生活無線化是一種未來的趨勢，在可容忍的電磁波條件下，這種趨勢的前進方向至少目前不會改變，未來其規範亦可能納入立法的考量。藉著無線通訊的推波助瀾，各種專業服務產業也逐漸興起，尤其是線上醫院、線上法庭、線上維修、線上購物以及線上諮詢…等服務業在未來頗具發展趨勢。
群播的服務遞送模式
雖然目前有許多概念性的工作對無線網路中的群播式MOD服務提供了有效率的運作方法，但可惜的是，這些研究的焦點多放在其特定的網路條件架構下，只有很少數的演算法可直接適用隨意服務之上。換句話說，此領域的研究仍屬尚待開發的階段。在各種有線環境中的通訊研究裡，其已發展出各種方法可在群播式的MOD下有效的遞送服務。此類方法的運作概念，在於遠端伺服器於遞送服務到客戶端之前，會先匯集一些客戶要求(可能按時(timeout-based)或按量(size-based）的方式)，然後將這些具有相同要求的客戶視為同一服務群組，並對此群組送出一份單一群播服務的資料串流(data stream)。因此，這種群播式的MOD服務，亦被稱為「群組式隨意多媒體服務(group-based Multimedia On-Demand，GMOD)」，更深入的有關此方面研究報告，可以參考2006年L. Hunag等人的相關研究。
正因為群播式的MOD在伺服端遞送服務之前，遠端的客戶端必須等待一段伺服器資料蒐集階段(即是蒐集相關用戶的媒體要求)。因此這種群播式的隨選媒體服務最為人詬病之處乃在於客戶端使用服務時，往往需要等待一段時間。且依據每個客戶端的終端設定不同，客戶端的有效等待時間亦有差異。換句話說，在遠端伺服器開始遞送服務時，並不一定保證每個客戶端屆時還能有效接受服務。因此這將使廠商失去一些獲利機會以及造成客戶喪失對該廠商所能提供服務能力之品質信賴。
為解決此延遲問題，H. J. Kim及Y. Zhu (1998)與Chan等人(2001、2003)提出另一種稱為「批次處理(batching)」的方法。Kim、Zhu及Chan等人所提出的這種策略也就是一般所謂的「傳統策略」，在其策略中其可以分成兩種基本策略與兩種混合策略。前者所謂基本策略乃指「按時(timeout-based)」或「按量(size-based)」的批次處理方法；後者乃指利益結合批次處理與遺失結合批次處理方法。這種按時批次處理(timeout-based batching)或按量批次處理(size-based batching)方法，亦是目前無線網路中為人所熟知的兩種批次處理策略。
在Chan及Wong等人的方法裡面，比較重要的是其有兩個基本假設。首先是假設網路資源是沒有限制的；其次，其亦假設使用者使用服務不存在偏差行為。因此其方法在一些資源有限或是存有惡意使用者環境的情況下，便無法全部適用。許多後來的發展策略均以此兩個基本方法作為基礎而來，例如：2001年時Chan所提議的利益結合批次方法(combined-for-profit batching)以及遺失結合批次方法(combined-for-loss batching)均屬之。在Chan及Wong的分析模型中，其乃屬於按時批次策略的效能評估方法之延伸。這些傳統方法的更詳細介紹可以參考1998年Kim等人的研究及2001年Chan的相關研究，或者亦可參考較新的L. Huang(2006)等人之研究。除Kim、Zhu及Chan等人的方法之外，另外尚有K. A. Hua等人(1998)提出的「分片(patching)」方法，以及1996年時L. Golubchik等人所提議的「小豬回籠（piggybacking）」方法可供參考。不過根據Fonseca及Boggia等人的看法，以上這些方法均具有互補性並可結合成一種新的混合策略(hybrid strategy)以改善效率。
雖然在這些被提議的方法裡面，以批次處理(batching)的方法運算效率較高，並可避免其他資源的浪費，因此許多研究者均以此方法作為一個改良基礎，但其亦非並無缺點，例如：在按時的批次方法裡面，每個使用者必須等上一個批次週期時間才能看到其所要求的媒體內容。在此週期時間是個隨機變數，其和使用者放棄函數有關，也就是說，如果因等待時間過長致使此內容無法被顯示，則使用者往往會放棄此服務。因此如何取得最大使用者量(即不要求取得全部使用者量)與系統資源最佳化之間的平衡點是一個重要的思考問題。另外，如果在批次處理之後，如果已經沒有多餘的群播通道可供使用，那客戶端的要求就會暫時被阻斷而無法使用服務。
在圖3中，伺服端的多媒體內容被使用的頻率並不相同，在此可分成熱門的內容與冷門的內容(或稱罕用的內容)，而傳送所要求媒體所需要之頻寬計算必須依據熱門與冷門之間的頻寬需求(即是媒體選中率與到達率)按比例計算。讓我們假設一個系統可以提供的多媒體內容為{1,2,3,...,M}，其中1,2,3,...,M表示媒體的型態種類。例如：視訊、音樂、文字、圖片…等等。每一種媒體內容均有不同的特點與存續時間。假設某一媒體之到達率(arrival rate)以表示，其中m=1,2,3,...,M；而以表示該媒體m被使用者選中的機率，則使用者收到該媒體m的機率可表示為。
一旦系統收到使用者要求某一特定內容時，系統便開始計算批次時間，並在此時間內收集其他具有相同要求的使用者資料，以最佳化系統資源的使用分配。在此我們假設兩個批次參數T及S分別表示按時或按量批次策略，以調整批次處理的間隔。使用者的相同媒體要求都會被放在批次佇列(batching queue)中被同時處理。為這種批次方法需要使用者等待一段批次週期(batching period，即是等待週期)，以使系統有足夠時間建立服務架構與蒐集使用者要求資料。因此使用者對這些等待週期的耐受度各不相同，有些使用者會在服務開始提供之前便已放棄使用。在批次處理完成之後於服務遞送前，系統必須再次檢查批次佇列內有效的使用者要求，因為一些仍留在批次佇列中的使用者要求，有些會因為使用者無法等待服務建立時間而已不存在，這些不存在的要求必須移除。讓我們假設某單位時間內，媒體內容m所剩餘的使用者要求量為，此要求量便是所謂的媒體m之真正通透量。在開始傳送服務時，系統會送出一個資源要求(resource request)，以作為內容m要傳送給批次佇列中所有使用者要求時，所需具備之資源使用要求。對一個在無線蜂巢中含有全部群播通道之群播資源池(multicast resource pool)而言，此資源要求乃是整合其他資源之全部要求(即是要求總額)。
確認病患照顧確實性－維持服務品質的必要性
服務品質的維護可以分成兩個層面來看，一個是站在病患的角度而言，另一個是站在伺服端的角色來看。無線網路的服務品質維持是讓服務可被接受的基本要件，但因為在無線網路中其終端設備的資源有限加上無線網路頻寬的考量，要執行多媒體之應用頗有多種限制存在。這些限制主要有三個，分別為運算複雜度、儲存成本與傳送成本。而截至目前為止，要同時解決此三個問題並非易事。主要原因在於，要節省儲存成本與傳送成本，勢必要提升多媒體本身的壓縮效能，但要提升壓縮效能就會增加運算複雜度，真是進退維谷。
換言之，雖然好的媒體壓縮技術不但可以減少每個多媒體區段(multimedia session)的使頻寬量，亦可以減少媒體儲存需求以降低儲存成本，同時亦降低前面兩者的實作困難度與緩解需求的急迫性。但其缺點是，好的壓縮技術往往涉及較繁重的運算成本，此條件又不一定能為所有終端設備所滿足。例如ITU-T提出的H.264/AVC SP版本，其運算複雜度因為太高，許多無線裝置在實作上仍有其力有未逮之處，因此許多廠商的一個作法是以VC-1 CODEC暫時做為無線應用上的解決方案。由此觀之綜合前面所述，此三部分對於提升更精緻的無線網路服務品質具有舉足輕重之地位。因此如果要提供客戶端負載的服務品質，往往需要降低運算複雜度(尤其是對即時多媒體應用而言)，才可能使播放器播放更為順暢。如果站在伺服端的角度來看，要維護無線網路服務的穩定性，採平行處理以及負載平衡機制是一項頗為吸引人的方式。利用叢集式(cluster-based)主機服務群，所提供的服務冗餘性，可以保持提供用戶某種服務的能力(或品質)的維持，此將有助於避免不必要的醫療糾紛，目前許多商業應用均已朝向此方面前進。
