人们对在线视频加载速度和清晰度的要求总是无止境的。最近，麻省理工学院(MIT)的研究人员展示了一种使用机器学习优化视频缓存的新方法。在实践中，这种名为Pensieve的新缓存系统使用的视频流量比其他流行方法少10-30%，同时将“体验质量”提高10-25%，极大地改善了用户体验。我们在YouTube等视频网站上经常会遇到这样的困境：视频突然卡顿，或者因为网络拥堵而像素化。这两件事的发生都是因为将视频切成小块的特殊算法。如果您的网络速度较慢，视频网站可能会在接下来的几秒内降低视频分辨率，以确保您可以继续观看视频——当然，质量无法得到保证。如果您尝试在该片段尚未加载时将进度条拉回，则视频播放将中断，直到相应的片段被缓存。作为最好的视频网站，YouTube使用自适应比特率(ABR)算法来尝试为所有观众提供最佳体验。该站点还使用较少的带宽-通常，用户不会观看整个视频，每天在网络上播放大约10亿小时的视频，这意味着如果您不使用优化算法来加载它，你会浪费很多时间。资源。虽然ABR算法通常可以完成优化工作，但观众无法停止对视频质量的要求，Netflix和YouTube等网站目前被迫在质量和速度之间做出妥协。“研究表明，如果视频会话的质量太低，用户通常会放弃观看，这对内容提供商来说是一个很大的损失，”麻省理工学院教授穆罕默德阿里扎德说。“视频网站必须不断寻求更先进的优化方法。”面对这种情况，Alizadeh和麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究团队联合开发了Pensieve，这是一种机器学习算法，用于针对网络情况处理不同的AI视频缓存系统。在他们的研究过程中，他们已经证明该系统可以提供超过任何当前可用系统的高质量视频体验。具体来说，该团队在实验中发现，Pensieve需要的重新缓存比其他方法少10%到30%，并且用户在关键的“体验质量”(QoE)指标上对它们的评价高出10%到25%。Pensieve还可以根据内容提供商的优先级进行定制。例如，如果地铁上的用户即将进入盲区，YouTube可以降低比特率以尽可能多地加载视频，因此在没有网络时视频不需要重新缓存。“我们的系统可以灵活地应用于所有你想要优化的场景，”博士说。学生HongziMao，相关论文的主要作者（与Alizadeh和博士生RaviNetravali一起）。“你甚至可以想象用户根据他们是否想要优先重新缓存或解决方案来定制他们的流媒体体验。”该论文将在下周于洛杉矶举行的SIGCOMM会议上发表。该团队还将开源该项目的代码。自适应比特率如何工作广义上讲，有两种ABR算法：一种是基于速率的算法，用于衡量数据通过网络传输的速度，另一种是基于缓存的算法，用于确保未来有一定数量的视频已经被缓存了。这两种算法都受到一个简单事实的限制，即它们都不使用有关包含率和缓冲的信息。因此，这些算法通常会做出糟糕的比特率决策，并且需要人类专家进行手动调整以适应不同的网络条件。研究人员还试图将这两种方法联系起来：卡内基梅隆大学的一个系统使用“模型预测控制(MPC)”优于这两种算法，该方法旨在预测不同条件随时间的变化以优化决策。这是一个重大进步，但问题仍然是网络速度等因素难以建模。“对网络动力学进行建模非常困难，使用像MPC这样的方法，你最终只能得到与模型相同的性能，”Alizadeh说。另一方面，Pensieve不需要模型或任何关于网络速度的现有假设。Pensieve中的ABR算法就像一个神经网络，Pensieve在不同缓存和网速条件下的多种条件下反复测试算法。系统通过奖惩机制调整算法。例如，如果算法提供无缓存、高分辨率的体验，它可能会受到奖励，但如果它重新缓存，则会受到惩罚。“它了解不同的政策如何影响绩效，并通过观察过去的实际绩效以更稳健的方式改进决策政策，”该论文的资深作者毛说。YouTube等内容提供商可以根据用户需要优先排序的指标来定制Pensieve的奖惩机制。例如，研究表明，用户更能接受视频中较早的重新缓冲，因此可以将算法设置为对较晚的重新缓冲进行更严厉的惩罚。结合机器学习和深度学习技术该团队在各种设置中测试了Pensieve，包括在咖啡店使用Wi-Fi和在街上使用LTE网络。实验表明，Pensieve可以达到与MPC相同的视频分辨率，但重新缓存要少10%到30%。“以前的方法试图使用基于人类专家直觉的控制逻辑，”卡内基梅隆大学电气和计算机工程助理教授VyazSekar说，他没有参与这项研究。“这项工作表明，使用新的‘深度学习’技术的机器学习方法开始显示出希望。Mao认为，该团队的实验表明，即使在以前从未见过的场景中，Pensieve也能表现出色。”在数据的“bootcamp”设置中测试Pensieve时，发现ABR算法对于真实网络也足够鲁棒。”Mao说，“这个压力测试证明Pensieve在新的真实场景中也能很好地泛化.Alizadeh还指出，Pensive只接受了相当于一个月下载视频的训练。如果研究团队能够访问Netflix或YouTube规模的资源，该系统的性能会更好。接下来，Alizadeh的团队将尝试测试Pensieve在VR视频中的表现。“4K画质的VR视频很容易达到每秒数百M的流量占用，这是当今网络带宽无法支持的，”Alizadeh说。“我们非常期待像Pensieve这样的系统能够让VR离实用化更近一步，而这只是可见前景的一小部分。”原文：http://www.csail.mit.edu/high_quality_online_video_with_less_rebuffering【本文为专栏《机器之心》组织的原文翻译，微信公众号《机器之心（id：almosthuman2014）》】点此查看作者更多好文
