新機(jī)器學(xué)習(xí)系統(tǒng)Pensieve 讓你和網(wǎng)絡(luò)視頻卡頓說再見！

　　我們?cè)跒g覽Youtube的時(shí)候應(yīng)該都經(jīng)歷過兩件非常令人沮喪的事情：視頻的畫面要么突然變得很模糊，要么就完全停下來開始緩沖。

　　這兩種情況都是由于一些特殊的算法造成的，它們將視頻分解成小塊，然后你一邊看的同時(shí)它們就一邊在加載。如果你的網(wǎng)絡(luò)速度很慢，YouTube可能會(huì)在接下來的幾秒鐘里播放低分辨率的視頻，以確保你仍然可以不間斷地觀看——因此，就出現(xiàn)了視頻畫面變得模糊的情況。如果你嘗試跳過尚未加載的視頻的部分，這樣的話，畫面就必須停止，以緩沖那些還沒有加載的部分。

　　YouTube使用這些自適應(yīng)的比特率(ABR)算法，試圖給用戶提供更一致的觀看體驗(yàn)。他們也節(jié)省了帶寬，因?yàn)槿藗兺ǔ２粫?huì)一直從頭到尾觀看視頻。因此，如果一直為所有用戶都提供成千上萬個(gè)時(shí)長(zhǎng)較長(zhǎng)視頻的緩沖，其實(shí)是一個(gè)巨大的浪費(fèi)資源。

　　雖然ABR算法已經(jīng)做得很不錯(cuò)了，但觀眾對(duì)流媒體視頻的期望卻在不斷增長(zhǎng)，而且在像Netflix和YouTube這樣的網(wǎng)站不得不在視頻質(zhì)量和緩沖的頻率之間做出不完美的權(quán)衡時(shí)，觀眾的日益增長(zhǎng)的期望越來越不能被滿足。

　　MIT的教授Mohammad Alizadeh表示：“研究表明，如果質(zhì)量太低，用戶就會(huì)放觀看視頻，從而導(dǎo)致內(nèi)容提供商的廣告收入出現(xiàn)重大損失。因此，視頻網(wǎng)站必須不斷尋找創(chuàng)新的新方法。”

　　在這些方面，Alizadeh和他在MIT計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室(CSAIL)的團(tuán)隊(duì)已經(jīng)開發(fā)出了“Pensieve”這樣一個(gè)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。它已經(jīng)被證明了能夠比現(xiàn)有的系統(tǒng)提供更高質(zhì)量的視頻觀看體驗(yàn)。

　　具體地說，在實(shí)驗(yàn)中，研究小組發(fā)現(xiàn)，Pensieve可以比其他方法更少地減少10%到30%的緩沖，而用戶在“體驗(yàn)質(zhì)量”(QoE)指標(biāo)上的評(píng)分則要高出10%到25%。

　　Pensieve也可以根據(jù)內(nèi)容提供者的優(yōu)先級(jí)進(jìn)行定制。例如，如果一個(gè)在地鐵上的用戶即將進(jìn)入一個(gè)沒有網(wǎng)絡(luò)的區(qū)域，YouTube可以關(guān)閉比特率，這樣它就可以加載足夠的視頻，這樣它就不會(huì)在沒有網(wǎng)絡(luò)的區(qū)域出現(xiàn)緩沖停頓的畫面。

　　“我們的系統(tǒng)對(duì)你想要優(yōu)化它的任何東西都是靈活的，”博士生Hongzi Mao表示。他相關(guān)論文的第一作者，同署名的還有Alizadeh和博士生Ravi Netravali。“你甚至可以想象為單個(gè)用戶定制的個(gè)性化視頻體驗(yàn)，基于他們是否想要將不要緩沖的優(yōu)先級(jí)設(shè)置為高于分辨率。

　　這篇論文將于下周在洛杉磯召開的SIGCOMM會(huì)議上進(jìn)行講演。團(tuán)隊(duì)也會(huì)在那個(gè)時(shí)候?qū)Υ�碼進(jìn)行開源。

　　論文地址

　　ABR是如何工作的

　　廣義地說，有ABR算法有兩種：

　　1)rate-based的算法，衡量網(wǎng)絡(luò)傳輸數(shù)據(jù)的速度;