一、服務品質的量化技術-服務等級同意書(SLA)
遞送即時多媒體服務與一般資料下載服務的最大差異，在於時間的耐受性與品質的最低接受度，此問題在無線網路的應用上尤其明顯。目前許多多媒體服務的遞送，大多以時間耐受性為主要考量，對於品質問題似乎並不太注重，好似大家都有認知的默契，認為無線網路只能做到如此，所以沒啥好苛求的。但隨著應用的需求量增大，除了要求時間延遲需少於一定限制之內以外，還要求要提供用戶一定的的服務品質。
至於服務品質的等級，則依據使用者付費原則，由用戶與系統商訂立契約表示，此即是服務品質同意契約書(service level agreement contract)，簡稱SLA。一旦服務品質契約書訂立之後，系統服務廠商即須依契約來履行服務等級品質保證義務，而客戶則需支付對價，此乃天經地義之事，任一方有可歸責於己之事由而不能依債之本旨履行其義務時，便可能須負擔債務不履行責任。在此，使用者端的部分因為主要是支付價金，所以比較容易解決，比較有問題的部分在於系統服務商的部分。在目前的工業應用裡，QoS的需求常被歸為SLA問題。直至今日，人們對SLA並沒有一個標準定義之存在。也就是說，目前SLA的規範語言定義仍處於研發階段，例如：J. SKene及D. Lamanna等人(2004)的研究裡，其稱之為「SLAng」。大致上而言，SLA是規範服務廠商與消費間的服務品質有對價關係，因此往往是一種描述集合，常以契約型態存在。此描述集合可以和QoS感知cluster一起嵌入到它所處的應用程式裡面。
為了方便處理，SLA的契約型態與一般法律文件有些差異，SLA常以XML格式存在以方便與AP結合在一起。在一個SLA XML檔裡面，它有兩個區段組成，一個稱為用戶責任區段(client responsibilities session)，另一個稱為伺服器責任區段(server responsibilities session)。在此兩區段內分別定義了AP用戶與AP伺服器的相關權限與法律上義務。所謂用戶義務(client obligations)所指的包含服務使用的單一性(不得將密碼與帳號與他人分享)、單位時間內連線數目限制…等等；而所謂伺服器責任(servers responsibilities)部分，通常包含AP運作的保證、QoS等級的維護、傳送障礙的排除…等要件。這些伺服器責任種類可利用QoS來作為分類依據，亦可以用AP回應時間作為分類方式，此乃依據商業模式而略有差異。
二、品質感知系統之建置
系統商要如何能偵測使用者端的接收服務品質是合乎SLA規範的？此乃頗令人傷腦筋的問題。為了解決這些問題，許多研究者提出了多種QoS的感測方法，這些QoS感知方法最好還能與現行系統相容，而不必作太多改變，例如：G. Lodi與F. Panzieri等人於2007年提出一種應用伺服器(application server，AP server)的QoS感知(QoS-aware)的叢集架構。在他們的設計架構裡，其把QoS感知能力實作在中層間(middleware)裡。利用middleware架構可以協助動態資源管理與AP伺服器對於叢集資源的動態分配。換句話說，在他們提議的方法裡面其將SLA與AP server整合在一起，使AP server具有QoS感知能力並支援AP伺服器動態架構及負載平衡。
不過QoS感知的AP伺服器並不容易，其有兩個因素需要仔細考量，一種為AP伺服器種類的選擇(例如：J2EE、Dot NET或是CORBA元件模型(CORBA component model，CCM)…等AP伺服器技術)，因為不同的AP可能會有不同的QoS需求(例如：畫面品質、時間延遲、回應時間限制…等等)，這些需求一般可被概括歸類為服務等級同意契約(service level agreements，SLA)，該契約以明文的方式保障消費者與廠商所應履行的義務。
為使AP設計者擁有更多掌控能力，以及相關應用程式具有更大可用性，不過目前的A伺服器幾乎都有提供叢集能力與負載平衡(load balancing)；另一種為資源的消耗情形，在AP伺服器所提供的服務裡(例如：web服務)，其可由高度的載入變異性加以特徵化，以作為規劃他們的SLA有關資源使用量的參考。在許多情況下，為了確認伺服端提供的服務品質不會違反SLA規定，通常一般會以AP伺服器可能需要的資源之最壞狀況來作為資源分配依據，並應用RO策略(resource overprovision policy，ROP)，以靜態的方式將資源配置給AP使用。此策略雖不會使資源使用最佳化，但可達到次要可接受程度。不過因為此策略乃基於worst-case情形，故在當時執行情況(run-time)有可能會有很多以分配之資源可能未被使用，而浪費了可用資源。
因此如果對要達到SLA所可能使用的系統資源有更精確的評估，就越能幫助我們降低資源使用上的浪費。基於上述之建置觀察，一個對QoS感知性好的伺服端架構應具備監測能力(即是監控服務)、動態架構能力以及適當的負載平衡能力。監控服務是訊息提供的重要方式之一，尤其是對QoS感知的叢集架構而言。利用監控的方式，至少我們可以得到叢集成員的變動情形，以及不同叢集之間的效能分佈，並且也可以知道hosting SLA是否有失效或未達到的情形。不過因為監控服務，通常是定期確認的方式，來確認叢集成員之架構變化。此外監控服務也負責監控資料，例如叢集的反應時間，SLA的達成度…等等。以偵測叢集遞送的服務是否合乎QoS的等級要求。
在監控服務中，其具有許多參數可供設定，這些參數可被用來追蹤叢集的動態行為；而為了能反應當時流量特徵與服務存取模式，動態架構要能重新架構當時最適合的服務系統叢集架構。此處所謂一個好的叢集架構，應包含利用最少的資源節點(resource nodes)去建立一個符合SLA的品質架構，使其服務可達到hosting SLA之要求。負載平衡是叢集伺服器一個重要特色，其通常被實作在middleware層，以平衡來自客戶端的HTTP要求。負載平衡的一個條件，主要在維護hosting SLA能被滿足，以減少nodes過載的情形，並可避免服務處於不可用狀態。因此一個叢集伺服器的負載平衡主要具備有幾個重要特色，分別為：自標的node接收回應、取得每一客戶端之HTTP要求、提供觸發要求客戶的回應、選擇標的node可用的負載平衡策略…等等。以G. Lodi等人的middleware架構而言，其便是採用是一種可動態重新架構的概念，其依據監控程式所給予的資料適當的調整叢集系統的負載平衡。
Lodi等人的middleware架構乃以JBOSS實作為主，他們之所以選擇JBOSS的原因之一，主要是因為其含有許多通訊、交易、安全…等等middleware服務的集合，這些服務利用JMX(Java Management eXtension)的微核心來完成彼此間的互動。且在JMX裡，其也定義了一般的軟體匯流排(software bus)，以方便Java開發者容易整合各種元件(例如：plug-ins、modules…等等)，這些元件通常會被宣告為MBean(Managed Bean)的型態並被載入JBOSS中。最後大量的JBOSS AP伺服器執行體(instances)可以被叢集化成一個局部網路，和其他叢集一樣，一個JBOSS叢集亦由許nodes組成，在此每一個node都是JBOSS的AP伺服器執行體。每個叢集node的IP位置可以是經由DHCP server動態分配，亦可指定靜態IP位置。前者，整個叢集架構中需加入DHCP伺服器的考量，後者則省去DHCP伺服器的參與。
