Разработка и исследование методов повышения качества обслуживания трафика виртуальной реальности в беспроводных сетях тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Любогощев Михаил Владиславович

• Любогощев Михаил Владиславович
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Любогощев Михаил Владиславович

Введение

Глава 1. Облачные приложения виртуальной реальности

1.1. Технологии виртуальной реальности

1.2. Методы повышения качества восприятия приложений облачной ВР

1.3. Архитектура приложений облачной ВР с возможностью адаптивного выбора битовой скорости видеопотоков

1.4. Постановка задач диссертации

Глава 2. Исследование и моделирование приложений облачной ВР

2.1. Исследование реального приложения облачной ВР

2.2. Имитационная модель системы облачной ВР

2.3. Численные результаты

2.4. Выводы к главе

Глава 3. Адаптация битовой скорости видеопотоков ВР в беспроводных локальных сетях

3.1. Аналитическая модель

3.2. Схема оптимизации функции выбора битовой скорости

3.3. Численные результаты

3.4. Выводы к главе

Глава 4. Адаптация битовой скорости видеопотоков ВР в сетях 5G

4.1. Описание алгоритма

4.2. Численные результаты

4.3. Выводы к главе

Заключение

Список литературы

Приложение А. Акты о внедрении результатов диссертации

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов повышения качества обслуживания трафика виртуальной реальности в беспроводных сетях»

Введение

Актуальность работы. Технологии виртуальной реальности (ВР) могут применяться в различных областях, например, в сфере образования, медицине, инженерном деле и индустрии развлечений. Над внедрением технологий ВР в жизнь работают многие группы исследователей по всему миру и такие крупнейшие технологические компании, как Microsoft, Google и Apple.

Одной из основных сложностей при внедрении технологий ВР являются высокие требования к интерактивности и реалистичности демонстрируемых пользователям элементов ВР. Поэтому полный расчет ВР в реальном времени на гарнитуре требует использования специальных высокопроизводительных вычислительных платформ. Помимо высокой вычислительной сложности, многие приложения ВР предполагают интерактивное взаимодействие пользователя не только с виртуальной, но и с реальной средой, а также с другими, возможно, удаленными, пользователями ВР. Как следствие, наличие высокоскоростного доступа к сети Интернет, позволяющего гарантировать взаимодействие с удаленными объектами в режиме реального времени, также необходимо для широкого внедрения технологий ВР.

Возможным решением обозначенных проблем является технология облачной ВР, в рамках которой ВР-гарнитуры не рассчитывают ВР, а только фиксируют действия пользователя и отправляют данные на удаленный сервер. Удаленный сервер обновляет состояние ВР по полученным данным, рассчитывает видимую пользователем сцену, кодирует ее в видеопоток и отправляет обратно на гарнитуру, которая воспроизводит видеопоток. Перенос части вычислений на удаленный сервер существенно снижает стоимость ВР-гарнитур, их вес и энергопотребление, но предъявляет жесткие требования к надежности передачи данных, пропускной способности и задержкам доставки пакетов от удаленных серверов к ВР-гарниту-ре и обратно. Более того, чтобы обеспечить свободу передвижения пользователей, ВР-гарнитуры должны использовать беспроводные технологии для передачи и получения данных. Несмотря на то, что концепции технологии облачной ВР уже

более десяти лет, ее внедрение стало возможно только с распространением современных технологий беспроводной связи: 5G и Wi-Fi 6.

Трафик приложений ВР имеет уникальное для современных сетей сочетание высокой интенсивности генерируемых потоков со строгими требованиями к задержкам и потерям пакетов, порожденными строгими требованиями к качеству обслуживания на уровне приложений: задержке обновления и визуальному качеству ВР. Поэтому существующие теоретические и экспериментальные результаты оказываются неприменимы для оценки качества обслуживания трафика приложений ВР, и актуальной является задача экспериментального исследования реальных приложений облачной ВР и разработки подробной имитационной модели облачного приложения ВР, позволяющей оценить влияние параметров генерации и обслуживания сетью трафика приложений ВР на задержку обновления и визуальное качество ВР.

Кроме того, трафик приложений ВР в современных сетях не передается изолированно. На качество обслуживания трафика ВР влияют такие факторы, как изменение состояния беспроводного канала связи и конкуренция за ресурсы сети со стороны более высокоприоритетного трафика и других потоков трафика приложений ВР. В связи с этими факторами количество сетевых ресурсов, доступных для видеопотоков ВР, может изменяться со временем, и некоторые видеокадры могут доставляться дольше, чем другие. Это может негативно влиять на качество обслуживания, вызывая задержки и прерывания воспроизведения видеопотоков на ВР-гарнитуре. Поэтому актуальной является задача разработки алгоритмов адаптивного выбора битовой скорости видеопотоков (т. е. количества бит, использующихся для кодирования видеопотока в единицу времени) с учетом изменяющихся условий в сети, повышающих качество обслуживания трафика приложений облачной ВР.

Степень разработанности темы. Проблема повышения качества обслуживания трафика приложений облачной ВР активно исследуется в литературе в последние годы. Однако проблема адаптации видеопотоков под изменяющиеся усло-

вия в сети с учетом специфики приложений ВР и конкуренции за ресурсы сети со стороны других потоков является открытой задачей. Исследованиями методов повышения качества обслуживания видеопотоков реального времени и видеопотоков ВР, в частности, посвящено значительное число работ, среди которых следует особо отметить работы российских и зарубежных ученых: О.М. Брехова, Ю.В. Гайдамака, А.Е. Кучерявого, А.И. Ляхова, А.И. Парамонова, К.Е. Самуйлова, Е.С. Сопина, С.Н. Степанова, А.М. Тюрликова, Е.М. Хорова, L. Atzori, M. Bennis, M. Debbah, D. Liu, Ramesh K. Sitaraman, T. Stockhammer, M. Zorzi и др.

Некоторые из этих работ разрабатывают методы оценки качества обслуживания адаптивных и неадаптивных видеопотоков реального времени, включая видеопотоки ВР, но не учитывают таких особенностей приложений ВР, как строгие требования к задержке обновления ВР или наличие конвейера генерации-кодирования-воспроизведения видеопотоков. Другие работы учитывают специфичные требования к качеству обслуживания трафика приложений ВР, но зато не учитывают конкуренцию за ресурсы сети с другими потоками. Таким образом, разработка и исследование методов повышения качества обслуживания трафика ВР является актуальной задачей.

Целью диссертационной работы является повышение качества обслуживания трафика виртуальной реальности в беспроводных сетях.

Для достижения поставленной цели в диссертации ставятся и решаются следующие задачи:

1. Разработка имитационной модели приложения облачной ВР на основе экспериментального исследования реальных приложений облачной ВР.

2. Разработка аналитической модели, позволяющей оценить качество обслуживания видеопотоков ВР на фоне высокоприоритетного трафика в беспроводных локальных сетях и оптимизировать качество обслуживания за счет настройки алгоритма выбора битовой скорости на основании состояния видеобуфера.

3. Разработка и исследование алгоритма выбора битовой скорости видеопотоков ВР, обеспечивающего высокое качество обслуживания трафика приложений ВР в сотовых сетях при конкуренции за ресурсы сети с другими видеопотоками ВР.

