍可以正常的播放,相比而言,不可伸缩视频编码产生的视频流在同类信道下已无法正常观看。因此,SVC这一视频编码策略更适合应用于具有信道多样性的多播场景中[5]。
迄今为止,对于基于SVC视频编码的D2D协作视频多播场景的研究仍非常有限[6-10]。文献[6]分析了D2D 通信中不同视频编码方案对视频传输效率的影响。文献[7]通过研究蜂窝网络中SVC视频流的联合下行链路与D2D链路的传输问题,最小化传输成本。文献[8]提出了一种混合网络的联合模式选择和资源分配模型,所提出的遗传算法为每个视频层选择合适的编码调制方案(Modulation and Coding Scheme, MCS)进行传输,最大化吞吐量。文献[9]考虑了利用无线D2D网络进行可伸缩视频编码流的联合缓存和传输,将视频层主动缓存在用户设备上,以此来减轻服务器的负载。文献[10]则考虑了多播用户彼此之间相互协作,通过D2D通信协作本地恢复可以在不引入任何冗余的情况下弥补要求基站重传丢失的视频层。
然而,上述的D2D协作多播的SVC视频传输方案大多以提高网络吞吐量等指标作为提高用户接收视频质量的手段。对于具有更低时延的网络直播业务,吞吐量这一网络层的指标不能很好的表示应用层的效益。与吞吐量的不同,有效吞吐量[11]表示终端在一定的时延约束内所成功接收到的数据量,是一种端到端时延约束下的应用层指标。此指标比吞吐量更适于实时视频业务是因为对于无线网络上的实时流量来说,逾期的数据包并无法提高用户所观看视频的质量[12]。而且,对于实时视频而言,对视频的及时性要求更高,但对视频失真的耐受性具有一定的容忍度。在不可靠且具有信道差异性的无线网络视频组播场景中,长时间的端到端延迟对于应对严格的服务质量(Quality of Service, QoS)要求乃至用户观看视频体验提出了至关重要的挑战。
综上所述,本文考虑了以下视频多播场景:一组地理位置上彼此靠近的移动蜂窝用户观看相同的实时视频(如:体育赛事直播,热点新闻等)。且每个用户的用户设备(User Equipment, UE)能够通过蜂窝接口及WiFi接口同时访问两个网络(蜂窝与D2D网络)下载视频内容。针对该场景,结合可伸缩视频编码技术,联合利用蜂窝与D2D链路设计视频分发方案,提升传输效率,从而最大化有效吞吐量。所提出的方案可合理利用链路的带宽资源对SVC视频层进行更为有效的速率分配,论文主要贡献概括如下:
(1)本文基于有效吞吐量的概念,提出了一种时延约束下的D2D 协作SVC视频流多播方案。特别地,该方案充分考虑了SVC的分层编码结构。
(2)在所提出的视频多播方案中,通过分析与推导,给出了在该场景中多个时延约束下不同SVC视频层速率分配的优化问题,并提出一种二阶段的启发式算法进行求解,保证最大化系统的有效吞吐量。
(3)仿真结果与其他视频多播方案对比,所提出的方案能够有效的降低端到端时延,有效丢失率及提高系统的有效吞吐量。
2 系统模型
针对D2D协作视频多播场景,所提出的系统模型如图1所示。基站向N个移动用户设备(定义集合N={1,2,…,n})传输SVC编码的视频流。其中,所有的用户设备均配备蜂窝接口和D2D接口,为了避免下行链路和D2D链路之间以及D2D通信链路之间的严重干扰,两个接口使用不同的频段且采用基站集中控制的方式,以更好的从蜂窝链路和D2D 链路下载所观看的视频内容。
图1 系统模型图
Fig.1 The overview of system model
一般来说,视频流通常由一组的GoPs组成。而每个图像组(Group of Pictures, GoP)可以经过SVC编码成一个基础层l=0与若干个增强层{1,2,…,l,…,L}∈
。并且基础层与增强层以及增强层之间具有依懒性,只有基础层和较低层次的增强层都正确接收到,较高层次的增强层才能够被正确的解码,并且用户接收到的基础层可以保证视频能够正常的观看,而所接收到的增强层越多,用户所接收的视频质量越好。系统采用集中控制的方式,通过信道反馈所得到的参数(表示链路的信道状况,包括可用带宽μ,往返时间RTT以及信道丢失率πBij),基站对每个视频层进行速率分配,然后通过蜂窝链路传输到不同的UE上。