在許多簡化的設計裡面，通常採用的是靜態IP(static IP)作為node的IP位置，不過這種簡化設計腳本對於高行動性的無限網路群組將有適用上的限制。在圖5的架構中，其顯示了叢集內每一個nodes之間的合作情形，包含複製的configuration service、監控服務以及負載平衡，其每個實作均可以MBean的方式整合到JBOSS AP伺服器內。在此叢集中只有一個node會負責SLA之強化、監控與負載平衡，其他nodes則屬備位狀態。負責現行SLA的node我們稱為master node，其他稱為slave nodes。
Slave nodes通常只會在master node掛點後，才會啟動並接任原master node的工作。為防止Matser node本身掛點後無法執行監控功能而使系統停擺，因此master node的監控功能乃由slave nodes中的監控程式為之。一旦偵測到master node掛點，其便利用JBOSS內建之群播通訊方式(JGroup機制)來通知其他nodes，並由configuration service依據每個node中所具有的獨特ID值(例如：靜態I位置)為主或以決策演算法為之，在這些slave nodes中選出其中一個node作為master node繼續工作。不過有設計過middleware的人員便知道，其架構的設計並不容易，這中間有許多問題需要被解決與溝通，這些問題包含：最佳化資源的使用率、SLA內QoS的滿足性以及軟體架構的最大可攜性…等等。
為了更精確定位這些問題，我們須對分散式應用中的QoS需求架構的設計有更深入的瞭解，例如：run-time的資源監控服務之評估，以及一些回饋控制機制理論(feedback control theory)。此外為了處理叢集環境之特徵化、高度變異性及不可預測載入條件之情形，我們也會須要一套動態的負載平衡機制。這些負載平衡允許我們對用戶端的要求，在cluster伺服器之間作適當分配，以避免伺服器因無法承受大量用戶要求而出現過載(overloading)情況。
不管是站在病患(使用者)角度或是伺服端角度來看，整體服務品質的體現是最重要的一項成果。因此在QoS的應用裡，我們所關心的焦點主要有兩個，一個是資源使用量，另一個為醫護經營成本的抑制。在此兩大方針裡，其中資源使用的要求以及服務需求性，最好還要能依據run-time的實際情況而可動態改變，以符合應用程式(AP)之QoS要求又節省資源。
在一些企業應用裡面，分散式的元件技術是達成此目的的最重要方法，在其中比較重要的又以Dot NET技術以及J2EE技術是目前最廣被使用的。以一個J2EE-based的應用程式其主要可分成四個組成構造，分別是managed components、namely、srevlets及EJB(Enterprise Java Beans)，其分別位於servlet container以及EJB container中，而這些container就是這些應用程式的run-time環境。在多數的J2EE商業套件裡面或開放原始碼(open-source) AP伺服器中，亦有提供叢集化能力。在此所謂的叢集化能力和資料分析裡面的叢集技術有些不同，其乃指一種架構性的機制(architecture mechanism)，其經由負載平衡與複製性(replication)，可被用於改良通透性與分散式AP的可用性。
站在J2EE的觀點來看，一個叢集(cluster)可能由多個AP伺服器執行體(instances)組成，在一個叢集化的環境裡，container是分散式的，每一節點(即是AP伺服器的執行單元)只會run他們其中一個instance。在目前的J2EE伺服器裡面，叢集化的支援乃以服務的形式來提供，一般而言，該服務需要initial cluster架構為一個含有固定的AP伺服器instances集合，在尖峰時段的負載或是伺服器出現失效時，允許操作者利用手動的方式重新架構cluster的執行體集合架構，使其可以動態改變提供服務的主機群組。例如：導入新的服務執行體(service instance)，或取代失效的執行體，不過目前的叢集支援不含應用層之QoS需求保證機制。事實上，為了對付變異性及不可預測的載入，以防止應有的QoS要求失效，在目前的叢集設計裡面，其大多需要使用「過量供應(over provision)」策略。此策略會需要設置冗餘裝置，其優點是可以有效保持服務的可用性，但其缺點便是裝置的閒置。
三、醫療監控服務位居要角
監控服務程式在此有兩個關鍵角色，一個是監控病患的活動與情況，並適時做出回應評估；另一個角色是必須要監控後端系統對該種服務持續提供的可用性(例如：必須監控系統的運作，以防系統已經當機，但醫護人員卻不知，進而造成病患嚴重傷亡)。因為監控服務會提供必要的資訊給架構服務(Configuration service)，使其提供符合SLA的服務內容給客戶端。此外監控服務應該要能計算(或預測資源使用)並更新監控參數，以確定cluster的運作條件接近所要求的SLA。
由此可知，監控服務可以說是SLA客戶責任的第一線監視器。但如果客戶端傳送的服務要求超過伺服器允許的數量，客戶端就會違反SLA。在這種情形裡，因為責任不屬於clusters端，所以並無重新架構叢集之必要。但站在AP的立場，其應用程式應產生例外控制(exception control)來處理這種情形。其次，監控服務主要是監控伺服端的SLA伺服器責任，如果它偵測到cluster的SLA違反速率趨向有可能無法滿足所要的SLA時，它就應該觸發configuration service來重新架構cluster。在此情形之下，Configuration service利用加入新的nodes以滿足SLA之限制，不過SLA的這些限制，乃為一種參數設定，可再經由AP檢查程式(AP benchmarking)或是AP模型化過程(AP modeling)來取得。
Configuration service對於服務品質的維持與節省使用成本具有關鍵性的貢獻，其可經由加入一個或是多個nodes來擴大其叢集規模與能力。當有新的node加入時，configuration service會重新架構cluster，並會一點時間來處理短暫的過渡架構現象，或是經由一次加入多個nodes的方式來一次更新所有事件。如果監控程式偵測到目前cluster架構對於所有載入客戶要求均游刃有餘之時，監控程式便會觸發configuration service來重新架構cluster以移除不必要之nodes，以節省系統資源的耗費。不過，這種方式比較使人有疑問的是，在重新架構cluster時其所花費的過度時間是否可被忍受，或者其處理成本效益是否明顯優於所節省的使用資源(換句話說，其利益交換之間是否符合比例原則)。如果未能有明顯差異，那時間上的遲誤所造成的後遺症是否會影響病患之SLA維護，以及用戶群對企業服務之反應時間上的整體感官，此個問題仍有待觀察。
視訊壓縮技術之選擇
對一些需要使用到遠端視訊的應用來說，視訊壓縮標準(video compression standard)的選擇是一個很重要的因子，此對24小時居家醫療照護系統而言更是如此。無線裝置因為運算能力有限，一般太複雜的視訊壓縮演算法無法直接使用在這些裝置之上，例如：H.264/AVC因為其採用的為小波轉換(wavelet transformation)方法，故在運算複雜度上仍令許多手持裝置無法負荷。因此視訊資料的儲存，視訊會議、視訊廣播乃甚至是P2P的影像電話…等等，這些應用領域均與視訊壓縮效能有重要關聯。
目前最為大眾所熟知的視訊演算法有MPEG-1、MPEG-2、MPEG-4、H.263、H.264/AVC、VC-1…等等，其中在MPEG-1及MPEG-2裡，畫面(frames)被區分為三種不同畫面，分別為I、B及P畫面。在這三種畫面裡面，只有I畫面(或稱關鍵畫面)可以被施以空間壓縮技術。其他畫面，例如P畫面，則利用I畫面插補而來；而B畫面則利用I畫面或P畫面，以區塊移動補償(block motion compensation)加以插補而來。利用這些插補技術，可以移除P及B畫面之時序冗餘性，在此在壓縮方面，我們多以I畫面為主要探討重點。
