機(jī)器學(xué)習(xí)系統(tǒng)可實(shí)現(xiàn)更流暢的流媒體 可更好地適應(yīng)不同的網(wǎng)絡(luò)條件

我們?cè)赮ouTube上經(jīng)歷了兩件非常令人沮喪的事情：我們的視頻突然變得像素化，或者完全停止了回放。

這兩種情況都是因?yàn)樘厥馑惴▽⒁曨l分解成小塊，然后加載。如果您的互聯(lián)網(wǎng)速度很慢，YouTube可能會(huì)在接下來的幾秒內(nèi)降低視頻分辨率，以確保您仍然可以不間斷地觀看 - 因此，像素化。如果您嘗試跳過尚未加載的視頻的一部分，您的視頻必須停止以緩沖該部分。

YouTube使用這些自適應(yīng)比特率(ABR)算法嘗試為用戶提供更一致的觀看體驗(yàn)。它們還可以節(jié)省帶寬：人們通常不會(huì)一直觀看視頻，因此，每天流動(dòng)的視頻流量達(dá)到10億小時(shí)，為所有用戶緩沖數(shù)千個(gè)長視頻將浪費(fèi)大量資源。倍。

雖然ABR算法通常已完成工作，但觀眾對(duì)流媒體視頻的期望仍在不斷膨脹，而且當(dāng)Netflix和YouTube等網(wǎng)站不得不在視頻質(zhì)量與視頻質(zhì)量之間做出不完美的權(quán)衡時(shí)，往往無法實(shí)現(xiàn)這一點(diǎn)。拒絕。

“研究表明，如果質(zhì)量太低，用戶就會(huì)放棄視頻會(huì)話，導(dǎo)致內(nèi)容提供商的廣告收入大幅下降，”麻省理工學(xué)院教授Mohammad Alizadeh說。“網(wǎng)站不斷尋求新的創(chuàng)新方式。”

在這些方面，Alizadeh和他在麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室(CSAIL)的團(tuán)隊(duì)開發(fā)了“Pensieve”，這是一種人工智能(AI)系統(tǒng)，它使用機(jī)器學(xué)習(xí)根據(jù)網(wǎng)絡(luò)條件選擇不同的算法。通過這種方式，它已經(jīng)被證明可以提供更高質(zhì)量的流媒體體驗(yàn)，同時(shí)比現(xiàn)有系統(tǒng)更少的重新緩沖。

具體來說，在實(shí)驗(yàn)中，團(tuán)隊(duì)發(fā)現(xiàn)Pensieve可以比其他方法更少地減少10%到30%的視頻流，并且用戶在關(guān)鍵的“體驗(yàn)質(zhì)量”(QoE)指標(biāo)上評(píng)分高出10%到25%。

Pensieve也可以根據(jù)內(nèi)容提供商的優(yōu)先級(jí)進(jìn)行定制。例如，如果地鐵上的用戶即將進(jìn)入死區(qū)，YouTube可以調(diào)低比特率，以便它可以加載足夠的視頻，使其在網(wǎng)絡(luò)丟失期間無需重新緩沖。

“我們的系統(tǒng)可靈活適用于任何你想要優(yōu)化的系統(tǒng)，”博士生Hongzi Mao說，他是Alizadeh和博士生Ravi Netravali的相關(guān)論文的第一作者。“你甚至可以想象用戶根據(jù)他們是否想要優(yōu)先考慮重新緩解與解決方案來個(gè)性化他們自己的流媒體體驗(yàn)。”

自適應(yīng)比特率如何工作

從廣義上講，有兩種ABR算法：基于速率的算法，用于衡量網(wǎng)絡(luò)傳輸數(shù)據(jù)的速度;以及基于緩沖區(qū)的算法，用于確保始終存在一定量的未來視頻已被緩沖。

兩種類型都受到簡單事實(shí)的限制，即它們不使用有關(guān)速率和緩沖的信息。因此，這些算法通常會(huì)做出較差的比特率決策，需要人工專家仔細(xì)調(diào)整手以適應(yīng)不同的網(wǎng)絡(luò)條件。