接收端的用户设备所接收到的视频内容有两个来源。一部分来自于用户通过自身的蜂窝网络下载视频内容,另一部分则通过D2D网络(例如,WiFi)共享获得。由于不同的无线信道,高速率要求和不同的视频解码能力,在所有用户设备上协调所有的视频帧是非常困难的[6]。因此,本文采用游程编码(Run Length Coding, RLC)的方式将每个视频层编码为一定数量的数据包。当接收到一定数量的数据包,相应的视频层就可以被正确的解码,无需考虑数据包所到达的顺序。因此,当用户设备从蜂窝网络或D2D网络接收到足够的所需视频层数据包之后,UE将使用这些接收的数据包来重构相应的视频层。其中,逾期的数据包将由于延迟约束而被丢弃。
Gilbert信道模型[13]用于对蜂窝与D2D通信中的信道丢失特性建模,而不涉及底层链路及物理层的细节。该模型可以表示为两状态连续时间马尔科夫链,每条链路只有两种状态:好(Good)和坏(Bad)。如果该链路处于Good 状态,则数据包成功传递,反之,则丢失。设πGij与πBij分别表示链路i-j状态好或坏的稳定概率。定义
和
分别为链路好到坏,以及链路坏到好的转移概率。因此,链路i-j的信道丢失率为:
(1)
其中节点i可以是用户设备或基站。
3 问题描述
3.1 有效吞吐量
如前所述,每个GoP可以经过SVC编码成一个基础层与若干个增强层。每个视频层上的数据速率Rl可视为所消耗的信道带宽,且该信道上的视频层速率之和不能超过该路径的带宽,且总的视频层速率不能超过所有通信链路的总带宽。在实时视频多播场景中,由于较高的时延要求,所传输的视频内容往往受限于截止期限T。更具体的说,属于视频层l的数据包只会在缓冲区里停留最多T秒,以便于重构相应的GoP,因此,数据包可能在传输过程中丢失,或由于未在截止时间内到达而被丢弃。基于此,本文所考虑的视频层l的有效丢失率包括传输丢失和逾期丢失,并表示为:
ψlij=πBij+(1-πBij)·πlij
(2)
其中,πBij与πlij分别表示为信道丢失率和逾期丢失率。在容量受限的无线网络中,视频层在链路i-j上传输的逾期丢失率可以由M/G/1排队模型[14]表示。因此,延迟遵循指数分布,可以表示为:
πlij=P(D>T)=exp{-λT}
(3)
其中,πlij表示为路径i-j上属于视频层l的数据包的逾期丢失率。λ表示到达速率,其值取决于平均时延。
(4)
其中,E(D)为期望值,通常,E(D)可以从端到端延迟统计中获得,但拟合过程需要许多样本。为了更简单的获得该值,通常构建一个信道模型来估计平均数据包延迟。
我们假设所分配视频层的速率用矩阵
表示,其中
表示路径i-j(蜂窝或WiFi链路)上所传输视频层的分配速率。因此,链路i-j上所分配的总视频流速率为
且对于视频层l而言,路径i-j上l层的可用带宽为:
(5)
结合网络的拥塞情况,本文使用分数函数的形式来估计路径上视频层传输的延迟,公式如下:
(6)
因此,链路i-j上的视频层l的逾期丢失率可以表示为:
(7)
由此可得,在链路i-j上,所期望接收到的视频层l的数据包的速率,即有效吞吐量为:
(8)
3.2 目标优化函数
在D2D协作视频多播场景中,每个用户设备都可以通过蜂窝链路或邻近设备的D2D链路获取视频内容。这意味着UEj所需的视频层可以自己从基站下载或从D2D链路获得。为此,本文将传输过程分为两部分。为简单起见,假设节点i=0表示为基站,且基站可以根据UE可支持的视频最高质量(不同的终端设备具有不同的解码能力,屏幕尺寸,分辨率等)来决定其需要接收的增强层数量。在本文中,系统采用的是基站集中控制的方式,并假设基站对所有用户的所需的增强层数量是已知的。
对于蜂窝传输过程,基础层提供最低的帧速率和视频分辨率,以满足用户的最低QoS。因此,为保证用户视频能够正常的播放,用户通过蜂窝链路下载基础层,以保证所有的多播用户所观看的视频都能够正确的解码。而对于每一增强层,则根据信道反馈所收集的信道参数选择一个UEj用于传输该层,且UEj的选择应符合以下条件:
(1)该UEj需要该增强层。