* I畫面的壓縮方法
一般I畫面的壓縮方法，目前使用最廣的是內建在JPEG內之DCT轉換法。但近幾年之研究發現wavelet方法的效能可能超過DCT法，並可提供更低的影像失真，使其在非常低的位元速率(bit rate)下亦能有不錯的視覺品質表現，故許多新的視訊壓縮方法紛紛以wavelet作為其壓縮核心方法(例如：JPEG 2000或是H.264/AVC)。為了更增進壓縮效能，在2006年時O. Alatas及O. Javed等人利用探討資料的時空規律性(spatiotemporal regularity)來改善Wavelet video coding的壓縮效率。此所謂規律性的概念，來自於一連串的影像會產生一個時空體積(spatiotemporal volume)，此體積沿著像素變異最少的方向，便稱為其規律性方向，在此方向上，其能量熵(entropy)是最小的。
Wavelet轉換方法之所以可以產生較高的壓縮比，乃因為其利用分解正規化資料後，以少數重要係數來表示，而達到較高的壓縮率。wavelet吸引人之處，在於其所能提供之延展性與編碼效能。在2005年時，E. L. Pennel及Mallat更進一步依據wavelet-basis理論而提出新的影像壓縮基礎建設(framework)，在其工作內容中，其利用對影像幾何之探索以尋求達到更高壓縮效率的方法。換句話說，一個影像片段的幾何，可以利用2-D向量場來逼近，此向量場即稱為「幾何流(geometric flow)」。此幾何流顯示了各種片段的正規變異的局部方向。因此，利用wavelet-based方法來沿著此方向對影像片段進行壓縮，將比沿著固定方向壓縮的傳統wavelet basis壓縮法要具有更高的壓縮效能。
* Wavelet小波技術應用
目前wavelet技術不只應用在影像壓縮技術上，其在視訊壓縮方面亦展現了重要的應用性。從1988年G. Karlesson及M. Vetterli將wavelet技術應用在視訊編碼(video coding)時起，目前這種wavelet技術已成為下一代視訊編碼標準的核心技術。開發視訊的壓縮技術遠比單一影像的壓縮技術要更具挑戰性，在近幾年來的研究趨勢裡面，許多學者已注意到視訊影像的空間與維度在壓縮領域所可能扮演的角色關係，亦即壓縮的思考概念以慢慢注意到影像水平與垂直資料特徵。例如在Karlesson及Vetterli的提議裡，其便把視訊畫面序列先分割成畫面群組(group of frames，GOF)，然後這些GOF在沿著時序、水平及垂直方向加以分解資料，以探求更好的壓縮資料方法。
不過在當時他們這種分解方法並不會考慮資料中的方向規律性問題。換句話說在GOF的全域移動上，其實序方向上已有制式的定義存在，以定義其規律性的3-D路徑方向，這些路徑會順著移動方向一直延伸。不過如果遇到混有局部和全域移動的情況時，其情況就會比較複雜，因為在此情形之下不同的移動型態會造成規律的多向性。要模型化這種規律性的方法之一，便是去計算每一個移動以發覺GOF可能的規律性方向所在。
一個影像序列的規律性方向，主要和影像的移動內容(motion content)與其空間結構(spatial structure)有關。Alatas及Javed等人的方法和一般方法不同之處，乃在於其處理GOF時，其並不以畫面堆疊(frame stack)的觀點來看，而是改採3-D向量場(vector field)的方法，此方法他們稱為時空正規流法(spatiotemporal regularity flow，SPREF)。在這種方法裡面，其採用spline法來逼近規律化方向。由於其精簡了Spline的表示，其所須要的儲存成本也相對較低，進而達到提升壓縮率之效果。一旦SPREF的方向已知時，他們便可被轉換成資料被正規化之實際路線。沿著此路徑方向將資料分解，並再利用wavelet basis的特別類型加以改善，此wavelet basis便稱為3-D orthonormal bandelet basis。
在Alatas及Javed等人的研究結果裡，SPREF-based的視訊壓縮方法，不但可移除時序冗餘性(temporal redundancy)，同時也可以補償空間的冗餘性(spatial redundancy)。在其時實驗結果看來，某些標準的視訊片段如果採用SPREF-based壓縮法會比其他傳統的wavelet-based壓縮法要更具壓縮效能。但令人質疑的一點，為何只有某些視訊片段會有較高的壓縮效能而非全部視訊片段均適用？頗耐人尋味。
不過方向適應性分解技術(沿著移動方向來壓縮資料)經過一些實驗證明，其比傳統的wavelet分解法(例如：1999年D. Marpe及H. L. Cycon提議的方法)要更具效益。如果視訊編碼中有使用移動補償(MC)技術時，為使視訊序列能順利被重建，其移動資訊也要一併被編碼起來。因此，在須使用移動補償的演算法中其移動模型(motion model)是很重要的，因為它將直接影像到視訊壓縮的位元速率(如同壓縮參數的影響)。
在較早的MC wavelet coding研究中(例如：2002年的J. Ohm及1995年的D. Taubman等人或是1999年之Marpe及Cycon等人之研究)，其所考量的只有相機的鏡頭搖晃移動(pan motion)，以及在進行wavelet分解前，先進行一個簡單的影像註冊(image registration)而已。在Marp及Cycon的方法裡，其使用重疊區塊移動補償(overlapping block motion compensation)，此方法比起一般的標準區塊移動評估技術要具有更少的塊狀化效應(blocking effect)。2001年時，S. Han及C. Podilchuk則提議了一種利用馬可夫隨機場(Markov random field)加以模型化的密集移動場方法(dense motion field)，以達到更精確的移動評估。不過因為移動場的密度會影響到bit rate，所以其常被使用在有損壓縮(lossy compression)裡面用以編碼移動訊息。
到了2004年的時候，A. Secker及D. Taubman利用了可變性三角網眼(deformable triangular mesh)技術來更精確模型化移動之情形。在其方法裡，一旦網眼節點(mesh node)的移動向量已知，他們就可以被用來插補任何位置的移動。不過該模型有個問題，那就是在計算整個GOF的規律性時，只用到一對參考畫面，此可能使規律性的探索有失精確，導致畫面不夠流暢的問題。其次此策略所存在之另一個缺點是，其網眼模型中的節點數是被固定的，因此當移動比較複雜時，便無法再增加節點以獲得更精確之計算。
另一種將移動模型化的方法稱為區塊移動模型(block motion model)，此模型嘗試利用指定單一流向向量(flow vector)給影像區塊的方式，來移除移動資訊的冗餘性。不過當鄰近區塊具有高度相似性時，其冗餘性的移除便顯的非常困難。上述問題的解決方案，在於要真實評估GOF時空的規律性方向，並且可以同步將所有畫面(frames)進行分析，然此解決方案已又是另一個問題。
結語
生活無線化是一種未來的趨勢，在可容忍的電磁波條件下，這種趨勢的前進方向至少目前不會改變，未來其規範亦可能納入立法的考量(例如：人工生殖法之修訂便是一例)。藉著無線通訊的推波助瀾，各種專業服務產業也逐漸興起，尤其是線上醫院、線上法庭、線上維修、線上購物以及線上諮詢…等服務業在未來頗具發展趨勢。但多媒體服務環境的打造並不是件容易的事，尤其是服務穩定度的要求比一般有線網路環境要更高。因此如何增進使用無線服務的便利性與服務的穩定性，將成為無線隨選媒體得否被接受的主因。就如同幾年前一些研究者熱衷的穿戴式電腦一樣，究竟是未來主流或僅淪為一時噱頭，我們不妨靜待其變。