Методы исследования. В диссертации используются методы теории телекоммуникационных сетей, теории вероятностей, теории случайных процессов, теории цепей Маркова, математического и комбинаторного анализа, математической статистики. При имитационном моделировании используется среда имитационного моделирования ш-3.

Научная новизна. В диссертации впервые:

• Разработана имитационная модель приложений облачной виртуальной реальности, позволяющая оценить влияние метода кодирования видеопотоков и задержек конвейера генерации-кодирования-воспроизведения видеопотоков ВР на задержку обновления ВР, эффективную битовую скорость видеопотоков ВР и полезную пропускную способность беспроводной сети для трафика приложений ВР.

• Разработана аналитическая модель, позволяющая оценить среднюю битовую скорость и долю потерянных видеокадров при доставке видеопотоков ВР на фоне высокоприоритетного трафика в беспроводной локальной сети.

• Разработан алгоритм адаптивного выбора битовой скорости видеопотоков ВР, учитывающий конкуренцию со стороны других видеопотоков ВР при выборе битовой скорости.

Теоретическая и практическая значимость. Использование разработанных в диссертации аналитических моделей и алгоритмов позволит повысить качество обслуживания трафика ВР в сетях связи, а также качество восприятия ВР пользователями новых устройств и приложений облачной виртуальной реальности. Результаты работы внедрены и используются на практике, что подтверждено

соответствующими актами. В частности, разработанные модели и методы использованы в НИР, выполняемых ИППИ РАН по проектам:

1. РНФ «Методы кросс-уровневого сетевого взаимодействия для повышения качества обслуживания трафика приложений дополненной и виртуальной реальности» (№э 21-79-10431),

2. Мегагрант Правительства Российской Федерации «Облачные беспроводные сети пятого и последующих поколений» (договор ^ 14.W03.31.0019),

3. «Разработка и анализ методов повышения качества обслуживания гетерогенного трафика в беспроводных сетях пятого и последующих поколений» (по теме Государственного задания №э 0061-2019-0016),

а также для организации учебного процесса на Кафедре проблем передачи информации и анализа данных МФТИ в ИППИ РАН.

Основные положения, выносимые на защиту:

1. Разработанная аналитическая модель обслуживания адаптивного видеопотока облачной виртуальной реальности (ВР) на фоне высокоприоритетного трафика команд в беспроводных локальных сетях позволяет оценить среднюю битовую скорость видеопотока ВР и долю потерянных видеокадров.

2. Разработанная аналитическая модель может быть использована для оптимизации алгоритма выбора битовой скорости видеопотоков ВР на основании состояния видеобуфера, что позволяет выполнить ограничение на долю потерянных видеокадров и повысить среднюю битовую скорость видеопотоков до двух раз по сравнению с известным из литературы адаптивным алгоритмом

Разработанный алгоритм адаптивного выбора битовой скорости видеопотоков ВР при конкуренции за ресурсы сотовой сети между двумя и более

видеопотоками позволяет до 2,5 раз повысить полезную пропускную способность сотовой сети для видеопотоков ВР по сравнению с известными из литературы алгоритмами адаптации.

Апробация работы. Основные результаты диссертации докладывались и обсуждались на ведущих международных и российских конференциях: IEEE Globe-com Workshop on Cloudified Architectures for 5G and beyond Systems (Абу-Даби, ОАЭ, 2018 г.), IETF Internet Architecture Board Virtual Workshop on Measuring Network Quality for End-Users (онлайн, 2021 г.), «Информационные технологии и системы» (Россия, 2019-2021 г.), «64-я Всероссийская научная конференция МФТИ» (Долгопрудный, Россия, 2021 г.), а также на семинарах ИППИ РАН.

Публикации. Материалы диссертации опубликованы в 12 печатных работах, из них 5 статей [1-5] — в рецензируемых журналах, индексируемых базами данных Scopus и Web of Science и входящих в перечень ВАК, 1 статья [6] — в сборниках трудов конференций, индексируемых базами данных Scopus и Web of Science и входящих в перечень ВАК, а также 6 статей [7-12] — в сборниках трудов иных конференций. Алгоритмы и модели, являющиеся результатами диссертации, разработаны диссертантом лично. Во всех приведенных работах вклад соавторов заключался в постановке задач, частичном анализе литературы и анализе численных результатов.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения, библиографии и приложения. Общий объем диссертации 104 страницы, включая 19 рисунков и 9 таблиц. Библиография включает 142 наименования.

Глава 1

Облачные приложения виртуальной реальности

1.1. Технологии виртуальной реальности

Технологии виртуальной реальности (ВР) могут применяться в различных областях. Например, в сфере образования приложения ВР благодаря эффекту погружения могут повысить внимание и интерес учащихся [13]. В медицине приложения ВР можно использовать для тестирования клинических протоколов и обучения [14]. В инженерии, архитектуре, геоинформационных науках, а также в случае чрезвычайных ситуаций технологии ВР упрощают моделирование, визуализацию и анализ масштабных и сложных структур [15-20].

Одной из основных сложностей при внедрении технологий ВР являются высокие требования к интерактивности и реалистичности демонстрируемых пользователям элементов ВР. Так, многочисленные исследования восприятия ВР людьми показывают следующее. Во-первых, для комфортного восприятия ВР пользователями необходимо обеспечить задержку обновления ВР менее 20 мс [21]. Иначе, если задержка обновления слишком велика, пользователи могут испытывать тошноту и головокружение, также называемые синдромом «киберболезни». Это происходит, потому что мозг получает противоречивую информацию от визуальной и вестибулярной систем. Во-вторых, комфортное восприятие ВР требует высокой детализации изображения ВР в пределах поля зрения пользователей, т. е. плотности как минимум 60 пикселей на градус поля зрения [22]. В-третьих, пользователь должен иметь возможность осмотреться в ВР, поэтому необходимо генерировать сферическое изображение ВР, а не только лишь изображение тех объектов, которые в данный момент находятся в поле зрения пользователя [23]. Как следствие, полный и непрерывный расчет ВР на гарнитуре требует оснащения гарнитур специальными высокопроизводительными вычислительными платформами, способ-

ными генерировать и обновлять ВР в режиме реального времени. Это заметно снижает энергоэффективность ВР-гарнитур и повышает их стоимость [24].

Помимо высокой вычислительной сложности, многие приложения ВР предполагают интерактивное взаимодействие пользователя не только с виртуальной, но и с реальной средой, а также с другими, возможно, удаленными пользователями ВР. Как следствие, наличие высокоскоростного доступа в сеть Интернет, позволяющего гарантировать взаимодействие с удаленными объектами в режиме реального времени, также необходимо для широкого внедрения технологий ВР.

