基于多智能体深度强化学习的QUIC视频流多路径调度

视频流的普及带来了满足多样化服务质量（QoS）要求的挑战。Quick UDP互联网连接（QUIC）协议的多路径扩展，简称为MPQUIC，有可能通过多个同时传输路径来提高视频流性能。MPQUIC的多路径调度器决定如何将数据包分配到不同的路径。然而，在将当前的多路径调度器应用于MPQUIC时，我们的实验证明它们未能适应不同设备的各种接收缓冲区大小和视频流的综合QoS要求。这些问题在异构和动态网络环境中尤为严重。为了应对这些问题，我们提出了MARS，一个基于多智能体深度强化学习（MADRL）的多路径QUIC调度器，它能够迅速适应动态网络环境。它利用MADRL方法为每条路径学习神经网络并生成调度策略。此外，它引入了一种新颖的多目标奖励函数，考虑了乱序队列大小和不同的QoS指标，以实现自适应调度优化。我们在MPQUIC原型中实施了MARS，并在动态自适应HTTP流媒体系统中部署。然后，我们将其与当前最先进的多路径调度器在模拟和真实网络中进行比较。实验结果表明，MARS在接收缓冲区大小和QoS方面具有更好的自适应能力，优于其他调度器.