群播的服務遞送模式
雖然目前有許多概念性的工作對無線網路中的群播式MOD服務提供了有效率的運作方法，但可惜的是，這些研究的焦點多放在其特定的網路條件架構下，只有很少數的演算法可直接適用隨意服務之上。換句話說，此領域的研究仍屬尚待開發的階段。在各種有線環境中的通訊研究裡，其已發展出各種方法可在群播式的MOD下有效的遞送服務。此類方法的運作概念，在於遠端伺服器於遞送服務到客戶端之前，會先匯集一些客戶要求(可能按時(timeout-based)或按量(size-based）的方式)，然後將這些具有相同要求的客戶視為同一服務群組，並對此群組送出一份單一群播服務的資料串流(data stream)。因此，這種群播式的MOD服務，亦被稱為「群組式隨意多媒體服務(group-based Multimedia On-Demand，GMOD)」，更深入的有關此方面研究報告，可以參考2006年L. Hunag等人的相關研究。
正因為群播式的MOD在伺服端遞送服務之前，遠端的客戶端必須等待一段伺服器資料蒐集階段(即是蒐集相關用戶的媒體要求)。因此這種群播式的隨選媒體服務最為人詬病之處乃在於客戶端使用服務時，往往需要等待一段時間。且依據每個客戶端的終端設定不同，客戶端的有效等待時間亦有差異。換句話說，在遠端伺服器開始遞送服務時，並不一定保證每個客戶端屆時還能有效接受服務。因此這將使廠商失去一些獲利機會以及造成客戶喪失對該廠商所能提供服務能力之品質信賴。
為解決此延遲問題，H. J. Kim及Y. Zhu (1998)與Chan等人(2001、2003)提出另一種稱為「批次處理(batching)」的方法。Kim、Zhu及Chan等人所提出的這種策略也就是一般所謂的「傳統策略」，在其策略中其可以分成兩種基本策略與兩種混合策略。前者所謂基本策略乃指「按時(timeout-based)」或「按量(size-based)」的批次處理方法；後者乃指利益結合批次處理與遺失結合批次處理方法。這種按時批次處理(timeout-based batching)或按量批次處理(size-based batching)方法，亦是目前無線網路中為人所熟知的兩種批次處理策略。
在Chan及Wong等人的方法裡面，比較重要的是其有兩個基本假設。首先是假設網路資源是沒有限制的；其次，其亦假設使用者使用服務不存在偏差行為。因此其方法在一些資源有限或是存有惡意使用者環境的情況下，便無法全部適用。許多後來的發展策略均以此兩個基本方法作為基礎而來，例如：2001年時Chan所提議的利益結合批次方法(combined-for-profit batching)以及遺失結合批次方法(combined-for-loss batching)均屬之。在Chan及Wong的分析模型中，其乃屬於按時批次策略的效能評估方法之延伸。這些傳統方法的更詳細介紹可以參考1998年Kim等人的研究及2001年Chan的相關研究，或者亦可參考較新的L. Huang(2006)等人之研究。除Kim、Zhu及Chan等人的方法之外，另外尚有K. A. Hua等人(1998)提出的「分片(patching)」方法，以及1996年時L. Golubchik等人所提議的「小豬回籠（piggybacking）」方法可供參考。不過根據Fonseca及Boggia等人的看法，以上這些方法均具有互補性並可結合成一種新的混合策略(hybrid strategy)以改善效率。
雖然在這些被提議的方法裡面，以批次處理(batching)的方法運算效率較高，並可避免其他資源的浪費，因此許多研究者均以此方法作為一個改良基礎，但其亦非並無缺點，例如：在按時的批次方法裡面，每個使用者必須等上一個批次週期時間才能看到其所要求的媒體內容。在此週期時間是個隨機變數，其和使用者放棄函數有關，也就是說，如果因等待時間過長致使此內容無法被顯示，則使用者往往會放棄此服務。因此如何取得最大使用者量(即不要求取得全部使用者量)與系統資源最佳化之間的平衡點是一個重要的思考問題。另外，如果在批次處理之後，如果已經沒有多餘的群播通道可供使用，那客戶端的要求就會暫時被阻斷而無法使用服務。
在圖3中，伺服端的多媒體內容被使用的頻率並不相同，在此可分成熱門的內容與冷門的內容(或稱罕用的內容)，而傳送所要求媒體所需要之頻寬計算必須依據熱門與冷門之間的頻寬需求(即是媒體選中率與到達率)按比例計算。讓我們假設一個系統可以提供的多媒體內容為{1,2,3,...,M}，其中1,2,3,...,M表示媒體的型態種類。例如：視訊、音樂、文字、圖片…等等。每一種媒體內容均有不同的特點與存續時間。假設某一媒體之到達率(arrival rate)以表示，其中m=1,2,3,...,M；而以表示該媒體m被使用者選中的機率，則使用者收到該媒體m的機率可表示為。
一旦系統收到使用者要求某一特定內容時，系統便開始計算批次時間，並在此時間內收集其他具有相同要求的使用者資料，以最佳化系統資源的使用分配。在此我們假設兩個批次參數T及S分別表示按時或按量批次策略，以調整批次處理的間隔。使用者的相同媒體要求都會被放在批次佇列(batching queue)中被同時處理。為這種批次方法需要使用者等待一段批次週期(batching period，即是等待週期)，以使系統有足夠時間建立服務架構與蒐集使用者要求資料。因此使用者對這些等待週期的耐受度各不相同，有些使用者會在服務開始提供之前便已放棄使用。在批次處理完成之後於服務遞送前，系統必須再次檢查批次佇列內有效的使用者要求，因為一些仍留在批次佇列中的使用者要求，有些會因為使用者無法等待服務建立時間而已不存在，這些不存在的要求必須移除。讓我們假設某單位時間內，媒體內容m所剩餘的使用者要求量為，此要求量便是所謂的媒體m之真正通透量。在開始傳送服務時，系統會送出一個資源要求(resource request)，以作為內容m要傳送給批次佇列中所有使用者要求時，所需具備之資源使用要求。對一個在無線蜂巢中含有全部群播通道之群播資源池(multicast resource pool)而言，此資源要求乃是整合其他資源之全部要求(即是要求總額)。
確認病患照顧確實性－維持服務品質的必要性
服務品質的維護可以分成兩個層面來看，一個是站在病患的角度而言，另一個是站在伺服端的角色來看。無線網路的服務品質維持是讓服務可被接受的基本要件，但因為在無線網路中其終端設備的資源有限加上無線網路頻寬的考量，要執行多媒體之應用頗有多種限制存在。這些限制主要有三個，分別為運算複雜度、儲存成本與傳送成本。而截至目前為止，要同時解決此三個問題並非易事。主要原因在於，要節省儲存成本與傳送成本，勢必要提升多媒體本身的壓縮效能，但要提升壓縮效能就會增加運算複雜度，真是進退維谷。
換言之，雖然好的媒體壓縮技術不但可以減少每個多媒體區段(multimedia session)的使頻寬量，亦可以減少媒體儲存需求以降低儲存成本，同時亦降低前面兩者的實作困難度與緩解需求的急迫性。但其缺點是，好的壓縮技術往往涉及較繁重的運算成本，此條件又不一定能為所有終端設備所滿足。例如ITU-T提出的H.264/AVC SP版本，其運算複雜度因為太高，許多無線裝置在實作上仍有其力有未逮之處，因此許多廠商的一個作法是以VC-1 CODEC暫時做為無線應用上的解決方案。由此觀之綜合前面所述，此三部分對於提升更精緻的無線網路服務品質具有舉足輕重之地位。因此如果要提供客戶端負載的服務品質，往往需要降低運算複雜度(尤其是對即時多媒體應用而言)，才可能使播放器播放更為順暢。如果站在伺服端的角度來看，要維護無線網路服務的穩定性，採平行處理以及負載平衡機制是一項頗為吸引人的方式。利用叢集式(cluster-based)主機服務群，所提供的服務冗餘性，可以保持提供用戶某種服務的能力(或品質)的維持，此將有助於避免不必要的醫療糾紛，目前許多商業應用均已朝向此方面前進。
