rate change times
rate change times versus buffer size
OS
buffer size(KB)
8 16 24 32 40 48 56 64
difference 216 163 123 110 88 82 70 64
buffer size(KB)
72 80 88 96 104 112 120 128
difference 60 57 51 45 49 50 44 47
表 4.1(f) OS 與 MBPOS 速率改變次數詳細的差值
由數值觀察的結果，我們可以看到 MBPOS 比原本 OS 明顯速率 改變次數減低了。因為 OS 均是在邊緣作下個線段的起始點，當然可 以選擇的範圍比較小，所以要延更長的比例也比較小；但是 MBPOS 並不在邊緣，而是離一個距離才是起始點，這樣一來，反而讓它的選 擇範圍變大；雖然我們是用增加速率改變次數來增加它的可行性，但 在一般緩衝區大小夠大的情況，遇到 4.1 節所討論遇到那種不可行的 情況的機會其實不多，影響有限，故 MBPOS 速率改變次數會下降。
因為 OS 本來就是以標準差最小化為目標，不是以改變次數最小為目 標，所以可能會用較多的改變次數來達成標準差最小。有的平順演算 法是在最小化速率改變次數[13]，它達成速率改變次數最小，不過可 能會犧牲一些標準差。標準差與速率變動次數似乎存在著 trade-off 的關係。
4.4 總結
由以上模擬結果，MBPOS 與最佳平順的結果相比是增加了些微的 標準差與峰值，但速率改變次數顯著的減少。MBPOS 可以說是 OS 修正在更實際狀況的版本，它失掉一些原本理想的特性，不過相對可 適性更大。以後如果遇到不同的最小單位限制的問題，也可以用類似 的方式解決。
【註 4】這個限制下產生的結果剛好是特例，剛好沒發生問題，最後一個區段也 剛好是整數。
第五章 結論
本論文主要是針對最佳化平順演算法作探討與研究，模擬並分析 其結果，之後則延伸去看去探討比較實際會遇到的問題。我們先是將 原本的最佳平順演算法作一番討論、模擬與分析，之後則是延伸到位 元組精確最小單位限制的問題上，由於理想狀態被打破，所以又遇到 了其他的問題。我們對此作了修正，並將修正過的演算法作模擬分析 並與原本演算法的方式作比較，由結果可看出其效果在標準差與峰值 是相當接近但大於原本的結果，但是速率改變次數卻是小於原本結 果。基本上最小單位限制下的問題是相當類似的，現在是以位元組，
如果之後最小單位有改變，我們還是可以用相似的方法來解決。
由於篇幅時間能力有限，所以探討僅止於 stored video 上的討 論，實際情形有可能會遇到 live 即時傳送的情況下。不過事實上兩者 相關性很大，只是差別在 stored video 是可以一次針對一整個 video trace，live 的情況是一次針對一部分。