人们关于在线视频加载速度与清晰度的要求总是无止境的。最近，来自麻省理工学院(MIT)的研讨者们展现了运用机器学习进行视频缓存优化的新办法。在实践中，这种名为Pensieve的新式缓存体系比较其他盛行办法少用了10-30%的视频流量，一起能够前进10-25%的「体会质量」，大幅广大用户体会。

咱们在 YouTube 和其他视频网站上经常会遇到这样的困境：视频忽然卡住，或许由于网络堵塞而变得像素化。

这两种情况产生的原因在于将视频切割成小块的特别算法，假如你的网络较慢，视频网站或许会在接下来的几秒钟内下降视频分辨率以保证你能够继续观看视频——当然，质量就无法保证了。假如你企图将进度条向后拉，而那一段还没有加载的话，视频的播映就会中止，直到相应的阶段被缓存。

作为***的视频网站，YouTube 运用自习惯比特率(ABR)算法企图为避实就虚观众供给***的体会。该网站还削减带宽的占用——一般，用户不会看完整段视频，而每天在网络上播映的视频大约有 10 亿小时，这意味着假如不运用优化算法而悉数加载，会糟蹋相当多的资源。

尽管 ABR 算法一般能够完结优化作业，但观众关于视频质量的要求是无止境的，而现在 Netflix 与 YouTube 这样的站点也不得不在质量和速度之间做出退让。

「研讨标明，假如视频会话质量太低，用户一般会抛弃观看，这关于内容供货商来说丢失很大，」MIT 教授 Mohammad Alizadeh 说道。「视频网站有必要不断寻求愈加先进的优化办法。」

面临这种情况，Alizadeh 与他在 MIT 计算机科学与人工智能试验室(CSAIL)的研讨团队共同开发了 Pensieve，一种运用机器学习算法处理不同网络情况的人工智能视频缓存体系。在研讨过程中，他们现已展现了该体系能够供给高质量的视频体会，作用超越现在盛行的避实就虚体系。

具体来说，该团队在试验中发现 Pensieve 比其他办法削减 10% 到 30% 的重缓存，且用户在要害「体会质量」(QoE)目标上的评级比其他办法高出 10% 到 25%。

Pensieve 还能够依据内容供货商的优先级进行自界说。例如，假如在地铁上的用户行将进入信号盲区，YouTube 能够下降比特率以尽或许多地加载视频，这样视频在没有网络的情况下也无需重缓存。

「咱们的体系能够灵敏适用避实就虚你想优化的场景。」博士生 Hongzi Mao 说，他是一篇相关论文的***作者(其他两位作者是 Alizadeh 和博士生 Ravi Netravali)。「你乃至能够幻想用户依据他们想要优先考虑重缓存仍是分辨率来定制个人专属的流媒体体会。」

该论文将在下周于洛杉矶举办的 SIGCOMM 会议上发布。该团队还将开源该项意图代码。

自习惯比特率的作业原理

广泛来说，存在两种 ABR 算法：根据率的算法，用来衡量网络传输数据的速度;根据缓存的算法，该算法保证存在一定量现已被缓存的未来视频。

这两种算法都受到一个简略实际的约束：它们都不运用包含率和缓冲的信息。因而，这些算法一般作出不太好的比特率决议计划，且需求人类专家的手动调整，以习惯不同的网络条件。

研讨者还测验把这两种办法联合起来：来自卡内基梅隆大学的体系的功能优于这两种算法，该体系运用了「模型猜测操控(MPC)」，该办法旨在经过猜测不一起间上的条件改变来优化决议计划。这是一项严重前进，可是依然存在问题，即网络速度等要素很难建模。

「对网络动态进行建模十分困难，运用 MPC 这样的办法，终究也只能获取和模型相同的功能。」Alizadeh 说道。而 Pensieve 不需求模型或任何现有的关于网络速度的假定。Pensieve 中的 ABR 算法就像一个神经网络，Pensieve 在具有不同缓存和网络速度条件的多种情况下重复测验该算法。

该体系经过奖罚机制调整算法。例如，假如算法传递了一个无需缓存、高分辨率的体会，它就会得到奖赏，可是假如它重缓存，则会被赏罚。

「它学习不同的战略对功能的影响办法，而且经过调查实践的过往体现，用一种更鲁棒的办法改进决议计划战略。」论文***作者 Mao 说。内容供货商如 YouTube 能够依据需求为用户优先处理的目标来自界说 Pensieve 的奖罚机制。例如，研讨标明用户更能承受视频中更早的重缓冲，因而该算法能够被设置为重缓存的时刻越晚，赏罚力度越大。

结合机器学习和深度学习技能

该团队在多种设置中测验 Pensieve，包含运用咖啡馆的 Wifi 和大街上的 LTE 网络。试验标明 Pensieve 能够获取和 MPC 相同的视频分辨率，可是重缓存削减了 10% 到 30%。

「之前的办法测验运用根据人类专家直觉的操控逻辑。」未参加该研讨的卡内基梅隆大学电子与计算机工程助理教授 Vyaz Sekar 说。「这项作业证明运用新式『深度学习』技能的机器学习办法已初显远景。

Mao 以为该团队的试验阐明 Pensieve 即便在曩昔未曾见过的场景中也能运转的很好。

「咱们在运用组成数据的『boot camp』设置中测验 Pensieve 时，发现 ABR 算法关于实在网络也满足鲁棒。」Mao 说，「这种压力测验证明 Pensieve 在实际国际的新场景中也能够进行很好的泛化。」

Alizadeh 还指出，Pensive 只在相当于一个月的下载视频上进行练习。假如研讨团队能够获取 Netflix 或 YouTube 这样规划的资源，该体系的体现将会更好。

下一步，Alizadeh 的团队将测验在 VR 视频中测验 Pensieve 的功能。

「4K 质量的 VR 视频能够容易到达每秒几百 M 的流量占用，今日的网络带宽底子无法支撑。」Alizadeh 说道。「咱们十分等待像 Pensieve 这样的体系能够让 VR 变得间隔实用化更进一步，而这仅仅可见远景的一小部分。」

原文：http://www.csail.mit.edu/high_quality_online_video_with_less_rebuffering

【本文是51CTO专栏组织“机器之心”的原创译文，微信大众号“机器之心( id: almosthuman2014)”】

戳管中窥豹，看该作者更多好文