機器學習系統(tǒng)可實現更流暢的流媒體 可更好地適應不同的網絡條件

我們在YouTube上經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。

這兩種情況都是因為特殊算法將視頻分解成小塊，然后加載。如果您的互聯(lián)網速度很慢，YouTube可能會在接下來的幾秒內降低視頻分辨率，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使用這些自適應比特率(ABR)算法嘗試為用戶提供更一致的觀看體驗。它們還可以節(jié)省帶寬：人們通常不會一直觀看視頻，因此，每天流動的視頻流量達到10億小時，為所有用戶緩沖數千個長視頻將浪費大量資源。倍。

雖然ABR算法通常已完成工作，但觀眾對流媒體視頻的期望仍在不斷膨脹，而且當Netflix和YouTube等網站不得不在視頻質量與視頻質量之間做出不完美的權衡時，往往無法實現這一點。拒絕。

“研究表明，如果質量太低，用戶就會放棄視頻會話，導致內容提供商的廣告收入大幅下降，”麻省理工學院教授Mohammad Alizadeh說。“網站不斷尋求新的創(chuàng)新方式。”

在這些方面，Alizadeh和他在麻省理工學院計算機科學與人工智能實驗室(CSAIL)的團隊開發(fā)了“Pensieve”，這是一種人工智能(AI)系統(tǒng)，它使用機器學習根據網絡條件選擇不同的算法。通過這種方式，它已經被證明可以提供更高質量的流媒體體驗，同時比現有系統(tǒng)更少的重新緩沖。

具體來說，在實驗中，團隊發(fā)現Pensieve可以比其他方法更少地減少10%到30%的視頻流，并且用戶在關鍵的“體驗質量”(QoE)指標上評分高出10%到25%。

Pensieve也可以根據內容提供商的優(yōu)先級進行定制。例如，如果地鐵上的用戶即將進入死區(qū)，YouTube可以調低比特率，以便它可以加載足夠的視頻，使其在網絡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的相關論文的第一作者。“你甚至可以想象用戶根據他們是否想要優(yōu)先考慮重新緩解與解決方案來個性化他們自己的流媒體體驗。”

自適應比特率如何工作

從廣義上講，有兩種ABR算法：基于速率的算法，用于衡量網絡傳輸數據的速度;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的限制，即它們不使用有關速率和緩沖的信息。因此，這些算法通常會做出較差的比特率決策，需要人工專家仔細調整手以適應不同的網絡條件。

研究人員還嘗試將兩種方法結合起來：卡內基梅隆大學的一個系統(tǒng)優(yōu)于使用“模型預測控制”(MPC)的兩種方案，這種方法旨在通過預測條件如何隨時間演變來優(yōu)化決策。這是一項重大改進，但仍存在網絡速度等因素難以建模的問題。

“建模網絡動態(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于網絡速度等事情的現有假設。它將ABR算法表示為神經網絡，并在具有廣泛緩沖和網絡速度條件的情況下反復測試它。

系統(tǒng)通過獎勵和懲罰系統(tǒng)調整其算法。例如，它可以在任何時候提供無緩沖，高分辨率體驗時獲得獎勵，但如果必須重新緩沖則會受到懲罰。

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

像YouTube這樣的內容提供商可以根據他們想要為用戶劃分優(yōu)先級的指標來定制Pensieve的獎勵系統(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，因此可以對算法進行調整，以便隨著時間的推移給予更大的回報懲罰。

使用深度學習技術學習融合機器

該團隊在幾個環(huán)境中對Pensieve進行了測試，包括在咖啡館和LTE網絡中使用Wifi，同時走在街上。實驗表明，Pensieve可以達到與MPC相同的視頻分辨率，但是重新緩沖的數量減少了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，”卡內基梅隆大學電子和計算機工程助理教授Vyaz Sekar說，他沒有參與這項研究。“這項工作展示了機器學習方法的早期前景，該方法利用了新的'深度學習'技術。”

毛說，該團隊的實驗表明，即使在以前沒有見過的情況下，Pensieve也能很好地運作。

“當我們使用合成數據在'訓練營'設置中測試Pensieve時，它發(fā)現ABR算法對于真實網絡足夠強大，”毛說。“這種壓力測試表明，它可以很好地概括出現實世界中的新情景。”

Alizadeh還指出，Pensive只接受了一個月的下載視頻培訓。如果團隊擁有Netflix或YouTube所擁有的數據，他表示他希望他們的性能改進更加重要。

作為下一個項目，他的團隊將致力于測試Pensieve的虛擬現實(VR)視頻。

Alizadeh說：“4K質量VR所需的比特率可以輕松達到每秒數百兆比特，而今天的網絡根本無法支持。” “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。這實際上只是看到我們能做什么的第一步。”