一、服務品質的量化技術-服務等級同意書(SLA)
遞送即時多媒體服務與一般資料下載服務的最大差異，在於時間的耐受性與品質的最低接受度，此問題在無線網路的應用上尤其明顯。目前許多多媒體服務的遞送，大多以時間耐受性為主要考量，對於品質問題似乎並不太注重，好似大家都有認知的默契，認為無線網路只能做到如此，所以沒啥好苛求的。但隨著應用的需求量增大，除了要求時間延遲需少於一定限制之內以外，還要求要提供用戶一定的的服務品質。
至於服務品質的等級，則依據使用者付費原則，由用戶與系統商訂立契約表示，此即是服務品質同意契約書(service level agreement contract)，簡稱SLA。一旦服務品質契約書訂立之後，系統服務廠商即須依契約來履行服務等級品質保證義務，而客戶則需支付對價，此乃天經地義之事，任一方有可歸責於己之事由而不能依債之本旨履行其義務時，便可能須負擔債務不履行責任。在此，使用者端的部分因為主要是支付價金，所以比較容易解決，比較有問題的部分在於系統服務商的部分。在目前的工業應用裡，QoS的需求常被歸為SLA問題。直至今日，人們對SLA並沒有一個標準定義之存在。也就是說，目前SLA的規範語言定義仍處於研發階段，例如：J. SKene及D. Lamanna等人(2004)的研究裡，其稱之為「SLAng」。大致上而言，SLA是規範服務廠商與消費間的服務品質有對價關係，因此往往是一種描述集合，常以契約型態存在。此描述集合可以和QoS感知cluster一起嵌入到它所處的應用程式裡面。
為了方便處理，SLA的契約型態與一般法律文件有些差異，SLA常以XML格式存在以方便與AP結合在一起。在一個SLA XML檔裡面，它有兩個區段組成，一個稱為用戶責任區段(client responsibilities session)，另一個稱為伺服器責任區段(server responsibilities session)。在此兩區段內分別定義了AP用戶與AP伺服器的相關權限與法律上義務。所謂用戶義務(client obligations)所指的包含服務使用的單一性(不得將密碼與帳號與他人分享)、單位時間內連線數目限制…等等；而所謂伺服器責任(servers responsibilities)部分，通常包含AP運作的保證、QoS等級的維護、傳送障礙的排除…等要件。這些伺服器責任種類可利用QoS來作為分類依據，亦可以用AP回應時間作為分類方式，此乃依據商業模式而略有差異。
二、品質感知系統之建置
系統商要如何能偵測使用者端的接收服務品質是合乎SLA規範的？此乃頗令人傷腦筋的問題。為了解決這些問題，許多研究者提出了多種QoS的感測方法，這些QoS感知方法最好還能與現行系統相容，而不必作太多改變，例如：G. Lodi與F. Panzieri等人於2007年提出一種應用伺服器(application server，AP server)的QoS感知(QoS-aware)的叢集架構。在他們的設計架構裡，其把QoS感知能力實作在中層間(middleware)裡。利用middleware架構可以協助動態資源管理與AP伺服器對於叢集資源的動態分配。換句話說，在他們提議的方法裡面其將SLA與AP server整合在一起，使AP server具有QoS感知能力並支援AP伺服器動態架構及負載平衡。
不過QoS感知的AP伺服器並不容易，其有兩個因素需要仔細考量，一種為AP伺服器種類的選擇(例如：J2EE、Dot NET或是CORBA元件模型(CORBA component model，CCM)…等AP伺服器技術)，因為不同的AP可能會有不同的QoS需求(例如：畫面品質、時間延遲、回應時間限制…等等)，這些需求一般可被概括歸類為服務等級同意契約(service level agreements，SLA)，該契約以明文的方式保障消費者與廠商所應履行的義務。
為使AP設計者擁有更多掌控能力，以及相關應用程式具有更大可用性，不過目前的A伺服器幾乎都有提供叢集能力與負載平衡(load balancing)；另一種為資源的消耗情形，在AP伺服器所提供的服務裡(例如：web服務)，其可由高度的載入變異性加以特徵化，以作為規劃他們的SLA有關資源使用量的參考。在許多情況下，為了確認伺服端提供的服務品質不會違反SLA規定，通常一般會以AP伺服器可能需要的資源之最壞狀況來作為資源分配依據，並應用RO策略(resource overprovision policy，ROP)，以靜態的方式將資源配置給AP使用。此策略雖不會使資源使用最佳化，但可達到次要可接受程度。不過因為此策略乃基於worst-case情形，故在當時執行情況(run-time)有可能會有很多以分配之資源可能未被使用，而浪費了可用資源。
因此如果對要達到SLA所可能使用的系統資源有更精確的評估，就越能幫助我們降低資源使用上的浪費。基於上述之建置觀察，一個對QoS感知性好的伺服端架構應具備監測能力(即是監控服務)、動態架構能力以及適當的負載平衡能力。監控服務是訊息提供的重要方式之一，尤其是對QoS感知的叢集架構而言。利用監控的方式，至少我們可以得到叢集成員的變動情形，以及不同叢集之間的效能分佈，並且也可以知道hosting SLA是否有失效或未達到的情形。不過因為監控服務，通常是定期確認的方式，來確認叢集成員之架構變化。此外監控服務也負責監控資料，例如叢集的反應時間，SLA的達成度…等等。以偵測叢集遞送的服務是否合乎QoS的等級要求。
在監控服務中，其具有許多參數可供設定，這些參數可被用來追蹤叢集的動態行為；而為了能反應當時流量特徵與服務存取模式，動態架構要能重新架構當時最適合的服務系統叢集架構。此處所謂一個好的叢集架構，應包含利用最少的資源節點(resource nodes)去建立一個符合SLA的品質架構，使其服務可達到hosting SLA之要求。負載平衡是叢集伺服器一個重要特色，其通常被實作在middleware層，以平衡來自客戶端的HTTP要求。負載平衡的一個條件，主要在維護hosting SLA能被滿足，以減少nodes過載的情形，並可避免服務處於不可用狀態。因此一個叢集伺服器的負載平衡主要具備有幾個重要特色，分別為：自標的node接收回應、取得每一客戶端之HTTP要求、提供觸發要求客戶的回應、選擇標的node可用的負載平衡策略…等等。以G. Lodi等人的middleware架構而言，其便是採用是一種可動態重新架構的概念，其依據監控程式所給予的資料適當的調整叢集系統的負載平衡。
Lodi等人的middleware架構乃以JBOSS實作為主，他們之所以選擇JBOSS的原因之一，主要是因為其含有許多通訊、交易、安全…等等middleware服務的集合，這些服務利用JMX(Java Management eXtension)的微核心來完成彼此間的互動。且在JMX裡，其也定義了一般的軟體匯流排(software bus)，以方便Java開發者容易整合各種元件(例如：plug-ins、modules…等等)，這些元件通常會被宣告為MBean(Managed Bean)的型態並被載入JBOSS中。最後大量的JBOSS AP伺服器執行體(instances)可以被叢集化成一個局部網路，和其他叢集一樣，一個JBOSS叢集亦由許nodes組成，在此每一個node都是JBOSS的AP伺服器執行體。每個叢集node的IP位置可以是經由DHCP server動態分配，亦可指定靜態IP位置。前者，整個叢集架構中需加入DHCP伺服器的考量，後者則省去DHCP伺服器的參與。
