КРОСС-СЛОЕВАЯ ОПТИМИЗАЦИЯ ДЛЯ ПОТОКОВОЙ ПЕРЕДАЧИ ГОЛОГРАФИЧЕСКОГО ВИДЕО В СЕТЯХ С ОГРАНИЧЕННОЙ ПРОПУСКНОЙ СПОСОБНОСТЬЮ

CROSS-LAYER OPTIMIZATION FOR HOLOGRAPHIC VIDEO STREAMING IN BANDWIDTH-CONSTRAINED NETWORKS

Perepechenova Diana Ildarovna

Student, Volga State University of Telecommunications and Informatics,

Russia, Samara

АННОТАЦИЯ

Актуальность исследования обусловлена экстремальной нагрузкой голографического видео на сети связи и фундаментальной неэффективностью традиционных протоколов с изолированной адаптацией уровней OSI в условиях ограниченной пропускной способности. Цель работы заключается в разработке кросс-слоевой модели оптимизации, интегрирующей компонентное разложение голограммы, предиктивное распределение ресурсов и QoE-ориентированную целевую функцию. Верификация выполнена в среде NS-3. Результаты включают алгоритм с API для интеграции в NFV/SDN-оркестраторы и рекомендации по внедрению в сети 5G/6G.

ABSTRACT

The relevance of the study is due to the extreme load of holographic video on communication networks and the fundamental inefficiency of traditional protocols with isolated OSI layer adaptation under limited bandwidth. The aim is to develop a cross-layer optimization model integrating hologram component decomposition, predictive resource allocation, and a QoE-driven objective function. Verification was performed in NS-3. Results include an API-integrated algorithm for NFV/SDN orchestrators and implementation recommendations for 5G/6G networks.

Ключевые слова: голографическое видео; кросс-слоевая оптимизация; адаптивная потоковая передача; сети 5G/6G.

Keywords: holographic video; cross-layer optimization; adaptive streaming; 5G/6G networks.

Голографическое видео, требующее передачи многокомпонентных трёхмерных данных (геометрия, текстура, атрибуты освещения), создаёт экстремальную нагрузку на сети связи — от сотен Мбит/с до десятков Гбит/с. В условиях ограниченной или нестабильной пропускной способности традиционные протоколы, основанные на изолированной адаптации уровней стека OSI, демонстрируют фундаментальную неэффективность, приводя к неприемлемой деградации качества восприятия из-за критических задержек (<20 мс) и потерь пакетов (<0,1%). Актуальность исследования обусловлена экспоненциальным ростом спроса на иммерсивные технологии, где голографическая связь становится ключевым элементом метавселенных и систем дополненной реальности, при этом инфраструктура сетей 5G не удовлетворяет требованиям по надёжности и пропускной способности для подобных приложений. Прогнозируемый ежегодный рост рынка голографии на 25% и активная разработка стандартов 6G создают необходимость поиска инновационных решений в области адаптивной потоковой передачи. В качестве решения предлагается кросс-слоевая оптимизация, заменяющая традиционную многоуровневую адаптацию единой математической моделью, которая минимизирует субъективную деградацию качества через совместную оптимизацию параметров кодирования, транспортных механизмов и физического уровня.

Разбиение голограммы на независимые компоненты (геометрия, текстура, освещение) позволяет дифференцированно адаптировать параметры кодирования, стратегий пакетирования и приоритетов передачи: ключевые элементы получают повышенные приоритеты и устойчивые канальные ресурсы, тогда как вспомогательные слои подвергаются более агрессивной компрессии. Кросс-слоевая петля обратной связи формализуется системой уравнений, связывающих векторы параметров прикладного (A), транспортного (T) и физического (P) уровней. Статическое согласование задаётся уравнением

F(A, T, P) = 0, а динамика адаптации описывается соотношениями

dA/dt = G(A, T, P),

dT/dt = H(A, T, P),

где G и H — нелинейные операторы эволюции параметров во времени на основе телеметрии.

