直播日益普及，而全球仍有相当一部分人口缺乏可靠的互联网接入，这与其形成鲜明对比。新兴的低地球轨道卫星网络 (LSN) 提供了一种潜在的解决方案。
论文地址：https://arxiv.org/abs/2508.13402
作者：Hao Fang, Haoyuan Zhao, Jianxin Shi, Miao Zhang, Guanzhen Wu, Yi Ching Chou, Feng Wang, Jiangchuan Liu
来自西蒙菲莎大学的团队研究发现，当前直播平台在这些网络上难以提供流畅的用户体验，原因在于连接在不同卫星间切换时频繁发生中断。该团队的研究表明，即使是旨在根据网络状况调整视频质量的先进算法，也无法应对 LSN 固有的快速变化，导致令人沮丧的缓冲延迟。为了解决这个问题，他们引入了卫星感知速率自适应 (SARA)，这是一个与现有算法协同工作的新系统，可以智能地管理播放速度并提供有关卫星网络独特特性的关键信息，最终减少缓冲并提升观看体验。
Starlink在实时多媒体流媒体中的挑战
本研究探讨了低地球轨道（LEO）卫星网络（特别是Starlink）在直播等实时多媒体服务中的性能表现。LEO卫星网络虽具备全球覆盖的潜力，但由于高延迟、带宽波动及频繁的切换，给用户体验质量（QoE）带来了独特挑战。该研究从终端用户视角对 Starlink 性能进行了全面测量，在真实环境下收集网络特性及 QoE 指标数据，识别出高且不稳定的延迟、带宽波动及频繁切换等关键挑战。研究评估了多种流行的自适应比特率（ABR）算法，发现这些算法常因无法快速适应带宽波动和切换而导致频繁缓冲及视频质量下降。
为了解决这个问题，作者引入了一种基于 Informer 的预测模型来预测未来的带宽可用性，从而使 ABR 算法能够主动调整比特率并最大限度地减少缓冲。Informer 模型是一种Transformer 架构，专为长序列时间序列预测而设计，并利用 ProbSparse 注意力机制来降低计算复杂度。Informer 模型是使用历史带宽数据开发和训练的，模拟和实验表明缓冲频率、视频质量和整体 QoE 的性能显著提高，缓冲事件减少，视频质量指标得到改善。该研究采用混合方法，结合实际测量、模拟和算法开发，并证实 LEO 卫星网络表现出高且多变的延迟、波动的带宽和频繁的切换。
这项研究有望显著提升低地球轨道卫星网络直播的 QoE，并通过主动调整比特率来提升网络效率。未来的研究方向包括将预测模型与网络控制机制相结合、开发自适应学习算法、探索多卫星协调，以及在实际环境中部署该解决方案。团队认识到频繁的卫星切换会中断网络连接并导致缓冲，因此创建了一个中间件解决方案，以增强现有自适应比特率 (ABR) 算法的性能，并提供广泛的兼容性和适应性。SARA 的核心创新在于其主动预测网络中断的能力，能够预测卫星切换造成的干扰并预先减轻其影响。这是通过一个复杂的优化过程实现的，该过程采用了粒子群优化 (PSO) 技术，这是一种借鉴复杂系统研究的技术。
PSO 算法使 SARA 能够探索一系列潜在的参数设置，从而识别出能够最大程度减少缓冲并保持流畅观看体验的配置。PSO 算法的工作原理是创建一个潜在解决方案“群体”，并通过个体性能和集体知识进行迭代优化，优先考虑那些能够提供强大缓冲以应对即将发生的中断的解决方案。为了严格测试 SARA 的有效性，研究人员使用从 Starlink 网络收集的真实数据，创建了一个详细的模拟环境，以反映 LSN 的动态，并展示了其多功能性以及持续减少缓冲时间并提升整体流媒体体验的能力。
SARA 改进卫星网络直播
近期直播服务的增长与全球相当一部分人口的互联网接入受限形成了鲜明对比。低地球轨道卫星网络（LEO）提供了一种潜在的解决方案，但由于卫星切换频繁造成中断，目前的直播平台难以提供流畅的观看体验。由于现有的自适应比特率 (ABR) 算法无法有效管理快速变化的网络条件，这些切换会导致视频播放出现明显的停顿。大量测试表明，SARA 可将平均重新缓冲时间缩短 39.41%，这对于体验此类连接的观众来说是一个显著的改善。
本文来自作者投稿，版权归原作者所有。如需转载，请注明出处：https://www.nxrte.com/jishu/61030.html
