酷应用

学界 | 视频卡到天荒地老？MIT最新算法Pensieve让你观影畅通无阻

百家作者：大数据文摘 2017-08-15 07:06:43

大数据文摘作品，转载要求见文末

作者 | Adam Conner-Simons

编译 | 钱天培

美好的一天，和工作说拜拜，打开电脑开始刷剧吧！

然而，如果你蹭了一个不靠谱的wifi，你接下来看到的画面很可能是这样的，

这样的，

然后你整个人就会变成这样的，

这样的场景是否十分熟悉呢！当然了，你不是孤单一人——MIT的程序员们为此也是咬牙切齿了。

于是... 就有了下面我们要介绍的一款神器。

近日，MIT计算机科学与人工智能实验室（CSAIL）最新研发的机器学习系统尝试解决这一尴尬。这款新系统能够更灵活地根据网络状况调整视频播放，优化用户观看体验，让你和低像素和卡屏说再见。

在具体介绍这款神器前，让我们先来探究一下：我们的视频播放为什么会出现突如其来的低像素和卡屏问题呢？

OMMEN

实际上，这两个问题都是由于视频加载的特殊算法造成的。在播放过程中，一段视频会被分成几小段，随着你的播放被逐个加载。

如果你的网络质量很渣的话，你的视频在下几秒可能会进入低像素播放状况，从而保证你仍能继续观看视频。如果你选择直接跳到一段还没有加载过的视频的话，不好意思，你很可能就得盯着静止的屏幕等上几秒了。T

此外，即便你当前的网络状况良好，视频网站一般也不会帮你把整段视频缓存完毕——以Youtube为例，每天用户播放的视频时长超过10亿小时，缓存这些视频将会是一个巨大的浪费。

尽管以上的算法十分智能，随着视频播放用户们被越养越刁，这些算法已经不能够满足他们的需求了。

?戳下方，观看短视频

“研究表明，用户会在视频质量太差时彻底放弃观看，这就造成了巨大的广告利润流失。”MIT的教授Mohammad Alizadeh这样说道，“视频播放网站需要持续寻找新方法，以提高用户体验。”

观察到这一需求后，Alizadeh和他在MIT计算机科学与人工智能实验室实验室的团队研发了一款名为Pensieve的AI系统，这一系统使用了机器学习的方法，能够根据网络状况选取不同的视频播放算法。这样一来，视频变模、卡壳的情况就会大大减少了。

具体来说，Pensieve在测试中相比其他方法可以将视频重新加载的发生率降低10%到30%，由此带来了10%到25%的用户体验打分提升。

“我们的系统十分灵活，甚至可以对每一个用户作出个性化调整”，该团队中的一名PhD学生Hongzi Mao这样告诉我们。

研发团队将在下周举行的SIGCOMM大会上展示这一成果，他们也会在将来实现这一项目的开源。

笼统地讲，适应性视频播放算法分为两种。一种是基于网速的，这种算法会根据网速快慢处理视频播放质量，另一种是基于缓存的，这种算法会确保用户总有一定量的视频缓存可以播放。

这两种算法都有同样的问题：无法同时利用网速和缓存的信息。这导致了这两种算法常常需要专家作出人工干预。

此前，卡耐基梅隆大学的一支团队尝试了将这两种方法结合起来，研发出一个名为“模型预测控制”的算法。这是该领域的一个重大突破，但这一算法也仍然面临着“难以对网速建模”的问题。

“对网络动态建模是有难度的，卡耐基梅隆大学研发的算法依旧无法突破自身模型的局限。”Alizadeh这样评价道。

Pensieve不需要一个模型，也不需要对网速作出假设。它使用了神经网络的方法，并在大量缓存和网络状况下进行了测试。

该系统使用了一个奖惩制度。比方说，如果这一系统成功播放了一段流畅清晰的视频，它就会得到相应的奖励，而如果视频在播放途中需要被停下来缓存，它就会得到一定的惩罚。

“Pensieve能够学会不同策略能够带来的不同后果。并且，通过观察过去的表现，他能够更严格地提升决策策略。”Mao这样说道。

一些视频播放网站会可以根据自身需求个性化Pensieve的奖惩系统。举例说，研究表明视频观看者更能接受视频在播放开始阶段停止缓存，我们就可以对Pensieve作出相应的调整，对播放一段时间后出现的停止缓存问题给出更高的“罚单”。

有意思的是，即便当前的情况是此前训练中从未遇到过的，Pensieve也能作出合理的决策。

Alizadeh也指出，Pensieve目前只在长度为几个月的视频上进行了训练，如果该团队能够用更大的数据库训练Pensieve，优化效果一定会更加显著。

该团队的下一步计划是将Pensieve应用到虚拟现实（VR）视频的播放中。

“播放VR视频往往需要几百MB/秒的网速，这是目前网络系统所无法支持的。”Alizadeh说道，“我们很想看看Pensieve能够如何解决这一问题。当然，我们能做的可能还远不止这些。”

原文链接：http://news.mit.edu/2017/high-quality-online-video-with-less-rebuffering-pensieve-0814

今天文章作者除了AI玩儿得好

还是一枚乐队主唱

想进一步勾搭文摘的同学，

下周五@五道口宇宙最IN Livehouse

等你来！！！

↓↓↓扫码一起玩↓↓↓

↑↑↑扫码一起玩↑↑↑

添加文摘菌微信（superbigdata）了解更多


关于转载
如需转载，请在开篇显著位置注明作者和出处（转自：大数据文摘 | bigdatadigest），并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑，可直接转载，转载后请将转载链接发送给我们；有原创标识文章，请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者，我们将依法追究其法律责任。联系邮箱：zz@bigdatadigest.cn。

志愿者介绍

回复“志愿者”加入我们