Intern Ai-Driven Energy-Aware Adaptive Video Streaming From Client-Side Optimization To End-To-End Collaborative Reinforcement Learning H/F InterDigital

Summary

The objective of this internship is to investigate how Reinforcement Learning (RL) techniques can improve the energy efficiency of adaptive video streaming while maintaining a high Quality of Experience (QoE) for end users. The study will consider optimization opportunities across the entire streaming chain, from video encoding and bitrate-ladder generation to content delivery through Multi-CDN architectures [1], client-side Adaptive Bitrate (ABR) selection, decoding, and display.

Building on recent research in energy-aware adaptive streaming [2] and reinforcement-learning-based Multi-CDN optimization [3], the internship will explore how energy consumption can be dynamically incorporated into streaming adaptation decisions, alongside traditional criteria such as video quality, rebuffering, latency, throughput, delivery cost, and resilience.

The work will investigate RL-based optimization strategies at different levels of the streaming chain. At the client side, RL models may dynamically adjust the cost functions, weighting parameters, or decision criteria of existing heuristic-based energy-aware ABR algorithms. Such adaptation may consider network and playback conditions, device energy policies, device characteristics and operating conditions, as well as the user's viewing context.

At a broader system level, the internship will also investigate the joint optimization of video representation selection and CDN/delivery-pathway selection. Particular attention may be given to Multi-Agent Reinforcement Learning (MARL), where multiple agents responsible for different adaptation decisions cooperate to achieve a common energy-efficiency and QoE objective. This includes investigating coordination between agents to avoid conflicting optimization decisions.

The intern will first review existing approaches and identify the most influential parameters, decision points, and promising RL-based optimization strategies. Selected solutions will then be implemented and evaluated on an end-to-end adaptive streaming platform. A benchmark will quantify the achievable energy savings, assess their impact on QoE and other performance metrics, and compare the proposed solutions with conventional adaptive streaming and independently optimized approaches.

[1] Ali C. Begen, Yuriy Reznik , Daniel Silhavy (DRAFT) SVTA5078: Architectures for Multi-CDN Switching - SVTA

[2] Baptiste Boutaud De La Combe (2026) Energy-Aware Adaptive Video Streaming Using Deep Reinforcement Learning: Master Thesis. Masters thesis, KTH University.

[3] Joshi, Chidambar (2025) Video Streaming Optimizations via Collaborative Multi-CDN Selection with Deep Reinforcement Learning. Masters thesis, Concordia University.

Responsibilities

Conduct a state-of-the-art review, identifying the advantages, limitations, and challenges of existing approaches.

Set up the experimental environment, implement and document AI-based technologies and solutions.

Evaluate performance, analyze experimental results, and report key findings.

Contribute to the preparation of a scientific paper for submission to an international conference, as an additional objective.

Résumé

L'objectif de ce stage est d'étudier comment les techniques d'apprentissage par renforcement (Reinforcement Learning, RL) peuvent améliorer l'efficacité énergétique de la diffusion vidéo adaptative tout en maintenant une qualité d'expérience (QoE) élevée pour les utilisateurs finaux. L'étude portera sur les pistes d'optimisation tout au long de la chaîne de diffusion, de l'encodage vidéo et de la génération de l'échelle de débits jusqu'à la distribution des contenus via des architectures multi-CDN [1], la sélection du débit adaptatif (Adaptive Bitrate, ABR) côté client, le décodage et l'affichage.

S'appuyant sur des recherches récentes consacrées au streaming adaptatif écoénergétique [2] et à l'optimisation multi-CDN fondée sur l'apprentissage par renforcement [3], le stage explorera comment intégrer de manière dynamique la consommation d'énergie dans les décisions d'adaptation du streaming, aux côtés de critères classiques tels que la qualité vidéo, les interruptions de lecture (rebuffering), la latence, le débit, le coût de distribution et la résilience.

Les travaux porteront sur des stratégies d'optimisation fondées sur le RL à différents niveaux de la chaîne de diffusion. Côté client, des modèles de RL pourront ajuster dynamiquement les fonctions de coût, les paramètres de pondération ou les critères de décision d'algorithmes ABR écoénergétiques existants fondés sur des heuristiques. Cette adaptation pourra tenir compte des conditions de réseau et de lecture, des politiques énergétiques de l'appareil, de ses caractéristiques et conditions de fonctionnement, ainsi que du contexte de visionnage de l'utilisateur.

À l'échelle du système, le stage étudiera également l'optimisation conjointe de la sélection des représentations vidéo et de celle des CDN et chemins de distribution. Une attention particulière pourra être portée à l'apprentissage par renforcement multi-agents (Multi-Agent Reinforcement Learning, MARL), dans lequel plusieurs agents chargés de décisions d'adaptation distinctes coopèrent pour atteindre un objectif commun d'efficacité énergétique et de QoE. Il s'agira notamment d'étudier la coordination entre agents afin d'éviter des décisions d'optimisation contradictoires.

La personne recrutée commencera par passer en revue les approches existantes et identifier les paramètres les plus influents, les points de décision et les stratégies d'optimisation prometteuses fondées sur le RL. Les solutions retenues seront ensuite implémentées et évaluées sur une plateforme de streaming adaptatif de bout en bout. Une évaluation comparative (benchmark) permettra de quantifier les économies d'énergie réalisables, d'apprécier leur impact sur la QoE et sur d'autres indicateurs de performance, et de comparer les solutions proposées au streaming adaptatif classique et à des approches optimisées séparément.

[1] Ali C. Begen, Yuriy Reznik , Daniel Silhavy (DRAFT) SVTA5078: Architectures for Multi-CDN Switching - SVTA

[2] Baptiste Boutaud De La Combe (2026) Energy-Aware Adaptive Video Streaming Using Deep Reinforcement Learning: Master Thesis. Masters thesis, KTH University.

[3] Joshi, Chidambar (2025) Video Streaming Optimizations via Collaborative Multi-CDN Selection with Deep Reinforcement Learning. Masters thesis, Concordia University.

Durée : 5 à 6 mois, avec un démarrage entre janvier et avril 2027 ou en septembre 2027

Missions

· Réaliser un état de l'art, en identifiant les avantages, les limites et les défis des approches existantes.

· Mettre en place l'environnement expérimental, implémenter et documenter des technologies et solutions fondées sur l'IA.

· Évaluer les performances, analyser les résultats expérimentaux et rendre compte des principaux enseignements.

· Contribuer, à titre d'objectif complémentaire, à la préparation d'un article scientifique destiné à une conférence internationale.