在許多簡化的設計裡面，通常採用的是靜態IP(static IP)作為node的IP位置，不過這種簡化設計腳本對於高行動性的無限網路群組將有適用上的限制。在圖5的架構中，其顯示了叢集內每一個nodes之間的合作情形，包含複製的configuration service、監控服務以及負載平衡，其每個實作均可以MBean的方式整合到JBOSS AP伺服器內。在此叢集中只有一個node會負責SLA之強化、監控與負載平衡，其他nodes則屬備位狀態。負責現行SLA的node我們稱為master node，其他稱為slave nodes。
Slave nodes通常只會在master node掛點後，才會啟動並接任原master node的工作。為防止Matser node本身掛點後無法執行監控功能而使系統停擺，因此master node的監控功能乃由slave nodes中的監控程式為之。一旦偵測到master node掛點，其便利用JBOSS內建之群播通訊方式(JGroup機制)來通知其他nodes，並由configuration service依據每個node中所具有的獨特ID值(例如：靜態I位置)為主或以決策演算法為之，在這些slave nodes中選出其中一個node作為master node繼續工作。不過有設計過middleware的人員便知道，其架構的設計並不容易，這中間有許多問題需要被解決與溝通，這些問題包含：最佳化資源的使用率、SLA內QoS的滿足性以及軟體架構的最大可攜性…等等。
為了更精確定位這些問題，我們須對分散式應用中的QoS需求架構的設計有更深入的瞭解，例如：run-time的資源監控服務之評估，以及一些回饋控制機制理論(feedback control theory)。此外為了處理叢集環境之特徵化、高度變異性及不可預測載入條件之情形，我們也會須要一套動態的負載平衡機制。這些負載平衡允許我們對用戶端的要求，在cluster伺服器之間作適當分配，以避免伺服器因無法承受大量用戶要求而出現過載(overloading)情況。
不管是站在病患(使用者)角度或是伺服端角度來看，整體服務品質的體現是最重要的一項成果。因此在QoS的應用裡，我們所關心的焦點主要有兩個，一個是資源使用量，另一個為醫護經營成本的抑制。在此兩大方針裡，其中資源使用的要求以及服務需求性，最好還要能依據run-time的實際情況而可動態改變，以符合應用程式(AP)之QoS要求又節省資源。
在一些企業應用裡面，分散式的元件技術是達成此目的的最重要方法，在其中比較重要的又以Dot NET技術以及J2EE技術是目前最廣被使用的。以一個J2EE-based的應用程式其主要可分成四個組成構造，分別是managed components、namely、srevlets及EJB(Enterprise Java Beans)，其分別位於servlet container以及EJB container中，而這些container就是這些應用程式的run-time環境。在多數的J2EE商業套件裡面或開放原始碼(open-source) AP伺服器中，亦有提供叢集化能力。在此所謂的叢集化能力和資料分析裡面的叢集技術有些不同，其乃指一種架構性的機制(architecture mechanism)，其經由負載平衡與複製性(replication)，可被用於改良通透性與分散式AP的可用性。
站在J2EE的觀點來看，一個叢集(cluster)可能由多個AP伺服器執行體(instances)組成，在一個叢集化的環境裡，container是分散式的，每一節點(即是AP伺服器的執行單元)只會run他們其中一個instance。在目前的J2EE伺服器裡面，叢集化的支援乃以服務的形式來提供，一般而言，該服務需要initial cluster架構為一個含有固定的AP伺服器instances集合，在尖峰時段的負載或是伺服器出現失效時，允許操作者利用手動的方式重新架構cluster的執行體集合架構，使其可以動態改變提供服務的主機群組。例如：導入新的服務執行體(service instance)，或取代失效的執行體，不過目前的叢集支援不含應用層之QoS需求保證機制。事實上，為了對付變異性及不可預測的載入，以防止應有的QoS要求失效，在目前的叢集設計裡面，其大多需要使用「過量供應(over provision)」策略。此策略會需要設置冗餘裝置，其優點是可以有效保持服務的可用性，但其缺點便是裝置的閒置。
三、醫療監控服務位居要角
監控服務程式在此有兩個關鍵角色，一個是監控病患的活動與情況，並適時做出回應評估；另一個角色是必須要監控後端系統對該種服務持續提供的可用性(例如：必須監控系統的運作，以防系統已經當機，但醫護人員卻不知，進而造成病患嚴重傷亡)。因為監控服務會提供必要的資訊給架構服務(Configuration service)，使其提供符合SLA的服務內容給客戶端。此外監控服務應該要能計算(或預測資源使用)並更新監控參數，以確定cluster的運作條件接近所要求的SLA。
由此可知，監控服務可以說是SLA客戶責任的第一線監視器。但如果客戶端傳送的服務要求超過伺服器允許的數量，客戶端就會違反SLA。在這種情形裡，因為責任不屬於clusters端，所以並無重新架構叢集之必要。但站在AP的立場，其應用程式應產生例外控制(exception control)來處理這種情形。其次，監控服務主要是監控伺服端的SLA伺服器責任，如果它偵測到cluster的SLA違反速率趨向有可能無法滿足所要的SLA時，它就應該觸發configuration service來重新架構cluster。在此情形之下，Configuration service利用加入新的nodes以滿足SLA之限制，不過SLA的這些限制，乃為一種參數設定，可再經由AP檢查程式(AP benchmarking)或是AP模型化過程(AP modeling)來取得。
Configuration service對於服務品質的維持與節省使用成本具有關鍵性的貢獻，其可經由加入一個或是多個nodes來擴大其叢集規模與能力。當有新的node加入時，configuration service會重新架構cluster，並會一點時間來處理短暫的過渡架構現象，或是經由一次加入多個nodes的方式來一次更新所有事件。如果監控程式偵測到目前cluster架構對於所有載入客戶要求均游刃有餘之時，監控程式便會觸發configuration service來重新架構cluster以移除不必要之nodes，以節省系統資源的耗費。不過，這種方式比較使人有疑問的是，在重新架構cluster時其所花費的過度時間是否可被忍受，或者其處理成本效益是否明顯優於所節省的使用資源(換句話說，其利益交換之間是否符合比例原則)。如果未能有明顯差異，那時間上的遲誤所造成的後遺症是否會影響病患之SLA維護，以及用戶群對企業服務之反應時間上的整體感官，此個問題仍有待觀察。
視訊壓縮技術之選擇
對一些需要使用到遠端視訊的應用來說，視訊壓縮標準(video compression standard)的選擇是一個很重要的因子，此對24小時居家醫療照護系統而言更是如此。無線裝置因為運算能力有限，一般太複雜的視訊壓縮演算法無法直接使用在這些裝置之上，例如：H.264/AVC因為其採用的為小波轉換(wavelet transformation)方法，故在運算複雜度上仍令許多手持裝置無法負荷。因此視訊資料的儲存，視訊會議、視訊廣播乃甚至是P2P的影像電話…等等，這些應用領域均與視訊壓縮效能有重要關聯。
目前最為大眾所熟知的視訊演算法有MPEG-1、MPEG-2、MPEG-4、H.263、H.264/AVC、VC-1…等等，其中在MPEG-1及MPEG-2裡，畫面(frames)被區分為三種不同畫面，分別為I、B及P畫面。在這三種畫面裡面，只有I畫面(或稱關鍵畫面)可以被施以空間壓縮技術。其他畫面，例如P畫面，則利用I畫面插補而來；而B畫面則利用I畫面或P畫面，以區塊移動補償(block motion compensation)加以插補而來。利用這些插補技術，可以移除P及B畫面之時序冗餘性，在此在壓縮方面，我們多以I畫面為主要探討重點。