研究人員還嘗試將兩種方法結(jié)合起來：卡內(nèi)基梅隆大學(xué)的一個(gè)系統(tǒng)優(yōu)于使用“模型預(yù)測(cè)控制”(MPC)的兩種方案，這種方法旨在通過預(yù)測(cè)條件如何隨時(shí)間演變來優(yōu)化決策。這是一項(xiàng)重大改進(jìn)，但仍存在網(wǎng)絡(luò)速度等因素難以建模的問題。

“建模網(wǎng)絡(luò)動(dòng)態(tài)很困難，而像MPC這樣的方法最終只能與你的模型一樣好，”Alizadeh說。

Pensieve不需要模型或任何關(guān)于網(wǎng)絡(luò)速度等事情的現(xiàn)有假設(shè)。它將ABR算法表示為神經(jīng)網(wǎng)絡(luò)，并在具有廣泛緩沖和網(wǎng)絡(luò)速度條件的情況下反復(fù)測(cè)試它。

系統(tǒng)通過獎(jiǎng)勵(lì)和懲罰系統(tǒng)調(diào)整其算法。例如，它可以在任何時(shí)候提供無緩沖，高分辨率體驗(yàn)時(shí)獲得獎(jiǎng)勵(lì)，但如果必須重新緩沖則會(huì)受到懲罰。

“它了解不同的策略如何影響績效，并且通過觀察實(shí)際的過去表現(xiàn)，它可以更加健壯的方式改進(jìn)其決策政策，”毛澤東說，他是新論文的第一作者。

像YouTube這樣的內(nèi)容提供商可以根據(jù)他們想要為用戶劃分優(yōu)先級(jí)的指標(biāo)來定制Pensieve的獎(jiǎng)勵(lì)系統(tǒng)。例如，研究表明，觀眾在視頻早期比在以后更容易接受重新緩沖，因此可以對(duì)算法進(jìn)行調(diào)整，以便隨著時(shí)間的推移給予更大的回報(bào)懲罰。

使用深度學(xué)習(xí)技術(shù)學(xué)習(xí)融合機(jī)器

該團(tuán)隊(duì)在幾個(gè)環(huán)境中對(duì)Pensieve進(jìn)行了測(cè)試，包括在咖啡館和LTE網(wǎng)絡(luò)中使用Wifi，同時(shí)走在街上。實(shí)驗(yàn)表明，Pensieve可以達(dá)到與MPC相同的視頻分辨率，但是重新緩沖的數(shù)量減少了10%到30%。

“先前的方法試圖使用基于人類專家直覺的控制邏輯，”卡內(nèi)基梅隆大學(xué)電子和計(jì)算機(jī)工程助理教授Vyaz Sekar說，他沒有參與這項(xiàng)研究。“這項(xiàng)工作展示了機(jī)器學(xué)習(xí)方法的早期前景，該方法利用了新的'深度學(xué)習(xí)'技術(shù)。”

毛說，該團(tuán)隊(duì)的實(shí)驗(yàn)表明，即使在以前沒有見過的情況下，Pensieve也能很好地運(yùn)作。

“當(dāng)我們使用合成數(shù)據(jù)在'訓(xùn)練營'設(shè)置中測(cè)試Pensieve時(shí)，它發(fā)現(xiàn)ABR算法對(duì)于真實(shí)網(wǎng)絡(luò)足夠強(qiáng)大，”毛說。“這種壓力測(cè)試表明，它可以很好地概括出現(xiàn)實(shí)世界中的新情景。”

Alizadeh還指出，Pensive只接受了一個(gè)月的下載視頻培訓(xùn)。如果團(tuán)隊(duì)擁有Netflix或YouTube所擁有的數(shù)據(jù)，他表示他希望他們的性能改進(jìn)更加重要。

作為下一個(gè)項(xiàng)目，他的團(tuán)隊(duì)將致力于測(cè)試Pensieve的虛擬現(xiàn)實(shí)(VR)視頻。

Alizadeh說：“4K質(zhì)量VR所需的比特率可以輕松達(dá)到每秒數(shù)百兆比特，而今天的網(wǎng)絡(luò)根本無法支持。” “我們很高興看到像Pensieve這樣的系統(tǒng)可以為VR這樣的事情做些什么。這實(shí)際上只是看到我們能做什么的第一步。”