1.1.1. Технологии облачной виртуальной реальности

Для решения обозначенных проблем была предложена концепция облачной ВР, которая заключается в следующем. Вместо того чтобы рассчитывать виртуальную реальность самостоятельно, ВР-гарнитуры должны фиксировать действия пользователя и отправлять данные на удаленный сервер. Удаленный сервер рассчитывает виртуальную реальность по полученным данным, кодирует ее в видеопоток и отправляет обратно на гарнитуру, которая воспроизводит его. Перенос части вычислений на удаленный сервер существенно снижает стоимость ВР-гарнитур, их вес и энергопотребление [25-27], но предъявляет жесткие требования к надежности передачи данных, пропускной способности и задержкам доставки пакетов от удаленных серверов к ВР-гарнитуре и обратно [28, 29]. Чтобы обеспечить эффект присутствия, приложениям облачной ВР требуется минимальная задержка обновления и высокое качество изображения [22, 30]. Поскольку виртуальная реальность рассчитывается в режиме реального времени и на основании действий пользователя, каждый сгенерированный видеокадр должен доставляться на гарнитуру с ограниченной задержкой. Более того, чтобы обеспечить свободу передвижения пользователей, гарнитуры должны использовать беспроводные технологии для передачи и получения данных [31, 32].

1.1.2. Качество восприятия ВР и качество обслуживания трафика ВР

Качество восприятия ВР пользователями является сложной субъективной метрикой, и на данный момент не существует стандартизированного и хорошо зарекомендовавшего себя метода его оценки [33-35]. Однако, опираясь на последние исследования [22, 36, 37], можно указать основные метрики качества обслуживания на уровне приложений, влияющие на него.

Первый фактор — это визуальное качество изображения. Объективными метриками качества изображения являются плотность пикселей в пределах поля зрения пользователя, глубина и динамический диапазон отображения цветов, а также такие метрики, как PSNR, 881М, УМЛБ и другие, оценивающие искажения изображения, возникающие при использовании технологий сжатия видеопотоков [38]. Зачастую все данные метрики можно приближенно свести к одной — средней битовой скорости видеопотока. При условии разумной настройки процесса генерации, кодирования и воспроизведения видеопотоков чем выше битовая скорость видеопотока, тем выше визуальное качество видеоизображения [39, 40].

Второй фактор — это задержка обновления ВР. Кроме задержек доставки информации о действиях пользователя, генерации, кодирования и доставки видеопотока на нее также влияет и частота обновления видеоизображения на гарнитуре, т. е. частота кадров видеопотока. Отметим при этом, что качество восприятия ВР пользователями определяется не столько средней задержкой обновления виртуальной реальности, сколько верхними квантилями распределения задержки. В частности, различные исследования называют порог задержки порядка 10-50 мс с вероятностью от 95 % до 99,9 % критическим [22, 30].

Наконец, третий фактор - это потери кадров. В зависимости от архитектуры системы потери кадров могут приводить к задержкам обновления ВР или к временному снижению визуального качества изображения. По данным ряда исследований, удовлетворенность пользователей качеством погружением в виртуальную реальность резко падает при превышении порога в 0,5 - 2% потерянных

кадров [22, 30].

Высокие требования к визуальному качеству изображения ВР и задержке ее обновления накладывают невыполнимые для современных сетей требования к качеству обслуживания трафика приложений ВР [41]. В частности, битовую скорость видеопотока ВР можно оценить следующим образом. Необходимо генерировать два видеопотока: по одному на каждый глаз, с частотой кадров порядка 100 Гц и сферическим изображением, имеющим разрешение хотя бы 7680 на 3840 пикселей [22]. Учитывая, что для описания цвета каждого пикселя необходимо хотя бы 24 бита, получаем битовую скорость видеопотока порядка 140 Гбит/с.

Поэтому разрабатывается ряд решений, направленных на адаптацию приложений облачной ВР к использованию в современных сетях связи.

1.2. Методы повышения качества восприятия приложений облачной ВР

1.2.1. Повышение визуального качества изображения

Современные технологии сжатия видеоизображения (например, И265 [42], ЛУ1 [43], УУС [44]) потенциально позволяют сократить битовую скорость видеопотоков в десятки и сотни раз без существенных ухудшений визуального качества видеоизображения [22, 44]. Однако их использование сопряжено с несколькими сложностями. Во-первых, кодирование и декодирование видеокадров — это вычислительно сложная процедура, которая занимает порядка 10 - 20 мс на современных вычислительных устройствах [45]. Поэтому для выполнения требований к задержке обновления ВР приложения ВР должны каким-то образом компенсировать данные задержки. Во-вторых, сжатый видеопоток гораздо менее однородный по сравнению с несжатым [46]. В таком потоке только небольшая часть кадров, а именно опорные кадры, могут декодироваться независимо. Другие кадры называются разностными кадрами. Они содержат только различия между текущим

и предыдущим кадром. Поэтому они имеют намного меньший размер, чем опорные. Такое сжатие видеопотоков снижает средний размер кадров и соответственно среднюю битовую скорость видеопотоков, но требования к задержке доставки видеокадров для обеспечения погружения пользователей в ВР распространяется на все кадры. Поэтому требования к пропускной способности сети для доставки сжатого видеопотока в режиме реального времени определяются его эффективной битовой скоростью — величиной, находящейся в диапазоне от средней до максимальной битовой скорости видеопотока и зависящей от установленных требований к задержкам и потерям видеокадров, а также распределения размеров видеокадров [47].

Другим методом повышения визуального качества видеоизображения при заданной средней битовой скорости видеопотока являются сегментация и адаптивное кодирование сферического изображения. ВР-приложения генерируют панорамное видеоизображение и позволяют пользователю смотреть внутри виртуальной реальности в разные стороны. Однако пользователь не может одновременно увидеть всю сферическую картину, поэтому была разработана технология МРЕв-ОМЛР [48-50]. В рамках данной технологии только некоторые сегменты сферического изображения передаются в высоком визуальном качестве, в то время как другие части могут иметь более низкое качество или вообще не передаваться. В результате при заданной средней битовой скорости видеопотока технология МРЕв-ОМЛР позволяет значительно повысить визуальное качество видеоизображения, наблюдаемого пользователем. Однако, чтобы извлечь максимальную пользу из данной технологии, необходимы специальные алгоритмы для оптимизации выбора качества сегментов в зависимости от доступной пропускной способности сети, требований к задержке и паттернов движения головы пользователя [51, 52].

1.2.2. Снижение задержки обновления виртуальной реальности

Чтобы удовлетворить требованиям к задержке обновления ВР особенно с учетом неизбежных дополнительных задержек, возникающих из-за кодирования и передачи видеопотоков по сети, в литературе и коммерческих продуктах был разработан ряд решений. Во-первых, была разработана технология асинхронного пространственно-временного искажения (англ.: asynchronous space-time warp, ATW). Данная технология позволяет на ВР-гарнитуре непосредственно перед отображением видеокадра скомпенсировать небольшие движения пользователя, такие как поворот головы или небольшой шаг вперед, которые случились за время генерации данного видеокадра. Для этого гарнитура модифицирует видеокадр с помощью нескольких геометрических или проекционных преобразований [53].

Во-вторых, разрабатываются методы упреждающего расчета виртуальной реальности, основанные на предсказании будущих действий пользователя [50, 54, 55]. Использование данных методов позволяет экстраполировать движения пользователя на несколько кадров вперед и сразу генерировать видеокадр в соответствии с ожидаемым положением пользователя в момент отображения кадра.

