И то, и другое происходит из-за специальных алгоритмов, которые разбивают видео на небольшие фрагменты, которые загружаются по мере продвижения. Если у вас медленный интернет, YouTube может снизить разрешение следующих нескольких секунд видео, чтобы убедиться, что вы по-прежнему можете смотреть его без перерывов — отсюда и пикселизация.
Если вы попытаетесь перейти к части видео, которая еще не загружена, ваше видео должно остановиться, чтобы буферизовать эту часть.YouTube использует эти алгоритмы адаптивного битрейта (ABR), чтобы попытаться предоставить пользователям более согласованные впечатления от просмотра. Они также экономят пропускную способность: люди обычно не смотрят видео полностью, и поэтому, если каждый день транслируется буквально 1 миллиард часов видео, было бы большой тратой ресурсов буферизовать тысячи длинных видео для всех пользователей. раз.
Хотя алгоритмы ABR в целом справились со своей задачей, ожидания зрителей от потокового видео продолжают завышаться и часто не оправдываются, когда такие сайты, как Netflix и YouTube, вынуждены идти на несовершенный компромисс между такими вещами, как качество видео и то, как часто оно дать отпор.«Исследования показывают, что пользователи прекращают видеосеансы, если качество слишком низкое, что приводит к серьезным потерям доходов от рекламы для контент-провайдеров», — говорит профессор Массачусетского технологического института Мохаммад Ализаде. «Сайтам постоянно приходится искать новые способы внедрения инноваций».
В соответствии с этим Ализаде и его команда из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) разработали Pensieve, систему искусственного интеллекта (AI), которая использует машинное обучение для выбора различных алгоритмов в зависимости от состояния сети. При этом было показано, что он обеспечивает более высокое качество потоковой передачи с меньшим количеством повторной буферизации, чем существующие системы.
В частности, в ходе экспериментов команда обнаружила, что Pensieve может передавать потоковое видео с уменьшенным на 10–30% ребуферизацией по сравнению с другими подходами и на уровнях, которые пользователи оценили на 10–25% выше по ключевым показателям «качества взаимодействия» (QoE).Pensieve также можно настроить в зависимости от приоритетов контент-провайдера.
Например, если пользователь в метро вот-вот войдет в мертвую зону, YouTube может снизить битрейт, чтобы загрузить достаточно видео, чтобы ему не приходилось отбивать буферизацию во время потери сети.«Наша система гибка для всего, для чего вы хотите ее оптимизировать», — говорит аспирант Хунцзи Мао, который был ведущим автором соответствующей статьи вместе с Ализаде и аспирантом Рави Нетравали. «Вы даже можете представить себе, как пользователь персонализирует свои собственные потоковые передачи в зависимости от того, хотят ли они отдавать предпочтение перебуферированию, а не разрешению».Документ будет представлен на конференции SIGCOMM на следующей неделе в Лос-Анджелесе. Команда также будет открывать исходный код для проекта.
Как работает адаптивный битрейтВообще говоря, есть два типа алгоритмов ABR: алгоритмы на основе скорости, которые измеряют, насколько быстро сети передают данные, и алгоритмы на основе буфера, которые гарантируют, что всегда будет определенный объем будущего видео, которое уже буферизовано.
Оба типа ограничены тем простым фактом, что они не используют информацию ни о скорости, ни о буферизации. В результате эти алгоритмы часто принимают неверные решения по битрейту и требуют тщательной ручной настройки специалистами-людьми для адаптации к различным условиям сети.Исследователи также попытались объединить два метода: система Университета Карнеги-Меллона превосходит обе схемы, используя «управление с прогнозированием модели» (MPC), подход, направленный на оптимизацию решений путем прогнозирования того, как условия будут развиваться с течением времени. Это серьезное улучшение, но по-прежнему существует проблема, которую сложно смоделировать с такими факторами, как скорость сети.
«Моделирование сетевой динамики сложно, и с таким подходом, как MPC, вы в конечном итоге будете настолько хороши, насколько хороша ваша модель», — говорит Ализаде.Pensieve не нужна модель или какие-либо существующие предположения о таких вещах, как скорость сети.
Он представляет алгоритм ABR в виде нейронной сети и неоднократно тестирует его в ситуациях с широким диапазоном условий буферизации и скорости сети.Система настраивает свои алгоритмы с помощью системы вознаграждений и штрафов. Например, он может получать вознаграждение в любое время, когда обеспечивает безбуферизованный опыт с высоким разрешением, но может получить штраф, если он должен выполнить отказ от буфера.«Он изучает, как различные стратегии влияют на производительность, и, глядя на фактические прошлые результаты, он может значительно улучшить свою политику принятия решений», — говорит Мао, который был ведущим автором новой статьи.
Поставщики контента, такие как YouTube, могут настроить систему вознаграждений Pensieve в зависимости от того, какие показатели они хотят расставить по приоритетам для пользователей. Например, исследования показывают, что зрители более склонны к повторной буферизации в начале видео, чем позже, поэтому алгоритм может быть изменен, чтобы дать более серьезный штраф за повторную буферизацию с течением времени.Объединение машинного обучения с методами глубокого обучения
Команда протестировала Pensieve в нескольких настройках, в том числе с использованием Wi-Fi в кафе и сети LTE во время прогулки по улице. Эксперименты показали, что Pensieve может достичь того же разрешения видео, что и MPC, но с уменьшением на 10–30 процентов количества повторной буферизации.«Предыдущие подходы пытались использовать логику управления, основанную на интуиции экспертов-людей», — говорит Вяз Секар, доцент кафедры электротехники и вычислительной техники в Университете Карнеги-Меллона, который не принимал участия в исследовании. «Эта работа показывает первые перспективы подхода с машинным обучением, который использует новые методы, подобные« глубокому обучению »».
Мао говорит, что эксперименты команды показывают, что Pensieve будет хорошо работать даже в ситуациях, которых он раньше не видел.«Когда мы тестировали Pensieve в« учебном лагере »с синтетическими данными, он выявил алгоритмы ABR, которые оказались достаточно надежными для реальных сетей», — говорит Мао. «Этот вид стресс-теста показывает, что его можно хорошо обобщить для новых сценариев в реальном мире».
Ализаде также отмечает, что Pensive обучили на загруженном за месяц видео. Если бы у команды были данные в масштабе Netflix или YouTube, по его словам, он ожидал бы, что их повышение производительности будет еще более значительным.В качестве следующего проекта его команда будет работать над тестированием Pensieve на видео в виртуальной реальности (VR).«Битрейт, необходимый для виртуальной реальности с качеством 4K, может легко превысить сотни мегабит в секунду, которые современные сети просто не могут поддерживать», — говорит Ализаде. «Мы очень рады видеть, что системы, подобные Pensieve, могут сделать для таких вещей, как VR.
Это действительно только первый шаг в понимании того, что мы можем сделать».Pensieve частично финансировался Национальным научным фондом и инновационным сообществом Qualcomm.