(2)对于需要该增强层的所有用户而言,其蜂窝链路的信道条件(如所剩余的可用带宽)应是最佳的。
因此,在时延约束Tc的情况下,蜂窝链路的总有效吞吐量表示为:
(9)
其中,
为蜂窝链路0-j上所需视频层l的分配速率。ψl0j表示该路径上视频层l的有效丢失率。
在D2D通信过程中,视频层l可通过D2D协作的方式获得。在蜂窝传输过程中,UEj下载对应增强层的视频内容。当UE接收到足量可以重构出视频层l的数据包,则称为该UE为对应视频层l的成熟节点。与蜂窝传输过程不同,在D2D传输过程中,用变量i代替j来表示成熟节点,i∈ML(该集合ML里面的元素表示不同增强层l所对应的成熟节点i)。而对于需要增强层l的其他UEs,则用未成熟节点j∈UL表示(该集合UL里面的元素是不同增强层l所对应的未成熟节点组)。且只有成熟节点可以通过D2D链路向未成熟节点进行视频多播传输。为了减少中继成本开销,本文的D2D多播传输场景为单跳传输。因此, 在时延约束Tw的情况下,蜂窝链路的总有效吞吐量表示为:
(10)
其中,为D2D链路i-j上所需视频层l的分配速率,且i∈ML, j∈UL。ψlij表示路径i-j上视频层l的有效丢失率。
如式(9)和式(10)所述,本文对联合蜂窝与D2D链路的SVC视频多播场景制定以下约束优化问题。以最大化实时视频的总有效吞吐量为优化目标,在满足路径带宽约束,延迟约束等条件下,对变量进行相应视频层的速率分配。每次迭代过程中,速率分配过程需重新计算的值。
To maximize:Φ=Φc+Φw
(11)
目标函数分为两部分,即蜂窝链路有效吞吐量和D2D链路有效吞吐量。第一个约束表示该路径上所分配的速率总和不能超过路径的可用带宽。第二和第三个约束为延迟约束,即所需视频内容需要在各自的期限内到达。第四个约束表示,视频内容的端到端时延具有一定的期限(例如,0.25秒,其是一个GoP的持续时间)。通过推导和分析,本文提出的优化问题可以认为是多重有界背包问题。已发表的文献[8]已经证明混合网络中单个视频流的视频层中MCS的选择等同于有界背包问题(视频层l的速率分配在一定程度上可以被视为MCS的选择)。而有界背包问题已被证明是一个NP难问题。因此,为了获得快速收敛的接近最优结果,本文提出了一种两阶段的启发式算法来解决上述优化问题。
4 解决方案
为了解决上述公式提出的优化问题,本文将其分解为两个子问题:第一个问题,基站选择合适的UE作为视频层的成熟节点进行传输,即蜂窝传输过程,应注意每个UE的基本层一般都通过蜂窝链路传输。第二个问题,D2D网络中增强层的视频多播,也即D2D传输过程,成熟UE向未成熟UE传输相应增强层。同时,对应于两个子问题,为了使得算法更快的收敛,并尽可能接近最优结果,我们提出了一种基于梯度下降法的两阶段启发式算法。
如前所述,根据式(11),问题P1可以视为蜂窝传输过程,如下所示:
(12)
约束条件:
(13)
(14)
其中j∈ML表示不同增强层所对应的UE,且在前文中已经分析了该UE的选择过程。
根据式(12),不同蜂窝链路的有效吞吐量为:
(15)
因此,全微分方程为:
(16)
初始值
设定为基础层的速率(基础层保证了视频能够被正确的观看),且迭代地接近目标速率,公式如下:
Δk+1R=ΔkR+σ·F(ΔkR)
(17)
其中,σ表示梯度下降法的迭代步长。
每次进行迭代之后,链路的可用带宽都需要进行重新计算:
(18)
算法伪代码如表1所示。在给定输入视频流比特率Z的情况下。首先,根据路径的状态为每个UE的基础层预分配速率,即初始值Δ0R,并选取的对应的UEj来传输相应的增强层l。然后,根据式(17)进行视频层速率分配的迭代过程,每次迭代后,链路0-j的可用带宽
都需要进行更新。经过有限次的迭代后,当链路0-j上增量σ·
小于阈值(TLV)或大于链路可用带宽时,该链路的速率分配过程迭代可视为收敛,并从迭代中固定速率
直到所有的链路的均被固定或由于分配的速率总和sum大于输入视频流比特率Z的情况下,算法的迭代终止。最后得到数据速率分配的近似最优结果
表1 启发式算法-蜂窝传输