В-третьих, был разработан ряд решений, направленных на снижение задержки за счет разделения вычислений между удаленным сервером и гарнитурой [56-60]. Например, задний план и крупные и статичные объекты в поле зрения пользователя могут быть рассчитаны на сервере, в то время как более динамичные и локальные детали генерируются локально на ВР-гарнитуре и накладываются на сгенерированный удаленно задний план [61]. Однако это значительно увеличивает вычислительную нагрузку на гарнитуру и заметно снижает выигрыш от удаленной генерации ВР.

Наконец, был разработан ряд методов снижения сквозных задержек от генерации видеопотоков на сервере до воспроизведения на клиенте. В частности, в работе [62] предлагается генерировать и кодировать изображение виртуальной реальности по частям, отправляя каждую часть пользователю по готовности. Это

позволяет раньше начать отправку изображения и потенциально сокращает сквозную задержку. В работе [63] предлагается метод совместного сжатия и помехоустойчивого кодирования видеопотока для передачи по сетям связи в режиме реального времени. А работы [64, 65] предлагают адаптивно регулировать частоту генерации кадров на сервере и частоту обновления изображения на ВР-гарнитуре в зависимости от задержки поступления отдельных кадров. Это позволяет оптимизировать сквозную задержку обновления виртуальной реальности и понизить вероятность потери кадров и прерывания воспроизведения.

1.2.3. Адаптивный выбор битовой скорости видеопотоков

К сожалению, невозможно выбрать определенный уровень битовой скорости видеопотока в начале ВР-сессии и сохранять его неизменным, поскольку состояние сети динамически изменяется и трафик приложений ВР не передается изолированно [66]. На задержку доставки видеокадров влияют следующие факторы. Во-первых, это конкуренция за ресурсы сети со стороны других видеопотоков ВР. Во-вторых, это конкуренция со стороны другого более высокоприоритетного трафика, генерируемого системами удаленного управления, онлайн-играми, промышленной автоматикой, а также со стороны потоков трафика от ВР-гарнитуры к серверу. В-третьих, это изменение состояния беспроводного канала [67]. В результате количество сетевых ресурсов, доступных для видеопотоков ВР, может изменяться со временем, и некоторые видеокадры могут доставляться дольше, чем другие.

Более высокая битовая скорость требует больше сетевых ресурсов для передачи видео клиенту и увеличивает задержку доставки и вероятность потерь пакетов, если ресурсов недостаточно. Поэтому генерация видео с максимально возможной битовой скоростью может привести к ухудшению качества обслуживания на уровне приложения [68]. Напротив, генерация видео с низкой битовой скоростью снижает потребление сетевых ресурсов и вероятность потери кадров.

Однако это также ухудшает визуальное качество видеоизображения. Поэтому приложения ВР должны адаптивно выбирать битовую скорость видеопотоков.

1.3. Архитектура приложений облачной ВР с возможностью адаптивного выбора битовой скорости видеопотоков

Рисунок 1.1. Архитектура системы облачной ВР

Учитывая описанные выше технологии повышения визуального качества видеоизображения и снижения задержки обновления ВР, работу приложений облачной ВР с возможностью адаптивного выбора битовой скорости, схематически представленную на рисунке 1.1, можно разделить на три процесса.

Во-первых, ВР-гарнитура отслеживает действия пользователя и отправляет их описание на сервер. Во-вторых, сервер рассчитывает виртуальную среду, генерирует соответствующие видеоизображения и отправляет их обратно на гарнитуру. Наконец, гарнитура воспроизводит полученные кадры пользователю. Рассмотрим данные взаимосвязанные процессы подробнее.

ВР-гарнитура отслеживает действия пользователя с помощью различных дат-

Список литературы диссертационного исследования кандидат наук Любогощев Михаил Владиславович, 2023 год

Список литературы

1. Adaptive Cloud-Based Extended Reality: Modeling and Optimization / M. Li-ubogoshchev [et al.] // IEEE Access. — 2021. — Vol. 9. — P. 35287-35299.

2. Liubogoshchev M., Korneev E., Khorov E. EVeREst: Bitrate Adaptation for Cloud VR // Electronics. — 2021. — Vol. 10, no. 6. — P. 1-17, 678.

3. Корнеев Е., Любогощев М., Хоров Е. Исследование трафика облачных приложений виртуальной реальности // Информационные процессы. — 2022. — Т. 22, № 2. — С. 42-51. — (Перевод: Korneev E. S., Liubogoshchev M. V., Khorov E. M. Studying Cloud-Based Virtual Reality Traffic //Journal of Communications Technology and Electronics. - 2022. - Vol. 67. - Issue. 12. - P. 1500-1505.)

4. DeSlice: An Architecture for QoE-Aware and Isolated RAN Slicing / M. Liubogoshchev [et al.] // Sensors. — 2023. — Vol. 23, no. 9. — P. 4351.

5. Зудин Д., Любогощев М., Хоров Е. Эффективная виртуализация сетевых ресурсов в системах MU-MIMO // Информационные процессы. — 2023. — Т. 23, № 2. — (Перевод: Zudin D.E., Liubogoshchev M.V., Khorov E.M., Towards Efficient Network Slicing in MU-MIMO Systems // Journal of Communications Technology and Electronics. - 2023. - Vol. 68. - Issue 12. - Принято в печать.)

6. xStream: A new platform enabling communication between applications and the 5G network / I. F. Akyildiz [et al.] // 2018 IEEE Globecom Workshops (GC Wkshps). — 2018. — P. 1-6. — DOI: 10.1109/GL0C0MW.2018.8644183.

7. Liubogoshchev M. Cross-layer Cooperation for Better Network Service // IAB Workshop Measuring Network Quality for End-Users. — IETF, 2021.

8. Любогощев М., Торгунаков В. Исследование передачи видеопотоков приложений виртуальной реальности в сетях LTE // Информационные технологии и системы 2019 (ИТиС 2019). — 2019. — С. 73-75.

9. Корнеев Е., Любогощев М. Алгоритм адаптации качества видеоизображения для интерактивных приложений виртуальной реальности // Информационные технологии и системы 2020 (ИТиС 2020). — 2020. — С. 66-72.

10. Корнеев Е., Любогощев М. Исследование трафика облачных приложений виртуальной реальности // Информационные технологии и системы 2021 (ИТиС 2021). — 2021. — С. 80-89.

11. Зудин Д., Любогощев М. Алгоритм планирования радиоресурсов между виртуальными подсетями в беспроводных сетях пятого поколения // Информационные технологии и системы 2020 (ИТиС 2020). — 2020. — С. 20-26.

12. Зудин Д., Любогощев М. Распределение радиоресурсов в беспроводных сетях с поддержкой технологии виртуализации ресурсов при обслуживании гетерогенного трафика // Труды 64-й Всероссийской научной конференции МФТИ. —2021. —С. 111-112.

13. Mobile virtual reality for musical genre learning in primary education / E. D. Innocenti [et al.] // Computers & Education. — 2019. — Vol. 139. — P. 102117. — ISSN 0360-1315. — DOI: https: //doi .org/10.1016/j.compedu. 2019.04.010.

14. Augmented and virtual reality in dental medicine: A systematic review / T. Joda [et al.] // Computers in biology and medicine. — 2019. — Vol. 108. — P. 93100.

15. Oberhauser R., Pogolski C. VR-EA: Virtual Reality Visualization of Enterprise Architecture Models with ArchiMate and BPMN // International Symposium on Business Modeling and Software Design. — Springer. 2019. — P. 170-187.

