Perpustakaan Digital ITB

Disertasi ini membahas alokasi bandwidth pada aliran video waktu nyata untuk mendukung deteksi objek dalam kondisi keterbatasan sumber daya jaringan. Pengaturan parameter encoder video, yang meliputi quantization parameter (QP), frames per second (FPS), resolusi, entropy coding, motion estimation, dan macroblock partitioning, menghasilkan variasi bitrate, kualitas video, dan akurasi deteksi objek. Penurunan bitrate dapat mengurangi kebutuhan bandwidth, tetapi berpotensi menurunkan kualitas video dan akurasi deteksi. Sebaliknya, peningkatan bitrate tidak selalu menghasilkan peningkatan akurasi yang sebanding karena kinerja deteksi dapat mencapai kondisi jenuh. Strategi alokasi bandwidth konvensional umumnya berorientasi pada metrik jaringan, kebutuhan bitrate, atau keadilan alokasi tanpa secara eksplisit mempertimbangkan respons akurasi deteksi terhadap perubahan bitrate. Penelitian ini mengusulkan kerangka alokasi bandwidth berbasis sensitivitas akurasi melalui pengaturan parameter encoder video. Hubungan antara konfigurasi parameter encoder, bitrate, kualitas video, dan akurasi deteksi dimodelkan menggunakan profil empiris yang diperoleh dari pengujian sejumlah konfigurasi video pada beberapa model deteksi objek berbasis pembelajaran mendalam. Sensitivitas akurasi dihitung sebagai perubahan akurasi deteksi terhadap perubahan bitrate dan digunakan untuk merepresentasikan manfaat akurasi marginal dari perubahan alokasi bandwidth. Informasi tersebut menjadi dasar penentuan prioritas pada skenario video multi-stream. Aliran dengan sensitivitas tinggi memperoleh prioritas lebih besar, sedangkan aliran dengan sensitivitas rendah atau yang telah mencapai kondisi jenuh dapat menggunakan bitrate yang lebih rendah. Kerangka yang diusulkan dievaluasi menggunakan tiga strategi alokasi, yaitu Alpha Fairness, Markov Chain, dan Lyapunov Drift-Plus-Penalty. Hasil eksperimen menunjukkan bahwa ketiga strategi menghasilkan karakteristik alokasi yang berbeda. Pada skenario yang diuji, Markov Chain memberikan keseimbangan terbaik antara akurasi dan efisiensi bitrate dengan rata-rata akurasi sebesar 0,8804, rata-rata bitrate sebesar 4,062 Mbps, dan efisiensi bitrate sebesar 2,168×10?? utilitas/kbps. Alpha Fairness menghasilkan alokasi yang lebih terkendali dan berkeadilan, sedangkan Lyapunov menghasilkan utilitas tinggi, tetapi membutuhkan bitrate lebih besar pada beberapa titik operasi. Alpha Fairness dan Markov Chain masing-masing menghasilkan 12 dari 12 titik operasi praktis, sedangkan Lyapunov menghasilkan 9 dari 12 titik operasi praktis. Hasil tersebut menunjukkan bahwa sensitivitas akurasi dapat digunakan untuk membedakan aliran yang masih memperoleh manfaat akurasi besar dari tambahan bandwidth dan aliran yang telah mengalami penurunan manfaat marginal. Dengan demikian, kerangka yang diusulkan mendukung alokasi bandwidth yang adaptif dengan mempertimbangkan efisiensi sumber daya dan keberlanjutan kinerja deteksi objek.