人們對(duì)于在線視頻加載速度與清晰度的要求總是無(wú)止境的。最近，來自麻省理工學(xué)院(MIT)的研究者們展示了使用機(jī)器學(xué)習(xí)進(jìn)行視頻緩存優(yōu)化的新方法。在實(shí)踐中，這種名為Pensieve的新型緩存系統(tǒng)相比其他流行方法少用了10-30%的視頻流量，同時(shí)可以提高10-25%的「體驗(yàn)質(zhì)量」，大幅提升用戶體驗(yàn)。

我們?cè)?YouTube 和其他視頻網(wǎng)站上經(jīng)常會(huì)遇到這樣的窘境：視頻突然卡住，或者因?yàn)榫W(wǎng)絡(luò)阻塞而變得像素化。

這兩種情況發(fā)生的原因在于將視頻切割成小塊的特殊算法，如果你的網(wǎng)絡(luò)較慢，視頻網(wǎng)站可能會(huì)在接下來的幾秒鐘內(nèi)降低視頻分辨率以確保你可以持續(xù)觀看視頻——當(dāng)然，質(zhì)量就無(wú)法保證了。如果你試圖將進(jìn)度條向后拉，而那一段還沒有加載的話，視頻的播放就會(huì)中斷，直到相應(yīng)的段落被緩存。

作為***的視頻網(wǎng)站，YouTube 使用自適應(yīng)比特率(ABR)算法試圖為所有觀眾提供***的體驗(yàn)。該網(wǎng)站還減少帶寬的占用——通常，用戶不會(huì)看完整段視頻，而每天在網(wǎng)絡(luò)上播放的視頻大約有 10 億小時(shí)，這意味著如果不使用優(yōu)化算法而全部加載，會(huì)浪費(fèi)相當(dāng)多的資源。

雖然 ABR 算法通常可以完成優(yōu)化工作，但觀眾對(duì)于視頻質(zhì)量的要求是無(wú)止境的，而目前 Netflix 與 YouTube 這樣的站點(diǎn)也不得不在質(zhì)量和速度之間做出妥協(xié)。

「研究表明，如果視頻會(huì)話質(zhì)量太低，用戶通常會(huì)放棄觀看，這對(duì)于內(nèi)容供應(yīng)商來說損失很大，」MIT 教授 Mohammad Alizadeh 說道。「視頻網(wǎng)站必須不斷尋求更加先進(jìn)的優(yōu)化方式。」

面對(duì)這種情況，Alizadeh 與他在 MIT 計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室(CSAIL)的研究團(tuán)隊(duì)共同開發(fā)了 Pensieve，一種使用機(jī)器學(xué)習(xí)算法處理不同網(wǎng)絡(luò)狀況的人工智能視頻緩存系統(tǒng)。在研究過程中，他們已經(jīng)展示了該系統(tǒng)可以提供高質(zhì)量的視頻體驗(yàn)，效果超過目前流行的所有系統(tǒng)。

具體來說，該團(tuán)隊(duì)在實(shí)驗(yàn)中發(fā)現(xiàn) Pensieve 比其他方法減少 10% 到 30% 的重緩存，且用戶在關(guān)鍵「體驗(yàn)質(zhì)量」(QoE)指標(biāo)上的評(píng)級(jí)比其他方法高出 10% 到 25%。

Pensieve 還可以根據(jù)內(nèi)容供應(yīng)商的優(yōu)先級(jí)進(jìn)行自定義。例如，如果在地鐵上的用戶即將進(jìn)入信號(hào)盲區(qū)，YouTube 可以降低比特率以盡可能多地加載視頻，這樣視頻在沒有網(wǎng)絡(luò)的情況下也無(wú)需重緩存。

「我們的系統(tǒng)可以靈活適用所有你想優(yōu)化的場(chǎng)景。」博士生 Hongzi Mao 說，他是一篇相關(guān)論文的***作者(其他兩位作者是 Alizadeh 和博士生 Ravi Netravali)。「你甚至可以想象用戶根據(jù)他們想要優(yōu)先考慮重緩存還是分辨率來定制個(gè)人專屬的流媒體體驗(yàn)。」

該論文將在下周于洛杉磯舉行的 SIGCOMM 會(huì)議上發(fā)布。該團(tuán)隊(duì)還將開源該項(xiàng)目的代碼。

自適應(yīng)比特率的工作原理

廣泛來說，存在兩種 ABR 算法：基于率的算法，用來衡量網(wǎng)絡(luò)傳輸數(shù)據(jù)的速度;基于緩存的算法，該算法確保存在一定量已經(jīng)被緩存的未來視頻。

