Datavetenskapare skapar ett "laboratorium" för att förbättra strömmande video

Under dessa dagar med social distansering, eftersom miljoner klostrar hemma för att titta på tv via internet, har forskare från Stanford avslöjat en algoritm som visar en betydande förbättring av strömmande videoteknologi.

Denna nya algoritm, kallad Fugu, utvecklades med hjälp av frivilliga tittare som tittade på en ström av video, serverad av datavetare som använde maskininlärning för att granska detta dataflöde i realtid och letade efter sätt att minska glitches och bås.

I en vetenskaplig artikel beskriver forskarna hur de skapade en algoritm som bara skjuter ut så mycket data som tittarens internetuppkoppling kan få utan att försämra kvaliteten.

"I streaming beror undvikande av bås starkt av dessa algoritmer," säger Francis Yan, en doktorand i datavetenskap och första författare till uppsatsen, som fick 2020 USENIX NSDI Community Award.

Många av de rådande systemen för strömmande video är baserade på något som kallas den buffertbaserade algoritmen, känd som BBA, som utvecklades för sju år sedan av den dåvarande Stanford doktorand Te-Yuan Huang, tillsammans med professorerna Nick McKeown och Ramesh Johari.

BBA frågar helt enkelt tittarens enhet hur mycket video den har i bufferten. Om den till exempel har mindre än 5 sekunder lagrat skickar algoritmen bilder av lägre kvalitet för att skydda mot avbrott. Om bufferten har mer än 15 sekunder lagrat skickar algoritmen den högsta kvalitetsvideon som möjligt. Om antalet faller emellan, justerar algoritmen kvaliteten i enlighet därmed.

Även om BBA och liknande algoritmer är utbredda i branschen har det gjorts upprepade försök av forskare under åren att utveckla mer sofistikerade algoritmer med maskininlärning - en form av artificiell intelligens där datorer lär sig att optimera någon process.

Men i en modern variant av det gamla sopor-i-sopor-out-datorformat, kräver dessa maskininlärningsalgoritmer i allmänhet simulerade data att lära av, snarare än det verkliga som levereras via det verkliga internet. Där ligger ett problem.

"Internet visar sig vara en mycket smutsigare plats än våra simuleringar kan modellera," sa Keith Winstein, biträdande professor i datavetenskap som övervakade projektet och rådde Yan tillsammans med docent i datavetenskap och elektroteknik Philip Levis. "Vad Francis fann är att det kan finnas en klyfta mellan att få en av dessa algoritmer att fungera i simulering jämfört med att få den att fungera på det verkliga internet."

För att skapa en realistisk mikrokosmos av TV-tittande världen, uppförde Winsteins team en antenn ovanpå Stanford's Packard Building för att dra in fria, över-the-air sändningssignaler som de sedan komprimerade och strömmade till frivilliga som registrerade sig för att delta i forskningsprojektet , känd som Puffer. Från slutet av slutet av 2018 strömmade volontärerna och tittade på TV-program via Puffer och datavetenskaparna övervakade samtidigt dataströmmen med sin egen maskininlärningsalgoritm, Fugu och fyra andra ledande utmanare, inklusive BBA, som utbildades för att anpassa deras prestanda baserat på de faktiska kvalitetsförhållandena som tittarna upplevde.

I början av deras ström tilldelades varje tittare slumpmässigt en av de fem strömningsalgoritmerna och Stanford-teamet spelade in strömningsdata som den genomsnittliga videokvaliteten, antalet bås och hur lång tid tittaren ställde in.

Resultaten stämde inte med några tidigare forskningsstudier som hade baserats på simuleringar eller på mindre test. När de förment sofistikerade maskininlärningsalgoritmerna testades mot BBA i den verkliga världen, höll den enklare standarden sin egen. I slutet av rättegången hade Fugu emellertid överträffat de andra algoritmerna - inklusive BBA - när det gäller minsta avbrottstid, högsta bildupplösning och konsistensen i videokvalitet. Dessutom verkar dessa förbättringar ha kraften att hålla tittarna inställda. Tittarna tittar på Fugu-matade videoströmmar höll i genomsnitt 5-9% längre än andra testade algoritmer.

"Vi har hittat några överraskande sätt på vilka den verkliga världen skiljer sig från simulering och hur maskininlärning ibland kan ge vilseledande resultat. Det är spännande på det att det antyder att många intressanta utmaningar ska lösas," säger Winstein.

Lämna ett meddelande 

Namn *

E-postadress *

Telefon

Adress

Koda

Meddelande

 

meddelande~~POS=TRUNC