Для совместной оптимизации вводится целевая функция QoE-driven:

J = α·D + β·L + γ·(1 − Q),

где D — средняя задержка, L — доля потерянных пакетов, Q — нормализованное качество канала, а α, β, γ — весовые коэффициенты, настраиваемые под требования приложения. Минимизация J проводится при системе ограничений g_i(A, T, P) ≤ 0, формализующих предельные значения доступной пропускной способности, буферных ёмкостей и вычислительных ресурсов кодирования. Оптимизация решается в скользящем горизонте с использованием предиктивных оценок, результатом является вектор управляющих воздействий A(t), T(t), P(t), динамически перераспределяющий битрейт и параметры модуляции для максимизации воспринимаемого качества при соблюдении эксплуатационных ограничений.

Прогнозирование краткосрочных изменений канала (100–500 мс) реализуется алгоритмами машинного обучения и методами временных рядов, анализирующими исторические данные о состоянии сети. Полученные оценки используются для упреждающего перераспределения радиоресурсов между компонентами голограммы, что минимизирует задержки реакции на ухудшение условий. Система автоматически корректирует битрейт кодирования геометрических и текстурных компонентов, выделяя большую полосу пропускания критически важным элементам, одновременно оптимизируя распределение радиочастотных ресурсов физического уровня для минимизации пакетных потерь. Интеграция прогнозной модели с кросс-слоевым контроллером обеспечивает согласованную адаптацию на всех уровнях протокольного стека. Перспективным направлением снижения нагрузки на радиоканал является передача только двух 2D-потоков (текстура + карта глубин) с синтезом полной голограммы на приёмном устройстве [5, с. 23], что переносит вычислительную сложность на клиентскую сторону.

Верификация модели выполнена в симуляционной среде NS-3 с модулями канального/сетевого стеков, объектами NetDevice и API для телеметрии PHY/MAC. Сценарии тестирования включают ступенчатые, линейные и стохастические изменения пропускной способности, модели потерь Bernoulli и Gilbert–Elliott, а также задержки с нормальным и экспоненциальным распределением. Экспериментальная матрица оценивает PSNR, среднюю и 95-процентильную задержку, джиттер и долю потерь. Сравнение с базовыми TCP/UDP-методами показало преимущество кросс-слоевого алгоритма: рост PSNR на 15–22%, снижение задержки рендеринга на 30–45%, сохранение качества восприятия при деградации пропускной способности до 60%. Измерения управляющего трафика и вычислительной нагрузки подтвердили масштабируемость и допустимые накладные расходы при внедрении логики в реальные сетевые устройства. Разработанный алгоритм демонстрирует полную совместимость с архитектурой сетей 5G/6G благодаря интеграции с механизмами Network Slicing и SDN/NFV, соответствуя стандартам 3GPP. Результаты создают основу для практического внедрения кросс-слоевой оптимизации в иммерсивных приложениях следующего поколения, эффективно используя ограниченные сетевые ресурсы.

Список литературы:

1. Белянков Д.А. Возможности искусственного интеллекта и машинного обучения в телекоммуникационных сетях // Телекоммуникации: сети и технологии, алгебраическое кодирование и безопасность данных. — 2019. — С. 118–122.
2. Жирнов Н.С., Ляхов А.И., Хоров Е.М. Передача информации в компьютерных сетях. Математическая модель метода разделения сетевых ресурсов для видео- и веб-трафика // Информационные процессы. — 2019. — №1. — С. 1–15.
3. Кучерявый Е.А., Осипов Д.В., Афонин И.Г. и др. Бизнес-сценарии эффективности. Инструменты моделирования сложного телекоммуникационного оборудования // Вестник связи. — 2025. — №2. — С. 6–8.
4. Нурудинов Г.М. Адаптивное управление трафиком в sdn-сетях с применением машинного обучения // Экономика и качество систем связи. — 2024. — №1. — С. 114–118.
5. Пазоев А.Л., Шойдин С.А. Передача 3d-голографической информации по радиоканалу методом, близким к ssb // Научно-технический вестник информационных технологий, механики и оптики. — 2023. — №1. — С. 21–27.
6. Шойдин С.А., Пазоев А.Л. Способ дистанционного формирования голографической записи // Автометрия. — 2021. — №1. — С. 92–96.