新机器学习系统Pensieve 让你和网络视频卡顿说再见！

　　我们在浏览Youtube的时候应该都经历过两件非常令人沮丧的事情：视频的画面要么突然变得很模糊，要么就完全停下来开始缓冲。

　　这两种情况都是由于一些特殊的算法造成的，它们将视频分解成小块，然后你一边看的同时它们就一边在加载。如果你的网络速度很慢，YouTube可能会在接下来的几秒钟里播放低分辨率的视频，以确保你仍然可以不间断地观看——因此，就出现了视频画面变得模糊的情况。如果你尝试跳过尚未加载的视频的部分，这样的话，画面就必须停止，以缓冲那些还没有加载的部分。

　　YouTube使用这些自适应的比特率(ABR)算法，试图给用户提供更一致的观看体验。他们也节省了带宽，因为人们通常不会一直从头到尾观看视频。因此，如果一直为所有用户都提供成千上万个时长较长视频的缓冲，其实是一个巨大的浪费资源。

　　虽然ABR算法已经做得很不错了，但观众对流媒体视频的期望却在不断增长，而且在像Netflix和YouTube这样的网站不得不在视频质量和缓冲的频率之间做出不完美的权衡时，观众的日益增长的期望越来越不能被满足。

　　MIT的教授Mohammad Alizadeh表示：“研究表明，如果质量太低，用户就会放观看视频，从而导致内容提供商的广告收入出现重大损失。因此，视频网站必须不断寻找创新的新方法。”

　　在这些方面，Alizadeh和他在MIT计算机科学和人工智能实验室(CSAIL)的团队已经开发出了“Pensieve”这样一个AI系统。它使用机器学习根据网络条件选择不同的算法。它已经被证明了能够比现有的系统提供更高质量的视频观看体验。

　　具体地说，在实验中，研究小组发现，Pensieve可以比其他方法更少地减少10%到30%的缓冲，而用户在“体验质量”(QoE)指标上的评分则要高出10%到25%。

　　Pensieve也可以根据内容提供者的优先级进行定制。例如，如果一个在地铁上的用户即将进入一个没有网络的区域，YouTube可以关闭比特率，这样它就可以加载足够的视频，这样它就不会在没有网络的区域出现缓冲停顿的画面。

　　“我们的系统对你想要优化它的任何东西都是灵活的，”博士生Hongzi Mao表示。他相关论文的第一作者，同署名的还有Alizadeh和博士生Ravi Netravali。“你甚至可以想象为单个用户定制的个性化视频体验，基于他们是否想要将不要缓冲的优先级设置为高于分辨率。

　　这篇论文将于下周在洛杉矶召开的SIGCOMM会议上进行讲演。团队也会在那个时候对代码进行开源。

　　论文地址

　　ABR是如何工作的

　　广义地说，有ABR算法有两种：

　　1)rate-based的算法，衡量网络传输数据的速度;

　　2)buffer-based的算法，确保一定数量的视频已经被缓冲了。

　　这两种类型都受到一定的限制，因为它们没有同时使用关于速率和缓冲的信息。因此，这些算法通常会做出糟糕的比特率决策，并需要由人类专家进行仔细的手工调整，以适应不同的网络环境。

　　研究人员还试图将这两种方法结合起来：CMU的研究人员开发了“模型预测控制”(MPC)系统，该方法旨在通过预测条件如何随时间演变来优化决策。这是一个重大的提升，但仍然存在着网络速度等因素难以建模的问题。

　　“建模网络动力是很困难的。即使有了像MPC这样的方法，你最终只会和你的模型一样好。”Alizadeh表示。

　　Pensieve并不需要一个模型，也不需要任何像网络速度这样的现有假设。它表现为一个神经网络式的ABR算法，并在有广泛缓冲和网络速度条件的情况下反复进行测试。

　　该系统通过奖励和惩罚系统来调整算法。例如，它可以得到一个奖励，如果用户得到了高分辨率体验，但是如果它停下来缓冲的话，就会受到惩罚。

　　“它会了解不同的战略对绩效的影响，而且，通过观察过去的实际表现，它可以以一种更加稳健的方式改善决策体系。”这篇论文的第一作者Mao表示。

　　像YouTube这样的内容提供商可以根据他们想要为用户设定优先级的标准来定制Pensieve的奖励系统。例如，研究表明，在视频前期，观众更容易接受缓冲，因此该算法可以将缓冲的惩罚调整到一个更大的度上。

　　将机器学习与深度学习技术相结合

　　该团队在几个场合测试了Pensieve，包括在咖啡馆使用Wifi和在街上行走时使用LTE网络。实验表明，Pensieve可以实现与MPC相同的视频分辨率，但缓冲却减少了10%到30%。

　　CMU电子和计算机工程助理教授Vyaz Sekar表示:“以前的方法试图使用基于人类专家直觉的控制逻辑。”这项工作展示了机器学习方法的前景。

　　Mao表示，研究小组的实验表明，即使在以前从未见过的情况下，Pensieve也能很好地工作。

　　他说：“当我们在‘boot camp’中使用综合数据测试的时候，它发现了ABR算法对真实的网络来说足够强大。这种压力测试表明，它对于现实世界中的新场景拥有不俗的表现。”

　　Alizadeh还指出，Pensive仅仅接受了一个月的下载视频的训练。如果该团队拥有Netflix或YouTube规模数据，他说他预计Pensieve的表现将会有更大的提升。

　　接下来，他的团队将在虚拟现实(VR)视频中测试Pensieve。

　　本文转自微信公众号“将门创投”(ID：thejiangmen)，来源：news.mit.edu。