Tab.1 Heuristic algorithm for cellular transmission
输入:时延期限Tc;信道状况{πB0j,μl0j,RTT0j};初始值Δ0R={R00j};视频流速率Z;TLV输出:R1={Rl0j}选取每个增强层l对应的UE jforj∈MLdowhilez>0 doifσ·?F(ΔkRl0j)
同时,为说明该算法的收敛情况,图2给出了该算法中其中一条链路0-j上所传输增强层l对应的分配速率的迭代结果。从图中可知,随着迭代次数的增加,的值也不断增长。当经过9次迭代后,增量σ·已小于设定的阈值(TLV),此时该链路的速率分配过程迭代可视为收敛,并固定速率
图2 链路0-j上所传输增强层l对应的分配速率的迭代结果
Fig.2 Iterative result of the allocation rate corresponding to the enhancement layer l transmitted on link 0-j
在D2D网络中,用户之间通过D2D链路共享视频内容。如P1所分析,此时所有的UE都具有了基本层,并且增强层已经通过蜂窝链路传输到所选择的UE节点。与蜂窝传输过程类似,P2如下所示:
(19)
约束条件:
(20)
(21)
且相应的全微分方程为:
(22)
因此,算法伪代码如表2所示。对于每个增强层l,只有成熟节点i∈ML可以向未成熟节点j∈UL通过不同D2D链路i-j进行多播传输。与蜂窝传输过程类似,首先根据链路i-j的信道状况为每个增强层预分配速率,即初始值Δ0R。然后,如果链路i-j上增量σ·
大于阈值(TLV)且小于链路可用带宽时,根据式(17)进行增强层l速率分配的迭代过程,且每次迭代后,链路i-j的可用带宽
同样需要进行更新。否则,迭代中固定速率
当传输增强层l的所有D2D链路的速率均固定时,增强层l的速率分配过程迭代停止。直到全部增强层的所有D2D链路的速率均固定时,算法迭代停止,最后得到数据速率分配的近似最优结果
表2 启发式算法-D2D通信
Tab.2 Heuristic algorithm for D2D communication
输入:时延期限Tw;信道状况{πBij,μlij,RTTij};初始值Δ0R;TLV输出:R2={Rlij}for1≤l≤L dofori∈ML,j∈ULdoifσ·?F(ΔkRlij)>TLV且σ·?F(ΔkRlij)<μlij·2Tw-RTTij2-RlijdoΔk+1R=ΔkR+σ·?F(ΔkR)Update μlijelseΔk+1R=ΔkR+ο(σ·?F(ΔkR))从迭代中固定速率Rlijend ifend for增强层l的速率分配过程迭代停止end for所有增强层的速率分配过程迭代停止
5 仿真结果
为验证本文所提出系统模型的性能,本节将对结合D2D通信的可伸缩视频多播场景进行仿真分析。仿真设置如下:假设一个基站处于混合网络的环境中,在基站的服务范围内,假设有6个蜂窝用户观看相同的实时视频。对于该实时视频流,本文考虑使用H.264/SVC的视频编解码器,并对该视频流的每个GoP编码成6个视频层,其中包括一个基础层和五个增强层。
对于不同的蜂窝用户,在仿真中,路径的参数配置如表3所示。时延约束设定为250 ms(一个GoP播放的持续时间)。此外,为了更好的实现仿真,本文假设D2D链路的信道状况是相同的(例如:
表3 不同蜂窝链路的信道参数
Tab.3 Channel parameters for different cellular links
信道参数参数值链路带宽/Mbps3, 3, 4, 7, 2, 5信道丢失率/%8, 8, 6, 2, 10, 4往返时间/ms60, 60, 50, 30, 70, 45
文章主要与以下几种方案进行比较:(1)CDASH方案[15], 该方案也是通过D2D协作的方式获得相同的视频内容,但该方案基于DASH协议,并没有考虑到视频流的独特结构特征;(2)不采用D2D协作的(Cellular w/n D2D)方案,该方案改用的是传统蜂窝网络中的视频多播场景。为了仿真分析与性能比较更具有公平性和代表性,本文对以上几种方案均加入时延约束进行改进,并选取有效吞吐量、平均端到端时延以及平均有效丢失率这三种性能指标进行比较。为了使得仿真结果更具有可靠性,本文对每组仿真进行多次运算(10次以上)取得平均值。
