Ученые-информатики создают `` лабораторию '' для улучшения потокового видео

В эти дни социальных дистанций, когда миллионы людей уединяются дома, чтобы смотреть телевизор в Интернете, исследователи из Стэнфорда представили алгоритм, демонстрирующий значительное улучшение технологии потокового видео.

Этот новый алгоритм, получивший название Fugu, был разработан с помощью зрителей-добровольцев, которые наблюдали за потоком видео, обслуживаемым учеными-компьютерщиками, которые использовали машинное обучение для проверки этого потока данных в режиме реального времени, в поисках способов уменьшить глюки и задержки.

В научной статье исследователи описывают, как они создали алгоритм, который выталкивает только столько данных, сколько интернет-соединение зрителя может получить без ухудшения качества.

«В потоковом режиме избегание остановок во многом зависит от этих алгоритмов», - говорит Фрэнсис Ян, кандидат наук в области компьютерных наук и первый автор статьи, получившей премию USENIX NSDI Community 2020 Award.

Многие из преобладающих систем потокового видео основаны на так называемом алгоритме на основе буфера, известном как BBA, который был разработан семь лет назад тогдашним студентом Стэнфордского университета Те-Юаном Хуангом вместе с профессорами Ником МакКауном и Рамешем Джохари.

BBA просто спрашивает устройство зрителя, сколько видео у него в буфере. Например, если он хранится менее 5 секунд, алгоритм отправляет отснятый материал более низкого качества для защиты от прерываний. Если в буфере хранится более 15 секунд, алгоритм отправляет видео максимально возможного качества. Если число попадает между ними, алгоритм соответствующим образом корректирует качество.

Хотя BBA и подобные алгоритмы широко распространены в отрасли, в течение многих лет исследователи неоднократно пытались разработать более сложные алгоритмы с использованием машинного обучения - формы искусственного интеллекта, в которой компьютеры учатся оптимизировать какой-либо процесс.

Но в современной разновидности старой компьютерной поговорки «мусор в мусоре» эти алгоритмы машинного обучения, как правило, требуют для обучения смоделированных данных, а не реальных данных, передаваемых через настоящий Интернет. В этом и заключается проблема.

«Интернет оказывается гораздо более запутанным местом, чем может моделировать наше моделирование», - сказал Кит Винстейн, доцент кафедры информатики, который руководил проектом и консультировал Яна вместе с доцентом кафедры информатики и электротехники Филипом Леви. «Фрэнсис обнаружил, что может быть пропасть между тем, чтобы один из этих алгоритмов работал в симуляции, и тем, чтобы он работал в реальном интернете».

Чтобы создать реалистичный микрокосм в мире просмотра телепередач, команда Винстейна установила антенну на здании Packard в Стэнфорде, чтобы получать бесплатные эфирные радиовещательные сигналы, которые они затем сжимали и передавали на добровольцев, которые зарегистрировались для участия в исследовательском проекте. известный как Puffer. Начиная с конца 2018 года, добровольцы транслировали и смотрели телевизионные программы через Puffer, а ученые-компьютерщики одновременно следили за потоком данных, используя свой собственный алгоритм машинного обучения, Fugu, и четырех других ведущих соперников, включая BBA, которые были обучены настраивать свою производительность на основе реальные условия качества, которые испытывали зрители.

В начале своего потока каждому зрителю был случайным образом назначен один из пяти потоковых алгоритмов, и команда Стэнфорда записывала потоковые данные, такие как среднее качество видео, количество киосков и продолжительность настройки зрителя.

Результаты не согласуются с некоторыми более ранними исследованиями, которые основывались на моделировании или на более мелких тестах. Когда предположительно сложные алгоритмы машинного обучения были протестированы на BBA в реальном мире, более простой стандарт остался в силе. Однако к концу испытания Fugu опередил другие алгоритмы, включая BBA, с точки зрения наименьшего времени прерывания, высокого разрешения изображения и согласованности качества видео. Более того, похоже, что эти улучшения способны поддерживать настроение зрителей. Зрители, наблюдающие видеопотоки с питанием от Fugu, задерживаются в среднем на 5-9% дольше, чем другие протестированные алгоритмы.

«Мы нашли несколько удивительных моментов, в которых реальный мир отличается от симуляции, и то, что машинное обучение иногда может давать вводящие в заблуждение результаты. Это интересно, так как предлагает много интересных задач, которые необходимо решить», - говорит Винстейн.

Оставить сообщение 

Имя *

Эл. адрес *

Телефон

Адрес

Code

Сообщение

 

Список сообщений