Оба происходят из-за специальных алгоритмов, которые ломают видео в маленькие куски, которые загружают, когда Вы идете. Если Ваш Интернет медленный, YouTube мог бы сделать следующие несколько секунд видео более низкой резолюции, чтобы удостовериться, что Вы можете все еще смотреть непрерывный – следовательно, pixelation. При попытке перейти непосредственно к части видео, которое еще не загрузило, Ваше видео должно остановиться, чтобы буферизовать ту часть.YouTube использует эти адаптивный битрейт (ABR) алгоритмы, чтобы попытаться дать пользователям более последовательный опыт просмотра.
Они также экономят пропускную способность: Люди обычно не смотрят ролики полностью через, и таким образом, буквально с 1 миллиардом часов видео тек каждый день, это будет большая трата ресурсов, чтобы буферизовать тысячи длинных видео для всех пользователей в любом случае.В то время как алгоритмы ABR обычно делали работу, ожидания зрителя текущего видео раздувания сторожевой башни, и часто не выполняются, когда места как Netflix и YouTube должны сделать несовершенные компромиссы между вещами как качество видео против того, как часто это должно повторно буферизовать.
«Исследования показывают, что пользователи оставляют видео сессии, если качество слишком низкое, приводя к крупным потерям в доходе от рекламы для контент-провайдеров», говорит профессор MIT Мохаммад Ализаде. «Места постоянно должны искать новые способы ввести новшества».Вдоль тех линий Ализаде и его команда в Лаборатории Информатики и Искусственного интеллекта MIT (CSAIL) развивали «Pensieve», систему искусственного интеллекта (AI), которая использует машинное обучение, чтобы выбрать различные алгоритмы в зависимости от сетевых условий.
При этом это, как показывали, обеспечило более высокое качество, текущее опыт с менее повторно буферизованием, чем существующие системы.Определенно, в экспериментах команда нашла, что Pensieve мог течь видео с 10 – 30 процентами менее повторно буферизованием, чем другие подходы, и на уровнях, что пользователи оценили на 10 – 25 процентов выше на ключевом «качестве опыта» (QoE) метрики.Pensieve может также быть настроен на основе приоритетов контент-провайдера.
Например, если пользователь на метро собирается войти в мертвую зону, YouTube мог бы выключить битрейт так, чтобы это могло загрузить достаточно видео, которое это не должно будет повторно буферизовать во время потери сети.«Наша система гибка для того, для чего Вы хотите оптимизировать ее», говорит студент доктора философии Хонгзи Мао, который был ведущим автором на связанной бумаге со студентом Ализаде и доктора философии Рави Нетравали. «Вы могли даже вообразить пользователя, персонализировавшего их собственный текущий опыт на основе того, хотят ли они расположить по приоритетам повторно буферизование против резолюции».
Доклад будет сделан на конференции следующей недели SIGCOMM в Лос-Анджелесе. Команда также будет открытым сорсингом кодекс для проекта.Как адаптивный битрейт работаетВообще говоря есть два вида алгоритмов ABR: основанные на уровне, которые имеют размеры, как быстрые сети передают данные и основанные на буфере, которые гарантируют, что всегда есть определенное количество будущего видео, это было уже буферизовано.
Оба типа ограничены очевидным фактом, что они не используют информацию и об уровне и буферизуют. В результате эти алгоритмы часто принимают плохие решения битрейта и требуют, чтобы тщательная настройка руки человеческими экспертами приспособилась к различным сетевым условиям.
Исследователи также попытались объединить эти два метода: система из Университета Карнеги-Меллон выигрывает у обеих моделей «использования схем прогнозирующий контроль» (MPC), подход, который стремится оптимизировать решения, предсказывая, как условия будут развиваться со временем. Это – основное улучшение, но все еще имеет проблему, которую факторы как сетевая скорость могут быть трудны смоделировать.«Моделирование сетевой динамики трудное, и с подходом как MPC Вы в конечном счете только собираетесь быть столь же хорошими как Ваша модель», говорит Ализаде.
Pensieve не нужны модель или любые существующие предположения о вещах как сетевая скорость. Это представляет алгоритм ABR как нейронную сеть и неоднократно проверяет его в ситуациях, у которых есть широкий спектр буферизования и сетевых условий скорости.Система настраивает свои алгоритмы через систему вознаграждений и штрафов. Например, это могло бы получить вознаграждение каждый раз, когда это обеспечивает опыт с высоким разрешением, без буферов, но штраф, если это должно повторно буферизовать.
«Это изучает, как различные стратегии влияют на работу, и, смотря на фактическую прошлую работу, это может улучшить свою политику принятия решений намного более прочным способом», говорит Мао, который был ведущим автором на новой бумаге.Контент-провайдеры как YouTube могли настроить премиальную систему Пенсива, на основе которых метрик они хотят расположить по приоритетам для пользователей.
Например, исследования показывают, что зрители больше принимают повторно буферизования рано в видео, чем позже, таким образом, алгоритм можно было щипнуть, чтобы дать больший штраф за то, что повторно буферизовали со временем.Объединение машинного обучения с глубоко учащимися методамиКоманда проверила Pensieve в нескольких параметрах настройки, включая использование Wi-Fi в кафе и сети LTE, идя по улице.
Эксперименты показали, что Pensieve мог достигнуть той же самой видео резолюции как MPC, но с сокращением 10 – 30 процентов на сумму повторно буферизования.«Предшествующие подходы пытались использовать логику контроля, которая основана на интуиции человеческих экспертов», говорит Вьяз Секэр, доцент электротехники и вычислительной техники в Университете Карнеги-Меллон, который не был вовлечен в исследование. «Эта работа показывает раннее обещание изученного машине подхода, который усиливает новые ‘глубокие учащиеся подобные ‘ методы».Мао говорит, что эксперименты команды указывают, что Pensieve будет работать хорошо даже в ситуациях, которые он не видел прежде.
«Когда мы проверили Pensieve в урегулировании ‘учебного лагеря’ с синтетическими данными, он выяснил алгоритмы ABR, которые были достаточно прочны для реальных сетей», говорит Мао. «Этот вид стресс-теста показывает, что это может сделать вывод хорошо для новых сценариев в реальном мире».Ализаде также отмечает, что Задумчивый был обучен на просто ценности месяца загруженного видео. Если у команды были данные в масштабе того, что имеют Netflix или YouTube, он говорит, что ожидал бы, что их повышения производительности будут еще более значительными.Как следующий проект его команда будет работать, чтобы проверить Pensieve на видео виртуальной реальности (VR).
«Битрейты, в которых Вы нуждаетесь для 4K-качественного СТАБИЛОВОЛЬТА, могут легко превысить сотни мегабит в секунду, которые просто не могут поддержать сегодняшние сети», говорит Ализаде. «Мы счастливы видеть то, что системы как Pensieve могут сделать для вещей как СТАБИЛОВОЛЬТ. Это – действительно просто первый шаг в наблюдении, что мы можем сделать».
Pensieve финансировался, частично, Национальным научным фондом и инновационным товариществом от Qualcomm.