有效吞吐量。假设所观看视频流的速率分别为2,2.5,…,8 Mbps。图3给出了不同方案的系统有效吞吐量随视频流速率下的变化趋势,可以看出,与其他方案相比,本文所提出的方案所获得的有效吞吐量最大。随着输入视频流速率的增加,所提出的算法与其他方案的算法的优势更加的明显。这是因为,本文充分考虑了视频特殊的分层结构特征,所提出的算法更能够有效的利用不同信道之间的差异性来对不同视频层分配速率,最后尽可能最大化系统的有效吞吐量。从曲线的变化趋势可以看出,随着视频流速率的增加,负载变大,系统的有效吞吐量增长趋于缓慢,这是因为系统链路上所分配的速率会趋近于路径的可用带宽导致路径的信道状况变差。与Cellular w/n D2D方案相比,可以发现基于群组D2D协作方案(CDASH与本文方案)在相同的信道条件下的有效吞吐量更高,尤其是在传输任务繁重的情况下,提升更为明显。
图3 不同方案的系统有效吞吐量性能比较
Fig.3 Comparison of system goodput performance of different schemes
平均端到端时延。在实时视频应用中,延迟性能增益可以显着地防止播放缓冲器饥饿,这对于用户感知的视频质量是至关重要的。例如,大的端到端延迟会在播放过程中引起视频停顿/毛刺,并导致不良的用户体验。而且在本文所提出的场景中,较大的端到端时延将会导致更多的逾期数据包,从而导致系统的有效吞吐量降低。也就是说,虽然一些数据包已经成功的传递到用户设备中,但是由于时延约束,应用层将会丢弃该无效的数据包,并将其视为逾期丢失。平均端到端时延的仿真结果如图4所示,不难看出,所提出的方案的平均端到端时延上优于其他方案,并且随着视频数据比特流的增加,不同方案的平均端到端时延差距更加明显。
图4 不同方案的平均端到端时延性能比较
Fig.4 Comparison of average End-to-End delay performance of different schemes
图5 不同方案的平均有效丢失率性能比较
Fig.5 Comparison of average effective loss rate performance of different schemes
平均有效丢失率。不同方案的平均有效丢失率如图5所示,且该仿真结果与图3中的实验相反,丢失率越高,系统有效吞吐量的增长更加缓慢。可以看出,相比于其他方案,本文的方案显着降低了系统平均数据包的丢失率,这是因为较小的端到端延迟导致视频层的数据包能够在期限内到达。此外, CDASH方案也比Cellular w/n D2D方案好,因为基于群组的D2D合作方式具有更强的容忍度以应对网络信道状况的变化。
6 结论
互联网上呈指数增长的移动数据流量不断推动着通信技术的发展。尽管网络的基础设施及智能终端的发展迅速,但是对于具有严格延迟,吞吐量,可靠性要求的实时视频,如何提供有效的传输对于当前的无线通信系统而言仍然是一项至关重要的挑战。
本文所提出的方案不同于现有的传输方法,考虑了SVC视频的分层结构,使用D2D协作的方式来应对带宽资源有限的蜂窝系统,以便于用户能够更好的体验更高质量的视频。通过建模与仿真分析,在满足网络波动和实时视频应用要求的同时,根据路径的信道状况对不同的视频层进行速率分配。仿真结果表明,在增加实时视频的有效吞吐量,减少的平均端到端延迟,有效丢失率方面有显着改进。
[1] Cisco. “The zettabyte era-trends and analysis”, Cisco Visual Networking Index[OL]. https:∥www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/vni-hyperconnectivity-wp.html, June 2017.