16. Managing Big City Information Based on WebVRGIS / Z. Lv [et al.] // IEEE Access. — 2016. — Vol. 4. — P. 407-415. — DOI: 10 . 1109/ACCESS .2016. 2517076.

17. WebVRGIS based traffic analysis and visualization system / X. Li [и др.] // Advances in Engineering Software. — 2016. — Т. 93. — С. 1-8.

18. Wolfartsberger J. Analyzing the potential of Virtual Reality for engineering design review//Automation in Construction. — 2019. —Vol. 104. —P. 27-37. — ISSN 0926-5805. — DOI: https://doi.Org/10.1016/j.autcon.2019.03. 018.

19. Брель А., Брехов О. Оптимизация построения моделей в дополненной реальности по алгоритму Дейкстры // Авиация и космонавтика. — 2021. — С. 179-181.

20. Sochenkova A., Podzharaya N., Samouylov K. Augmented Reality Application to Emergency Systems with Usage of SLAM //2019 8th Mediterranean Conference on Embedded Computing (MECO). — IEEE. 2019. — P. 1-4.

21. When Every Millisecond Counts: The Impact of Delay in VR Gaming / S. S. Sabet [et al.] // 2022 14th International Conference on Quality of Multimedia Experience (QoMEX). — IEEE. 2022. — P. 1-4.

22. Cellular-connected wireless virtual reality: Requirements, challenges, and solutions / F. Hu [et al.] // IEEE Communications Magazine. — 2020. — Vol. 58, no. 5. — P. 105-111.

23. Системы виртуальной, дополненной и смешанной реальности / А. А. Смолин [и др.]. — Санкт-Петербург: Университет ИТМО, 2018. — С. 59. — Учебное пособие.

24. Modern Virtual Reality Headsets / V. Angelov [et al.] // 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA). — IEEE. 2020. — P. 1-5.

25. Sopin E., Samouylov K., Shorgin S. The analysis of the computation offloading scheme with two-parameter offloading criterion in fog computing // International

Conference on Internet and Distributed Computing Systems. — Springer. 2019. — С. 11-20.

26. Sopin E. S., Daraseliya A. V., Correia L. M. Performance analysis of the offloading scheme in a fog computing system //2018 10th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT). — IEEE. 2018. —С. 1-5.

27. Adaptive energy-aware algorithms for minimizing energy consumption and SLA violation in cloud computing / R. Yadav [et al.] // IEEE Access. — 2018. — Vol. 6.—P. 55923-55936.

28. Аппроксимация времени отклика системы облачных вычислений / А. В. Горбунова [и др.] // Информатика и её применения. — 2015. — Т. 9, № 3. — С. 32-38.

29. Towards efficient edge cloud augmentation for virtual reality mmogs / W. Zhang [et al.] // Proceedings of the Second ACM/IEEE Symposium on Edge Computing. — 2017. — P. 1-14.

30. Huawei. White Paper for 5G Cloud VR Service Experience Standards [Электронный ресурс]. — 06.2019. — URL: https : //carrier . huawei . com/ ~/media/CNBGV2/download/products/servies/White-Paper-for- 5G-Cloud-VR-Service-Experience-Standards.pdf.

31. Immersive Interconnected Virtual and Augmented Reality: A 5G and IoT Perspective / M. T. Vega [et al.] // Journal of Network and Systems Management. — 2020. — P. 1-31.

32. Makolkina M., Paramonov A. Modeling and Investigation of the Movement of the User of Augmented Reality Service // Internet of Things, Smart Spaces, and Next Generation Networks and Systems: 20th International Conference, NEW2AN 2020, and 13th Conference, ruSMART 2020, St. Petersburg, Russia, August 26-28, 2020, Proceedings, Part I 20. — Springer. 2020. — С. 217-228.

33. A survey on bitrate adaptation schemes for streaming media over HTTP / A. Bentaleb [et al.] // IEEE Communications Surveys & Tutorials. — 2018. — Vol. 21, no. 1.—P. 562-585.

34. The influence of human factors on 360 mulsemedia QoE / E. B. Saleme [et al.] // International Journal of Human-Computer Studies. — 2020. — Vol. 146. — P. 102550.

35. Seeing isn't believing: QoE evaluation for privacy-aware users / L. Zhou [et al.] // IEEE Journal on Selected Areas in Communications. — 2019. — Vol. 37, no. 7. — P. 1656-1665.

36. Modeling QoE of virtual reality video transmission over wireless networks / J. Li [et al.] // 2018 IEEE Global Communications Conference (GLOBECOM). — IEEE. 2018. — P. 1-7.

37. Makolkina M., Koucheryavy A., Paramonov A. The models of moving users and IoT devices density investigation for augmented reality applications // Internet of Things, Smart Spaces, and Next Generation Networks and Systems: 17th International Conference, NEW2AN 2017, 10th Conference, ruSMART 2017, Third Workshop NsCC 2017, St. Petersburg, Russia, August 28-30,2017, Proceedings 17. — Springer. 2017. — C. 671-682.

38. State-of-the-art in 360 video/image processing: Perception, assessment and compression / M. Xu [et al.] // IEEE Journal of Selected Topics in Signal Processing. — 2020. — Vol. 14, no. 1. — P. 5-26.

39. The impact of bitrate and GOP pattern on the video quality of H.265/HEVC compression standard / J. Xu [et al.] // 2018 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC). — 2018. — P. 1-5.

40. Quality of experience assessment of video quality in social clouds / A. A. Laghari [et al.] // Wireless Communications and Mobile Computing. — 2017. — Vol. 2017.

41. A First-Priority Set of Telepresence Services and a Model Network for Research and Education / A. E. Koucheryavy [и др.] // Distributed Computer and Communication Networks / под ред. V. M. Vishnevskiy, K. E. Samouylov, D. V. Kozyrev. — Cham : Springer Nature Switzerland, 2023. — С. 208-219. — ISBN 978-3-031-30648-8.

42. Series H: Audiovisual and multimedia systems: Infrastructure of audiovisual services-coding of moving video. High efficiency video coding : tech. rep. / I.-T. S. Group [et al.] ; ISO.

43. Rivaz P. de, Haughton J. Av1 bitstream & decoding process specification // The Alliance for Open Media. — 2018. — P. 182.

44. Comparative evaluation of VVC, HEVC, H. 264, AV1, and VP9 encoders for low-delay video applications /1. Mansri [et al.] // 2020 Fourth International Conference on Multimedia Computing, Networking and Applications (MCNA). — IEEE. 2020. — P. 38-43.

45. Foveated streaming of real-time graphics / G. K. Illahi [et al.] // Proceedings of the 12th ACM Multimedia Systems Conference. — 2021. — P. 214-226.

46. Kalbkhani H., Shayesteh M. G., Haghighat N. Adaptive lstar model for long-range variable bit rate video traffic prediction // IEEE Transactions on Multimedia. — 2016. — Vol. 19, no. 5. — P. 999-1014.

47. Kelly F. P. Effective bandwidths at multi-class queues // Queueing systems. — 1991.—Vol. 9.—P. 5-15.

48. MPEG. ISO/IECISO/IEC 23090-2:2019 MPEG-I Coded Representation of Immersive Media - Part 2: Omnidirectional Media Format. — 2019.

