TY -的A2 -布鲁诺,亚历山德罗盟,成为诺盟——Al-radwan Haisam PY - 2022 DA - 2022/06/13 TI - DASH框架使用机器学习技术和安全控制SP - 6214830六世- 2022 AB -最近对视频流的兴趣增加了,因为它构成了大部分的交通网络和蜂窝网络。这些网络使用不同的视频流技术。最著名的技术之一是破折号(即动态自适应蒸使用HTTP)。DASH适应流参数根据网络状况和使用HTTP协议用户和服务器之间的通信。DASH面临着许多挑战,可能会导致视频中断和质量差的用户体验(体验质量)等不良网络条件和缓冲水平控制。除了缺乏研究中,我们将介绍这些类型的服务的安全问题。在本文中,我们提出了一个集成的框架,该框架包括四个部分:质量预测模型,precache模型,光web应用防火墙,一个监控系统。这四个组件提高体验质量和precache和增加的安全级别。质量预测模型的结果用来预测下一段的质量取决于用户的网络条件和precache模型以提高缓存来减少流媒体系统上的负载和更多地依赖于缓存服务器。该web应用程序防火墙是用来抵御光版本视频攻击和验证的存在必要的HTTP标头。 The quality predictor model with the generated dataset achieved 97% classification accuracy using DecisionTree, and this experiment proved the strong relationship between congestion periods and streaming quality, which is s the main key in QoE. SN - 1687-7578 UR - https://doi.org/10.1155/2022/6214830 DO - 10.1155/2022/6214830 JF - International Journal of Digital Multimedia Broadcasting PB - Hindawi KW - ER -