這兩種算法都受到一個(gè)簡(jiǎn)單事實(shí)的限制：它們都不使用包含率和緩沖的信息。因此，這些算法通常作出不太好的比特率決策，且需要人類專家的手動(dòng)調(diào)整，以適應(yīng)不同的網(wǎng)絡(luò)條件。

研究者還嘗試把這兩種方法聯(lián)結(jié)起來：來自卡內(nèi)基梅隆大學(xué)的系統(tǒng)的性能優(yōu)于這兩種算法，該系統(tǒng)使用了「模型預(yù)測(cè)控制(MPC)」，該方法旨在通過預(yù)測(cè)不同時(shí)間上的條件變化來優(yōu)化決策。這是一項(xiàng)重大進(jìn)步，但是仍然存在問題，即網(wǎng)絡(luò)速度等因素很難建模。

「對(duì)網(wǎng)絡(luò)動(dòng)態(tài)進(jìn)行建模非常困難，使用 MPC 這樣的方法，最終也只能獲取和模型一樣的性能。」Alizadeh 說道。而 Pensieve 不需要模型或任何現(xiàn)有的關(guān)于網(wǎng)絡(luò)速度的假設(shè)。Pensieve 中的 ABR 算法就像一個(gè)神經(jīng)網(wǎng)絡(luò)，Pensieve 在具備不同緩存和網(wǎng)絡(luò)速度條件的多種情況下重復(fù)測(cè)試該算法。

該系統(tǒng)通過獎(jiǎng)罰機(jī)制調(diào)整算法。例如，如果算法傳遞了一個(gè)無(wú)需緩存、高分辨率的體驗(yàn)，它就會(huì)得到獎(jiǎng)勵(lì)，但是如果它重緩存，則會(huì)被懲罰。

「它學(xué)習(xí)不同的策略對(duì)性能的影響方式，并且通過觀察實(shí)際的過往表現(xiàn)，用一種更魯棒的方式改善決策策略。」論文***作者 Mao 說。內(nèi)容供應(yīng)商如 YouTube 可以根據(jù)需要為用戶優(yōu)先處理的指標(biāo)來自定義 Pensieve 的獎(jiǎng)罰機(jī)制。例如，研究表明用戶更能接受視頻中更早的重緩沖，因此該算法可以被設(shè)置為重緩存的時(shí)間越晚，懲罰力度越大。

結(jié)合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)

該團(tuán)隊(duì)在多種設(shè)置中測(cè)試 Pensieve，包括使用咖啡館的 Wifi 和大街上的 LTE 網(wǎng)絡(luò)。實(shí)驗(yàn)表明 Pensieve 可以獲取和 MPC 一樣的視頻分辨率，但是重緩存減少了 10% 到 30%。

「之前的方法嘗試使用基于人類專家直覺的控制邏輯。」未參與該研究的卡內(nèi)基梅隆大學(xué)電子與計(jì)算機(jī)工程助理教授 Vyaz Sekar 說。「這項(xiàng)工作證明利用新型『深度學(xué)習(xí)』技術(shù)的機(jī)器學(xué)習(xí)方法已初顯前景。

Mao 認(rèn)為該團(tuán)隊(duì)的實(shí)驗(yàn)說明 Pensieve 即使在過去未曾見過的場(chǎng)景中也能運(yùn)行的很好。

「我們?cè)谑褂煤铣蓴?shù)據(jù)的『boot camp』設(shè)置中測(cè)試 Pensieve 時(shí)，發(fā)現(xiàn) ABR 算法對(duì)于真實(shí)網(wǎng)絡(luò)也足夠魯棒。」Mao 說，「這種壓力測(cè)試證明 Pensieve 在現(xiàn)實(shí)世界的新場(chǎng)景中也可以進(jìn)行很好的泛化。」

Alizadeh 還指出，Pensive 只在相當(dāng)于一個(gè)月的下載視頻上進(jìn)行訓(xùn)練。如果研究團(tuán)隊(duì)能夠獲取 Netflix 或 YouTube 這樣規(guī)模的資源，該系統(tǒng)的表現(xiàn)將會(huì)更好。

下一步，Alizadeh 的團(tuán)隊(duì)將嘗試在 VR 視頻中測(cè)試 Pensieve 的性能。

「4K 質(zhì)量的 VR 視頻可以輕易達(dá)到每秒幾百 M 的流量占用，今天的網(wǎng)絡(luò)帶寬根本無(wú)法支持。」Alizadeh 說道。「我們非常期待像 Pensieve 這樣的系統(tǒng)可以讓 VR 變得距離實(shí)用化更進(jìn)一步，而這只是可見前景的一小部分。」

原文：http://www.csail.mit.edu/high_quality_online_video_with_less_rebuffering

【本文是51CTO專欄機(jī)構(gòu)“機(jī)器之心”的原創(chuàng)譯文，微信公眾號(hào)“機(jī)器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文