49. Tiling in interactive panoramic video: Approaches and evaluation / V. R. Gaddam [et al.] // IEEE Transactions on Multimedia. — 2016. — Vol. 18, no. 9. — P. 1819-1831.

50. Chakareski J. VR/AR immersive communication: Caching, edge computing, and transmission trade-offs // Proceedings of the Workshop on Virtual Reality and Augmented Reality Network. — 2017. — C. 36-41.

51. Tile-based adaptive streaming for virtual reality video / J. V. d. Hooft [et al.] // ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM). — 2019. — Vol. 15, no. 4. — P. 1-24.

52. Comparison of HEVC coding schemes for tile-based viewport-adaptive streaming of omnidirectional video / R. Ghaznavi-Youvalari [et al.] // 2017 IEEE 19th International Workshop on Multimedia Signal Processing (MMSP). — IEEE. 2017. — P. 1-6.

53. Cloud VR: technology and application / H. Xiong [et al.]. — CRC Press, 2020.

54. Liu X., Deng Y. Learning-based Prediction, Rendering and Association Optimization for MEC-enabled Wireless Virtual Reality (VR) Network // arXiv preprint arXiv:2005.08332. — 2020.

55. Zhang S., Tao M., Chen Z. Exploiting Caching and Prediction to Promote User Experience for a Real-Time Wireless VR Service // 2019 IEEE Global Communications Conference (GLOBECOM). — IEEE. 2019. — P. 1-6. — DOI: 10.1109/GL0BEC0M38437.2019.9013568.

56. Optimal Bandwidth Allocation with Edge Computing for Wireless VR Delivery / T. Xu [et al.] //2019IEEE/CIC International Conference on Communications in China (ICCC). — IEEE. 2019. — P. 903-907.

57. MEC-Enabled Wireless VR Video Service: A Learning-Based Mixed Strategy for Energy-Latency Tradeoff / C. Zheng [et al.] // 2020 IEEE Wireless Communications and Networking Conference (WCNC). — IEEE. 2020. — P. 1-6.

58. Communications, caching, and computing for mobile virtual reality: Modeling and tradeoff / Y. Sun [et al.] // IEEE Transactions on Communications. — 2019. — Vol. 67, no. 11. — P. 7573-7586.

59. Toward interconnected virtual reality: Opportunities, challenges, and enablers / E. Bastug [et al.] // IEEE Communications Magazine. — 2017. — Vol. 55, no.

6. — P. 110-117.

60. Energy efficient offloading scheme for MEC-based augmented reality system / A. A. Ateya [h gp.] // Cluster Computing. — 2023. — T. 26, № 1. — C. 789-806.

61. Furion: Engineering high-quality immersive virtual reality on today's mobile devices / Z. Lai [et al.] // Proceedings of the 23rd Annual International Conference on Mobile Computing and Networking. — 2017. — P. 409-421.

62. Tian S., Yang M., Zhang W. A Practical Low Latency System for Cloud-Based VR Applications // International Conference on Communications and Networking in China. — Springer. 2019. — P. 73-81.

63. Sergeev A., Turlikov A., Veselov A. Joint source coding and modulation for low-complexity video transmission // XII International Symposium on Problems of Redundancy in Information and Control Systems. — 2009. — C. 313-322.

64. A hybrid control scheme for adaptive live streaming / H. Peng [et al.] // Proceedings of the 27th ACM International Conference on Multimedia. — 2019. — P. 2627-2631.

65. A joint bitrate and buffer control scheme for low-latency live streaming / S. Chen [et al.] // Intelligence Science and Big Data Engineering. Big Data and Machine Learning: 9th International Conference, IScIDE 2019, Nanjing, China, October 17-20, 2019, Proceedings, Part II. — Springer. 2019. — P. 369-380.

66. Trends and challenges in wireless channel modeling for evolving radio access / P. Ferrand [et al.] // IEEE Communications Magazine. — 2016. — Vol. 54, no.

7.—P. 93-99.

67. Toward Low-Latency and Ultra-Reliable Virtual Reality / M. S. Elbamby [et al.] // IEEE Network. — 2018. — Vol. 32, no. 2. — P. 78-84.

68. Vlahovic S., Suznjevic M., Skorin-Kapov L. The Impact of Network Latency on Gaming QoE for an FPS VR Game //2019 Eleventh International Conference on Quality of Multimedia Experience (QoMEX). — IEEE. 2019. — P. 1-3.

69. Research on interactive teaching platform based on VR technology / M. Chen [et al.] // International Conference on Precision Instruments and Optical Engineering (PIOE 2022). Vol. 12585. — SPIE. 2023. — P. 340-343.

70. Liu H., Ma H., Chen D. Design of Limb Rehabilitation Training System Based on virtual reality technology // 2020 IEEE 4th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC). Vol. 1. — IEEE. 2020.—P. 1676-1679.

71. Zhang Y., Zi Y. Mixed reality annotations system for museum space based on the UWB positioning and mobile device // Augmented Reality, Virtual Reality, and Computer Graphics: 7th International Conference, AVR 2020, Lecce, Italy, September 7-10, 2020, Proceedings, Part 17. — Springer. 2020. — P. 328-342.

72. McCool R., Abdel Rahman K. A., Somadder G. Stadia Streaming Tech: A Deep Dive [Электронный ресурс]. — 2019. — URL: https : //www. youtube. com/ watch?v=9Htdhz6Op1I ; (дата обращения: 21.08.2023).

73. Liu D., Sara E. I., Sun W. Nested auto-regressive processes for MPEG-encoded video traffic modeling // IEEE Transactions on Circuits and Systems for Video Technology. — 2001. — Vol. 11, no. 2. — P. 169-183.

74. Abbessi W., Nabli H. General approach for video traffic: from modeling to optimization // Multimedia Systems. — 2019. — Vol. 25, no. 3. — P. 177-193.

75. Andrabi U. M., Stepanov S. N. The model of conjoint servicing of real time traffic of surveillance cameras and elastic traffic devices with access control // 2021

2nd International Informatics and Software Engineering Conference (IISEC). — IEEE. 2021. — P. 1-6.

76. Modeling of real-time multimedia streaming in Wi-Fi networks with periodic reservations / E. Khorov [et al.] // IEEE Access. — 2020. — Vol. 8. — P. 5563355653.

77. Belyaev E., Turlikov A., Ukhanova A. Low-latency video transmission over highspeed WPANs based on low-power compression // 2010 IEEE Wireless Communication and Networking Conference. — IEEE. 2010. — P. 1-6.

78. Alzaghir A., Paramonov A., Koucheryavy A. Estimation of Quality of Service in Tactile Internet, Augmented Reality and Internet of Things // Internet of Things, Smart Spaces, and Next Generation Networks and Systems / ed. by Y. Koucheryavy, S. Balandin, S. Andreev. — Cham : Springer International Publishing, 2022. — P. 35-45. — ISBN 978-3-030-97777-1.

79. Makolkina M., Paramonov A., Koucheryavy A. Resource allocation for the provision of augmented reality service // Internet of Things, Smart Spaces, and Next Generation Networks and Systems: 18th International Conference, NEW2AN 2018, and 11th Conference, ruSMART 2018, St. Petersburg, Russia, August 27-29, 2018, Proceedings 18. — Springer. 2018. — C. 441-455.

