Intern Adaptive Bitrate Streaming Over Media Over Quic Transport Moqt H/F - InterDigital

About InterDigital

InterDigital is a global research and development company focused primarily on wireless, video, artificial intelligence (AI), and related technologies. We design and develop foundational technologies that enable connected, immersive experiences in a broad range of communications and entertainment products and services. We license our innovations worldwide to companies providing such products and services, including makers of wireless communications devices, consumer electronics, IoT devices, cars and other motor vehicles, and providers of cloud-based services such as video streaming. As a leader in wireless technology, our engineers have designed and developed a wide range of innovations that are used in wireless products and networks, from the earliest digital cellular systems to 5G and today's most advanced Wi-Fi technologies. We are also a leader in video processing and video encoding/decoding technology, with a significant AI research effort that intersects with both wireless and video technologies. Founded in 1972, InterDigital is listed on Nasdaq.

InterDigital is a registered trademark of InterDigital, Inc.

À propos d'InterDigital

InterDigital est une entreprise mondiale de recherche et de développement qui se concentre principalement sur les technologies sans fil, vidéo, d'intelligence artificielle ("AI") et les autres technologies connexes. Nous concevons et développons des technologies fondamentales qui permettent des expériences connectées et immersives dans une large gamme de produits et de services de communication et de divertissement. Nous concédons des licences sur nos innovations dans le monde entier à des entreprises qui fournissent de tels produits et services, notamment des fabricants d'appareils de communication sans fil, d'appareils électroniques grand public, d'appareils IoT, de voitures et d'autres véhicules à moteur, ainsi que des fournisseurs de services basés sur le cloud, tels que la diffusion vidéo. En tant que leader de la technologie sans fil, nos ingénieurs ont conçu et développé un large éventail d'innovations utilisées dans les produits et les réseaux sans fil, depuis les premiers systèmes cellulaires numériques jusqu'à la technologie 5G et les technologies Wi-Fi les plus avancées d'aujourd'hui. Nous sommes également un leader dans le domaine du traitement vidéo et de la technologie de codage/décodage vidéo, avec un important effort de recherche en matière d'IA qui recoupe à la fois les technologies sans fil et les technologies vidéo. Fondée en 1972, InterDigital est une société cotée au NASDAQ.

InterDigital est une marque déposée d'InterDigital, Inc.

Pour plus d'informations, n'hésitez pas à consulter le site www.interdigital.com.

Summary

Media over QUIC Transport (MoQT) is an emerging publish/subscribe transport designed for scalable, low-latency delivery over QUIC. This internship will investigate Adaptive Bitrate (ABR) streaming over MoQT using the open-source imquic and OpenMoQ libraries. The work will integrate established ABR approaches and evaluate how MoQT-specific mechanisms, especially relay-based delivery and track switching, can improve adaptation. A central research objective will be to compare subscriber-side and relay-side ABR and to explore cooperative ABR, where the subscriber contributes playback and QoE information while the relay contributes fine-grained transport and network observations.

You will have access to AI Tools to assist you in your work. You will work in collaboration with experts from the InterDigital Video Lab.

Responsibilities

Set up and extend a MoQT experimentation platform based on imquic and OpenMoQ, including publisher, relay and subscriber components.

Integrate representative ABR algorithms, such as throughput-based, buffer-based and hybrid/model-predictive approaches.

Implement and compare subscriber-driven track switching and relay/sender-side adaptation under controlled and varying network conditions.

Explore cooperative ABR combining subscriber-side playback/QoE information with relay-side transport observations such as throughput, queueing, RTT/ACK behavior and congestion state.

Design experiments covering bandwidth variations, latency changes, competing traffic and representative access-network conditions.

Evaluate delivered quality, rebuffering, live latency, bitrate stability, reaction time, switching overhead and overall Quality of Experience (QoE).

Analyze the limits of existing ABR methods in the MoQT context and propose adaptations or new MoQT-aware algorithms when justified by the results.

Research focus Can MoQT benefit from cooperative adaptation, with the subscriber reporting playback/QoE state and the relay exploiting transport-level information to coordinate bitrate decisions?

Résumé

Media over QUIC Transport (MoQT) est un protocole de transport émergent de type publication/abonnement (publish/subscribe), conçu pour une diffusion évolutive et à faible latence sur QUIC. Ce stage portera sur le streaming à débit adaptatif (Adaptive Bitrate, ABR) sur MoQT, à l'aide des bibliothèques open source imquic et OpenMoQ. Les travaux consisteront à intégrer des approches ABR éprouvées et à évaluer dans quelle mesure les mécanismes propres à MoQT, en particulier la diffusion via des relais et le changement de piste (track switching), peuvent améliorer l'adaptation. L'un des objectifs de recherche centraux sera de comparer l'ABR côté abonné et l'ABR côté relais, et d'explorer un ABR coopératif, dans lequel l'abonné fournit des informations de lecture et de qualité d'expérience (QoE) tandis que le relais apporte des observations fines sur le transport et le réseau.

Vous aurez accès à des outils d'IA pour vous assister dans votre travail. Vous travaillerez en collaboration avec des experts du Video Lab d'InterDigital.

Missions

Mettre en place et enrichir une plateforme d'expérimentation MoQT fondée sur imquic et OpenMoQ, comprenant des composants éditeur (publisher), relais et abonné.

Intégrer des algorithmes ABR représentatifs, par exemple des approches fondées sur le débit mesuré, sur le niveau de la mémoire tampon, ou des approches hybrides ou à commande prédictive par modèle.

Implémenter et comparer le changement de piste piloté par l'abonné et l'adaptation côté relais ou émetteur, dans des conditions réseau contrôlées et variables.

Explorer un ABR coopératif combinant les informations de lecture et de QoE côté abonné et les observations de transport côté relais, telles que le débit, la mise en file d'attente, le comportement RTT/ACK et l'état de congestion.

Concevoir des expérimentations couvrant les variations de bande passante, les changements de latence, le trafic concurrent et des conditions représentatives de réseaux d'accès.

Évaluer la qualité délivrée, les interruptions de lecture pour remplissage de la mémoire tampon (rebuffering), la latence en direct, la stabilité du débit, le temps de réaction, le surcoût lié aux changements de piste et la qualité d'expérience (QoE) globale.

Analyser les limites des méthodes ABR existantes dans le contexte de MoQT et proposer des adaptations ou de nouveaux algorithmes tenant compte de MoQT lorsque les résultats le justifient.

undefined

Axe de recherche MoQT peut-il tirer parti d'une adaptation coopérative, dans laquelle l'abonné remonte son état de lecture et de QoE tandis que le relais exploite les informations de la couche transport pour coordonner les décisions de débit ?

Profil recherché

- Étudiant ou étudiante de niveau master en informatique, réseaux, multimédia, télécommunications ou dans un domaine connexe.
- Bonnes compétences en programmation C/C++ et/ou Python ; une expérience des environnements de développement Linux est attendue.
- Des connaissances en réseaux informatiques, QUIC/HTTP, diffusion vidéo en streaming ou diffusion adaptative de médias constituent un réel atout.
- Intérêt pour la recherche expérimentale, l'évaluation des performances et l'analyse de données.
- Une connaissance des codecs vidéo, de FFmpeg, du contrôle de congestion ou de l'adaptation fondée sur l'apprentissage automatique est un plus.