　　2)buffer-based的算法，確保一定數(shù)量的視頻已經(jīng)被緩沖了。

　　這兩種類型都受到一定的限制，因?yàn)樗鼈儧]有同時(shí)使用關(guān)于速率和緩沖的信息。因此，這些算法通常會(huì)做出糟糕的比特率決策，并需要由人類專家進(jìn)行仔細(xì)的手工調(diào)整，以適應(yīng)不同的網(wǎng)絡(luò)環(huán)境。

　　研究人員還試圖將這兩種方法結(jié)合起來：CMU的研究人員開發(fā)了“模型預(yù)測(cè)控制”(MPC)系統(tǒng)，該方法旨在通過預(yù)測(cè)條件如何隨時(shí)間演變來優(yōu)化決策。這是一個(gè)重大的提升，但仍然存在著網(wǎng)絡(luò)速度等因素難以建模的問題。

　　“建模網(wǎng)絡(luò)動(dòng)力是很困難的。即使有了像MPC這樣的方法，你最終只會(huì)和你的模型一樣好。”Alizadeh表示。

　　Pensieve并不需要一個(gè)模型，也不需要任何像網(wǎng)絡(luò)速度這樣的現(xiàn)有假設(shè)。它表現(xiàn)為一個(gè)神經(jīng)網(wǎng)絡(luò)式的ABR算法，并在有廣泛緩沖和網(wǎng)絡(luò)速度條件的情況下反復(fù)進(jìn)行測(cè)試。

　　該系統(tǒng)通過獎(jiǎng)勵(lì)和懲罰系統(tǒng)來調(diào)整算法。例如，它可以得到一個(gè)獎(jiǎng)勵(lì)，如果用戶得到了高分辨率體驗(yàn)，但是如果它停下來緩沖的話，就會(huì)受到懲罰。

　　“它會(huì)了解不同的戰(zhàn)略對(duì)績(jī)效的影響，而且，通過觀察過去的實(shí)際表現(xiàn)，它可以以一種更加穩(wěn)健的方式改善決策體系。”這篇論文的第一作者M(jìn)ao表示。

　　像YouTube這樣的內(nèi)容提供商可以根據(jù)他們想要為用戶設(shè)定優(yōu)先級(jí)的標(biāo)準(zhǔn)來定制Pensieve的獎(jiǎng)勵(lì)系統(tǒng)。例如，研究表明，在視頻前期，觀眾更容易接受緩沖，因此該算法可以將緩沖的懲罰調(diào)整到一個(gè)更大的度上。

　　將機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)相結(jié)合

　　該團(tuán)隊(duì)在幾個(gè)場(chǎng)合測(cè)試了Pensieve，包括在咖啡館使用Wifi和在街上行走時(shí)使用LTE網(wǎng)絡(luò)。實(shí)驗(yàn)表明，Pensieve可以實(shí)現(xiàn)與MPC相同的視頻分辨率，但緩沖卻減少了10%到30%。

　　CMU電子和計(jì)算機(jī)工程助理教授Vyaz Sekar表示:“以前的方法試圖使用基于人類專家直覺的控制邏輯。”這項(xiàng)工作展示了機(jī)器學(xué)習(xí)方法的前景。

　　Mao表示，研究小組的實(shí)驗(yàn)表明，即使在以前從未見過的情況下，Pensieve也能很好地工作。

　　他說：“當(dāng)我們?cè)?lsquo;boot camp’中使用綜合數(shù)據(jù)測(cè)試的時(shí)候，它發(fā)現(xiàn)了ABR算法對(duì)真實(shí)的網(wǎng)絡(luò)來說足夠強(qiáng)大。這種壓力測(cè)試表明，它對(duì)于現(xiàn)實(shí)世界中的新場(chǎng)景擁有不俗的表現(xiàn)。”

　　Alizadeh還指出，Pensive僅僅接受了一個(gè)月的下載視頻的訓(xùn)練。如果該團(tuán)隊(duì)擁有Netflix或YouTube規(guī)模數(shù)據(jù)，他說他預(yù)計(jì)Pensieve的表現(xiàn)將會(huì)有更大的提升。

　　接下來，他的團(tuán)隊(duì)將在虛擬現(xiàn)實(shí)(VR)視頻中測(cè)試Pensieve。

　　本文轉(zhuǎn)自微信公眾號(hào)“將門創(chuàng)投”(ID：thejiangmen)，來源：news.mit.edu。