80. Lecci M., Zanella A., Zorzi M. An Ns-3 Implementation of a Bursty Traffic Framework for Virtual Reality Sources // Proceedings of the 2021 Workshop on Ns-3. — Virtual Event, USA : Association for Computing Machinery, 2021. — P. 7380. — (WNS3 '21). — ISBN 9781450390347. — DOI: 10 . 1145/3460797 . 3460807.

81. An Open Framework for Analyzing and Modeling XR Network Traffic / M. Lecci [et al.] // IEEE Access. — 2021. — Vol. 9. — P. 129782-129795. — DOI: 10.1109/ACCESS.2021.3113162.

82. Virtual Reality Gaming on the Cloud: A Reality Check / S. Zhao [et al.] // arXiv preprint arXiv:2109.10114. — 2021.

83. Study on XR (Extended Reality) evaluations for NR (3GPP TS 38.838). — 3GPP, 2021.

84. Enhancing 5G QoS Management for XR Traffic through XR Loopback Mechanism / B. Bojovic [h gp.] // IEEE Journal on Selected Areas in Communications. — 2023.

85. Cutting the cord in virtual reality / O. Abari [et al.] // Proceedings of the 15th ACM Workshop on Hot Topics in Networks. — 2016. — P. 162-168.

86. Can My WiFi Handle the Metaverse? A Performance Evaluation Of Meta's Flagship Virtual Reality Hardware / M. Jansen [et al.] // Companion of the 2023 ACM/SPEC International Conference on Performance Engineering. — Coim-bra, Portugal : Association for Computing Machinery, 2023. — P. 297-303. — (ICPE'23 Companion). —ISBN 9798400700729. —DOI: 10.1145/3578245. 3585022.

87. Traffic Characteristics of Virtual Reality over Edge-enabled Wi-Fi Networks / S. Salehi [et al.] // arXiv preprint arXiv:2011.09035. — 2020.

88. Kim S., Yun J.-H. Motion-aware interplay between wigig and wifi for wireless virtual reality // Sensors. — 2020. — Vol. 20, no. 23. — P. 6782.

89. Chakareski J., Khan M. Wifi-VLC dual connectivity streaming system for 6DOF multi-user virtual reality // Proceedings of the 31st ACM Workshop on Network and Operating Systems Support for Digital Audio and Video. — 2021. — P. 106113.

90. Pollaczek F. Über eine aufgabe der wahrscheinlichkeitstheorie. I // Mathematische Zeitschrift. — 1930. — Vol. 32, no. 1. — P. 64-100.

91. Tijms H. Heuristics for finite-buffer queues // Probability in the Engineering and Informational Sciences. — 1992. — Vol. 6, no. 3. — P. 277-285.

92. Артамонов Г. Т., Брехов О. Аналитические вероятностные модели функционирования ЭВМ // Энергия. — 1978. — Т. 368.

93. Степанов С. Н. Основы телетрафика мультисервисных сетей. — М.: Эко-трендз, 2010. — ISBN 978-5-88405-092-1.

94. JaiswalN. K. Priority Queues. — Elsevier, 1968.

95. Zhirnov N., Lyakhov A., Khorov E. Mathematical Model of a Network Slicing Approach for Video and Web Traffic // Journal of Communications Technology and Electronics. — 2019. — Vol. 64, no. 8. — P. 890-899.

96. Takacs L. A Single-Server Queue with Poisson Input // Operations Research. — 1962. — Vol. 10, no. 3. — P. 388-394.

97. Benes V. On Queues with Poisson Arrivals // The Annals of Mathematical Statistics. — 1957. — P. 670-677.

98. The Transient Behavior of a Single Server Queuing Process with a Poisson Input / L. Takacs [et al.] // Proceedings of the Fourth Berkeley Symposium on Mathematical Statistics and Probability, Volume 2: Contributions to Probability Theory. — The Regents of the University of California. 1961.

99. Abate J., Whitt W. Transient Behavior of the M/G/1 Workload Process // Operations Research. — 1994. — Vol. 42, no. 4. — P. 750-764.

100. Takacs L. Occupation Time Problems in the Theory of Queues // Mathematical Methods in Queueing Theory. — Springer, 1974. — P. 91-131.

101. Ресурсные системы массового обслуживания как модели беспроводных систем связи / А. В. Горбунова [и др.] // Информатика и её применения. — 2018. — Т. 12, № 3. — С. 48-55.

102. Sopin E., Vikhrova O., Samouylov K. LTE network model with signals and random resource requirements // 2017 9th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT). — IEEE. 2017. —С. 101-106.

103. Dynamic multi-connectivity performance in ultra-dense urban mmWave deployments / V. Petrov [h gp.] // IEEE Journal on Selected Areas in Communications. — 2017. — T. 35, № 9. — C. 2038-2055.

104. Efimushkina T., Gabbouj M., Samuylov K. Analytical model in discrete time for cross-layer video communication over LTE // Automatic control and computer sciences. — 2014. — Vol. 48. — P. 345-357.

105. Spiteri K., Urgaonkar R., Sitaraman R. K. BOLA: Near-optimal bitrate adaptation for online videos // IEEE INFOCOM 2016-The 35th Annual IEEE International Conference on Computer Communications. — IEEE. 2016. — P. 1-9.

106. A buffer-based approach to rate adaptation: Evidence from a large video streaming service / T.-Y. Huang [et al.] // Proceedings of the 2014 ACM conference on SIGCOMM. — 2014. — P. 187-198.

107. Yadav P. K., Shafiei A., Ooi W. T. Quetra: A queuing theory approach to dash rate adaptation // Proceedings of the 25th ACM international conference on Multimedia. — 2017. — P. 1130-1138.

108. Dynamic threshold based rate adaptation for HTTP live streaming / L. Xie [et al.] // 2017 IEEE International Symposium on Circuits and Systems (ISCAS). — IEEE. 2017. — P. 1-4.

109. Probe and adapt: Rate adaptation for HTTP video streaming at scale / Z. Li [et al.] // IEEE Journal on Selected Areas in Communications. — 2014. — Vol. 32, no. 4.—P. 719-733.

110. A seamless Web integration of adaptive HTTP streaming / B. Rainer [et al.] // Proceedings of the 20th European Signal Processing Conference (EUSIPCO). — IEEE. 2012. — P. 1519-1523.

111. Qflow: A reinforcement learning approach to high qoe video streaming over wireless networks / R. Bhattacharyya [et al.] // Proceedings of the Twentieth ACM

International Symposium on Mobile Ad Hoc Networking and Computing. — 2019. — P. 251-260.

112. Optimizing HTTP-based adaptive streaming in vehicular environment using markov decision process / A. Bokani [et al.] // IEEE Transactions on Multimedia. — 2015. — Vol. 17, no. 12. — P. 2297-2309.

113. Jiang J., Sekar V., Zhang H. Improving Fairness, Efficiency, and Stability in HTTP-Based Adaptive Video Streaming with FESTIVE // Proceedings of the 8th International Conference on Emerging Networking Experiments and Technologies. — Nice, France : Association for Computing Machinery, 2012. — P. 97-108. — (CoNEXT '12). — ISBN 9781450317757. — DOI: 10 .1145/ 2413176.2413189.