[2] Zhou L, Wu D, Dong Z, et al. When Collaboration Hugs Intelligence: Content Delivery over Ultra-Dense Networks[J]. IEEE Communications Magazine, 2017, 55(12): 91-95.
[3] Yoon J, Zhang H, Banerjee S, et al. Video Multicast with Joint Resource Allocation and Adaptive Modulation and Coding in 4G Networks[J]. IEEE/ACM Transactions on Networking, 2014, 22(5): 1531-1544.
[4] 胡栋, 张爽, 周飞. 一种H.264 SVC时域自适应差错掩盖改进算法[J]. 信号处理, 2011, 27(11): 1744-1748.
Hu D, Zhang S, Zhou F. Research on Adaptive Error Concealment on H.264 SVC[J]. Signal Processing, 2011, 27(11): 1744-1748.(in Chinese)
[5] Schierl T, Stockhammer T, Wieg T. Mobile video transmission using scalable video coding[J]. IEEE Transactions on Circuits & Systems for Video Technology, 2007, 17(9): 1204-1217.
[6] Zhang X, Chen J, Tian F, et al. The Role of Video Coding in D2D Communications[C]∥2017 IEEE Globecom Workshops(GC Wkshps), Singapore, 2017: 1- 6.
[7] Feng G, Zhang Y, Lin J, et al. Joint optimization of downlink and D2D transmissions for SVC streaming in cooperative cellular networks[J]. Neurocomputing, 2017, 270: 149-161.
[8] Li J, Bao Z, Zhang C, et al. Scalable video multicast with joint resource allocation and Adaptive Modulation and Coding over multiple base station networks[C]∥IEEE International Conference on Networking. IEEE, 2015.
[9] Zhan C, Yao G. SVC-based caching and transmission strategy in wireless device-to-device networks[C]∥2018 16th International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks(WiOpt), Shanghai, 2018: 1- 6.
[10] Zhao L, Wang L, Zhang X, et al. Social-Aware Cooperative Video Distribution via SVC Streaming Multicast[J]. Wireless Communications and Mobile Computing, vol. 2018, Article ID 9315357, 9 pages, 2018.
[11] Wu J, Yuen C, Cheng B, et al. Goodput-Aware Load Distribution for Real-time Traffic over Multipath Networks[J]. IEEE Transactions on Parallel & Distributed Systems, 2015, 26(8): 2286-2299.
[12] Huang J, Lin Z. Group-Aware Delay-Constrained Video Transmission over Multihomed Device-to-Device Networks[J]. IEEE Access, 2017, 5(99): 2651-2664.
[13] Gilbert E N. Capacity of a Burst-Noise Channel[J]. Bell System Technical Journal, 2013, 39(5): 1253-1265.
[14] 辛建芳, 朱琦, 梁广俊, 等. 基于排队论的D2D蜂窝异构网络的性能分析[J]. 信号处理, 2018, 34(4): 391-399.
Xin J F, Zhu Q, Liang G J, et al. Performance analysis based on queuing theory for D2D underlaying cellular networks[J]. Journal of Signal Processing, 2018, 34(4): 391-399.(in Chinese)
[15] Zhang L, Zhang X, Qu K, et al. Green and Cooperative DASH in Wireless D2D Networks[J]. Wireless Personal Communications, 2015, 84(3): 1797-1816.
