Arvutiteadlased loovad video voogesituse parandamiseks “labori”

Nendel sotsiaalse distantseerumise päevil, mil miljonid inimesed kloostrivad kodus telerit, et vaadata üle interneti telereid, on Stanfordi teadlased avaldanud algoritmi, mis näitab videotehnika voogesituse olulist paranemist.

See uus algoritm, nimega Fugu, töötati välja videovoogu vaadanud vabatahtlike vaatajate abiga, neid teenisid arvutiteadlased, kes kasutasid masinõpet selle andmevoo kontrollimiseks reaalajas, otsides võimalusi tõrgete ja kioskide vähendamiseks.

Teadustöös kirjeldavad teadlased, kuidas nad lõid algoritmi, mis surub välja ainult nii palju andmeid, kui vaataja Interneti-ühendus suudab kvaliteeti halvendada.

"Voogesituse korral sõltub varitsuste vältimine suuresti nendest algoritmidest," ütleb Francis Yan, informaatika doktorikandidaat ja paberi esimene autor, kes pälvis 2020. aasta USENIX NSDI kogukonnaauhinna.

Paljud levinud video voogesituse süsteemid põhinevad puhverpõhisel algoritmil, mida nimetatakse BBA-ks ja mille töötasid seitse aastat tagasi välja tolleaegne Stanfordi kraadiõppur Te-Yuan Huang koos professorite Nick McKeowni ja Ramesh Johariga.

BBA küsib lihtsalt vaataja seadmest, kui palju videot puhvris on. Näiteks kui algoritm on salvestanud vähem kui 5 sekundit, saadab algoritm katkestuste eest kaitsmiseks madalama kvaliteediga materjali. Kui puhvrit on salvestatud rohkem kui 15 sekundit, saadab algoritm võimalikult kõrge kvaliteediga video. Kui arv jääb vahele, reguleerib algoritm vastavalt kvaliteeti.

Ehkki BBA ja sarnased algoritmid on tööstuses laialt levinud, on teadlased aastate jooksul korduvalt püüdnud välja töötada keerukamaid algoritme, kasutades masinõpet - see on tehisintellekti vorm, milles arvutid õpetavad end mõne protsessi optimeerimiseks.

Kuid vana prügikasti sisse-välja prügi väljaviimise moodsa variatsiooni korral nõuavad need masinõppe algoritmid üldjuhul simuleeritud andmeid, millelt õppida, mitte reaalse Interneti kaudu pakutavat. Selles peitub probleem.

"Internet osutub palju segasemaks kohaks, kui meie simulatsioonid suudavad modelleerida," ütles projekti juhtinud ja Janit nõustanud arvutiteaduse dotsent Keith Winstein ning arvutiteaduse ja elektrotehnika dotsent Philip Levis. "Francis leidis, et ühe sellise algoritmi simuleerimisel töötamise ja selle tegeliku Interneti toimimise vahel võib olla lõhe."

Telerivaatamismaailma realistliku mikrokosmi loomiseks püstitas Winsteini meeskond Stanfordi Packardi hoone kohale antenni, et tõmmata sisse tasuta eetrisignaale, mida nad seejärel tihendasid ja voogesitasid vabatahtlikele, kes registreerusid osalema uurimisprojektis. , tuntud kui Puffer. Alates 2018. aasta lõpust voogesitasid ja vaatasid vabatahtlikud Pufferi kaudu telesaateid ja arvutiteadlased jälgisid samaaegselt andmevoogu, kasutades oma masinõppe algoritmi Fugu ja veel nelja juhtivat kandidaati, sealhulgas BBA, keda koolitati oma jõudluse põhjal kohandama tegelikud kvaliteeditingimused, mida vaatajad kogesid.

Oma voo alguses määrati igale vaatajale juhuslikult üks viiest voogesituse algoritmist ja Stanfordi meeskond salvestas voogesituse andmed, nagu keskmine videokvaliteet, esitamiste arv ja vaatleja häälestatud aeg.

Tulemused ei olnud nõus mõne varasema uurimistööga, mis põhines simulatsioonidel või väiksematel testidel. Kui väidetavalt keerukaid masinõppe algoritme testiti reaalses maailmas BBA suhtes, pidas lihtsam standard omaette. Prooviperioodi lõpuks oli Fugu siiski väikseima katkestuse, kõrgeima pildi eraldusvõime ja videokvaliteedi osas edestanud teisi algoritme - sealhulgas BBA -. Veelgi enam, näib, et need parandused on võimelised vaatajaid häälestama. Vaatlejad, kes vaatavad Fugu toitega videovooge, viibisid keskmiselt 5–9% kauem kui muud testitud algoritmid.

"Oleme leidnud üllatavaid viise, kuidas tegelik maailm erineb simulatsioonist ja kuidas masinõpe võib mõnikord anda eksitavaid tulemusi. See on põnev, kuna see soovitab lahendada palju huvitavaid väljakutseid," räägib Winstein.

Jäta sõnum 

Nimi *

E-POST *

TELEFON

AADRESS

kood

Sõnum

 

Sõnumite nimekiri