* I畫面的壓縮方法
一般I畫面的壓縮方法，目前使用最廣的是內建在JPEG內之DCT轉換法。但近幾年之研究發現wavelet方法的效能可能超過DCT法，並可提供更低的影像失真，使其在非常低的位元速率(bit rate)下亦能有不錯的視覺品質表現，故許多新的視訊壓縮方法紛紛以wavelet作為其壓縮核心方法(例如：JPEG 2000或是H.264/AVC)。為了更增進壓縮效能，在2006年時O. Alatas及O. Javed等人利用探討資料的時空規律性(spatiotemporal regularity)來改善Wavelet video coding的壓縮效率。此所謂規律性的概念，來自於一連串的影像會產生一個時空體積(spatiotemporal volume)，此體積沿著像素變異最少的方向，便稱為其規律性方向，在此方向上，其能量熵(entropy)是最小的。
Wavelet轉換方法之所以可以產生較高的壓縮比，乃因為其利用分解正規化資料後，以少數重要係數來表示，而達到較高的壓縮率。wavelet吸引人之處，在於其所能提供之延展性與編碼效能。在2005年時，E. L. Pennel及Mallat更進一步依據wavelet-basis理論而提出新的影像壓縮基礎建設(framework)，在其工作內容中，其利用對影像幾何之探索以尋求達到更高壓縮效率的方法。換句話說，一個影像片段的幾何，可以利用2-D向量場來逼近，此向量場即稱為「幾何流(geometric flow)」。此幾何流顯示了各種片段的正規變異的局部方向。因此，利用wavelet-based方法來沿著此方向對影像片段進行壓縮，將比沿著固定方向壓縮的傳統wavelet basis壓縮法要具有更高的壓縮效能。
* Wavelet小波技術應用
目前wavelet技術不只應用在影像壓縮技術上，其在視訊壓縮方面亦展現了重要的應用性。從1988年G. Karlesson及M. Vetterli將wavelet技術應用在視訊編碼(video coding)時起，目前這種wavelet技術已成為下一代視訊編碼標準的核心技術。開發視訊的壓縮技術遠比單一影像的壓縮技術要更具挑戰性，在近幾年來的研究趨勢裡面，許多學者已注意到視訊影像的空間與維度在壓縮領域所可能扮演的角色關係，亦即壓縮的思考概念以慢慢注意到影像水平與垂直資料特徵。例如在Karlesson及Vetterli的提議裡，其便把視訊畫面序列先分割成畫面群組(group of frames，GOF)，然後這些GOF在沿著時序、水平及垂直方向加以分解資料，以探求更好的壓縮資料方法。
不過在當時他們這種分解方法並不會考慮資料中的方向規律性問題。換句話說在GOF的全域移動上，其實序方向上已有制式的定義存在，以定義其規律性的3-D路徑方向，這些路徑會順著移動方向一直延伸。不過如果遇到混有局部和全域移動的情況時，其情況就會比較複雜，因為在此情形之下不同的移動型態會造成規律的多向性。要模型化這種規律性的方法之一，便是去計算每一個移動以發覺GOF可能的規律性方向所在。
一個影像序列的規律性方向，主要和影像的移動內容(motion content)與其空間結構(spatial structure)有關。Alatas及Javed等人的方法和一般方法不同之處，乃在於其處理GOF時，其並不以畫面堆疊(frame stack)的觀點來看，而是改採3-D向量場(vector field)的方法，此方法他們稱為時空正規流法(spatiotemporal regularity flow，SPREF)。在這種方法裡面，其採用spline法來逼近規律化方向。由於其精簡了Spline的表示，其所須要的儲存成本也相對較低，進而達到提升壓縮率之效果。一旦SPREF的方向已知時，他們便可被轉換成資料被正規化之實際路線。沿著此路徑方向將資料分解，並再利用wavelet basis的特別類型加以改善，此wavelet basis便稱為3-D orthonormal bandelet basis。
在Alatas及Javed等人的研究結果裡，SPREF-based的視訊壓縮方法，不但可移除時序冗餘性(temporal redundancy)，同時也可以補償空間的冗餘性(spatial redundancy)。在其時實驗結果看來，某些標準的視訊片段如果採用SPREF-based壓縮法會比其他傳統的wavelet-based壓縮法要更具壓縮效能。但令人質疑的一點，為何只有某些視訊片段會有較高的壓縮效能而非全部視訊片段均適用？頗耐人尋味。
不過方向適應性分解技術(沿著移動方向來壓縮資料)經過一些實驗證明，其比傳統的wavelet分解法(例如：1999年D. Marpe及H. L. Cycon提議的方法)要更具效益。如果視訊編碼中有使用移動補償(MC)技術時，為使視訊序列能順利被重建，其移動資訊也要一併被編碼起來。因此，在須使用移動補償的演算法中其移動模型(motion model)是很重要的，因為它將直接影像到視訊壓縮的位元速率(如同壓縮參數的影響)。
在較早的MC wavelet coding研究中(例如：2002年的J. Ohm及1995年的D. Taubman等人或是1999年之Marpe及Cycon等人之研究)，其所考量的只有相機的鏡頭搖晃移動(pan motion)，以及在進行wavelet分解前，先進行一個簡單的影像註冊(image registration)而已。在Marp及Cycon的方法裡，其使用重疊區塊移動補償(overlapping block motion compensation)，此方法比起一般的標準區塊移動評估技術要具有更少的塊狀化效應(blocking effect)。2001年時，S. Han及C. Podilchuk則提議了一種利用馬可夫隨機場(Markov random field)加以模型化的密集移動場方法(dense motion field)，以達到更精確的移動評估。不過因為移動場的密度會影響到bit rate，所以其常被使用在有損壓縮(lossy compression)裡面用以編碼移動訊息。
到了2004年的時候，A. Secker及D. Taubman利用了可變性三角網眼(deformable triangular mesh)技術來更精確模型化移動之情形。在其方法裡，一旦網眼節點(mesh node)的移動向量已知，他們就可以被用來插補任何位置的移動。不過該模型有個問題，那就是在計算整個GOF的規律性時，只用到一對參考畫面，此可能使規律性的探索有失精確，導致畫面不夠流暢的問題。其次此策略所存在之另一個缺點是，其網眼模型中的節點數是被固定的，因此當移動比較複雜時，便無法再增加節點以獲得更精確之計算。
另一種將移動模型化的方法稱為區塊移動模型(block motion model)，此模型嘗試利用指定單一流向向量(flow vector)給影像區塊的方式，來移除移動資訊的冗餘性。不過當鄰近區塊具有高度相似性時，其冗餘性的移除便顯的非常困難。上述問題的解決方案，在於要真實評估GOF時空的規律性方向，並且可以同步將所有畫面(frames)進行分析，然此解決方案已又是另一個問題。
結語
生活無線化是一種未來的趨勢，在可容忍的電磁波條件下，這種趨勢的前進方向至少目前不會改變，未來其規範亦可能納入立法的考量(例如：人工生殖法之修訂便是一例)。藉著無線通訊的推波助瀾，各種專業服務產業也逐漸興起，尤其是線上醫院、線上法庭、線上維修、線上購物以及線上諮詢…等服務業在未來頗具發展趨勢。但多媒體服務環境的打造並不是件容易的事，尤其是服務穩定度的要求比一般有線網路環境要更高。因此如何增進使用無線服務的便利性與服務的穩定性，將成為無線隨選媒體得否被接受的主因。就如同幾年前一些研究者熱衷的穿戴式電腦一樣，究竟是未來主流或僅淪為一時噱頭，我們不妨靜待其變。