114. TFDASH: A fairness, stability, and efficiency aware rate control approach for multiple clients over DASH / C. Zhou [et al.] // IEEE Transactions on Circuits and Systems for Video Technology. — 2017. — Vol. 29, no. 1. — P. 198-211.

115. A control theoretic approach to ABR video streaming: A fresh look at PID-based rate adaptation / Y. Qin [et al.] // IEEE INFOCOM 2017 - IEEE Conference on Computer Communications. — 2017. — P. 1-9.

116. DASH-IF. dash.js [Электронный ресурс]. — URL: https : //github . com/ Dash-Industry-Forum/dash.js ; (дата обращения: 21.08.2023).

117. Spiteri K., Sitaraman R., Sparacio D. From theory to practice: Improving bitrate adaptation in the DASH reference player // ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM). — 2019. — Vol. 15, 2s. — P. 1-29.

118. Low latency DASH-more than just spec: DASH-IF test tools / E. Ozturk [et al.] // Proceedings of the 11th ACM Multimedia Systems Conference. — 2020. — P. 353-356.

119. A Joint Bitrate and Buffer Control Scheme for Low-Latency Live Streaming / S. Chen [et al.] // International Conference on Intelligent Science and Big Data Engineering. — Springer. 2019. —P. 369-380.

120. Sensor-Augmented Neural Adaptive Bitrate Video Streaming on UAVs / X. Xiao [и др.] // IEEE Transactions on Multimedia. — 2020. — Т. 22, № 6. — С. 1567-1576.

121. QoE management of multimedia streaming services in future networks: a tutorial and survey / A. A. Barakabitze [et al.] // IEEE Communications Surveys & Tutorials. — 2019. — Vol. 22, no. 1. — P. 526-565.

122. BUFFEST: Predicting buffer conditions and real-time requirements of HTTP (S) adaptive streaming clients / V. Krishnamoorthi [et al.] // Proceedings of the 8th ACM on Multimedia Systems Conference. — 2017. — P. 76-87.

123. Analyzing mean bit rate of multicast video conference in LTE network with adaptive radio admission control scheme / V. Borodakiy [et al.] // Journal of Mathematical Sciences. — 2016. — Vol. 218, no. 3. — P. 257-268.

124. Pico Neo 2 HMD [Электронный ресурс]. — URL: https : / /www . pico-interactive.com/us/neo2.html ; (дата обращения: 21.08.2023).

125. The Lab [Электронный ресурс]. — URL: https : //store . steampowered . com/app/450390/The_Lab/ ; (дата обращения: 21.08.2023).

126. SteamVR [Электронный ресурс]. — URL: https : //store . steampowered. com/app/250820/SteamVR/ ; (дата обращения: 21.08.2023).

127. Pico Streaming Assistant [Электронный ресурс]. — URL: https : / /www . picoxr.com/global/software/pico-link ; (дата обращения: 21.08.2023).

128. Wireshark network protocol analyzer [Электронный ресурс]. — URL: https: //www.wireshark.org/ ; (дата обращения: 21.08.2023).

129. The network simulator ns-3 [Электронный ресурс]. — URL: https : / /www . nsnam.org ; (дата обращения: 21.08.2023).

130. Wenger S., Hannuksela M. RTP payload format for high efficiency video coding (HEVC). —2016.

131. NVIDIA Nvenc video codec [Электронный ресурс]. — URL: https : //www. nvidia.com/en-us/geforce/guides/broadcasting-guide/.

132. NVIDIA Nvenc recommended settings [Электронный ресурс]. — URL: https: //docs . nvidia . com/video - technologies/video - codec- sdk/ 12 . 1/ nvenc-video-encoder-api-prog-guide.

133. Merlin S. TGax Simulation Scenarios [Электронный ресурс] / "IEEE P802.11 Wireless LANs WG". — 11.2015. — URL: https://mentor.ieee .org/802. 11/dcn/14/11-14-0980-16-00ax-simulation-scenarios.docx.

134. 3GPP. Study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR 38.901 version 15.0.0 Release 15). — 3GPP, 2018.

135. Kleinrock L. Queueing Systems. Volume I: Theory. — 1975.

136. Lyakhov A., Ostrovsky D., Khorov E. Analytical Study of the Quality of Links Established by the Neighborhood Discovery Protocol // Journal of Communications Technology and Electronics. — 2012. — Т. 57, № 12. — С. 1314-1321.

137. Stewart W. J. Probability, Markov chains, queues, and simulation: the mathematical basis of performance modeling. — Princeton university press, 2009.

138. Bennis M., Debbah M., Poor H. V. Ultrareliable and low-latency wireless communication: Tail, risk, and scale // Proceedings of the IEEE. — 2018. — Vol. 106, no. 10.—P. 1834-1853.

139. Bandwidth estimation: metrics, measurement techniques, and tools / R. Prasad [et al.] // IEEE network. — 2003. — Vol. 17, no. 6. — P. 27-35.

140. Eryilmaz A., Srikant R. Fair Resource Allocation in Wireless Networks Using Queue-Length-Based Scheduling and Congestion Control // IEEE/ACM Transactions on Networking. — 2007. — Vol. 15, no. 6. — P. 1333-1344. — DOI: 10.1109/TNET.2007.897944.

141. Ending the Anomaly: Achieving Low Latency and Airtime Fairness in {WiFi} / T. H0iland-J0rgensen [et al.] // USENIX Annual Technical Conference (USENIX ATC 17). — 2017. — P. 139-151.

142. Evaluating the factors affecting QoE of 360-degree videos and cybersickness levels predictions in virtual reality / M. Shahid Anwar [et al.] // Electronics. — 2020. — Vol. 9, no. 9. — P. 1530.

Приложение А

Акты о внедрении результатов диссертации

УТВЕРЖДАЮ

йгзгз «ах;..

работе, к.ф.-м.н.

Баган Виталий Анатольевич

2023 г.

АКТ

об использовании теоретических и практических результатов диссертационной работы Любогощева М.В, «Разработка и исследование методов повышения качества обслуживания трафика виртуальной реальности в беспроводных сетях»,

представленной на соискание ученой степени кандидата технических наук, в учебном процессе на базовой кафедре проблем передачи информации и анализа

данных

В рамках дисциплин «Моделирование современных систем связи» и «Современные проблемы беспроводной связи», которые читаются студентам бакалавриата и магистратуры МФТИ соответственно на базовой кафедре проблем передачи информации и анализа данных, использованы теоретические и практические результаты диссертационной работы Любогощева М.В. «Разработка и исследование методов повышения качества обслуживания трафика виртуальной реальности в беспроводных сетях». Среди них: аналитическая модель обслуживания адаптивного видеопотока облачной виртуальной реальности совместно с высокоприоритетным трафиком команд в беспроводных локальных сетях; алгоритм адаптивного выбора битрейта видеопотоков виртуальной реальности, учитывающий конкуренцию с другими видеопотоками при выборе битрейта; имитационная модель приложений облачной виртуальной реальности.

Зав. кафедрой проблем передачи информации и анализа данных

проф., д.ф.-м.н. А.Н. Соболевский