我們在YouTube上經歷了兩件非常令人沮喪的事情：我們的視頻突然變得像素化，或者完全停止了回放。

這兩種情況都是因為特殊算法將視頻分解成小塊，然后加載。如果您的互聯網速度很慢，YouTube可能會在接下來的幾秒內降低視頻分辨率，以確保您仍然可以不間斷地觀看 - 因此，像素化。如果您嘗試跳過尚未加載的視頻的一部分，您的視頻必須停止以緩沖該部分。

YouTube使用這些自適應比特率(ABR)算法嘗試為用戶提供更一致的觀看體驗。它們還可以節省帶寬：人們通常不會一直觀看視頻，因此，每天流動的視頻流量達到10億小時，為所有用戶緩沖數千個長視頻將浪費大量資源。倍。

雖然ABR算法通常已完成工作，但觀眾對流媒體視頻的期望仍在不斷膨脹，而且當Netflix和YouTube等網站不得不在視頻質量與視頻質量之間做出不完美的權衡時，往往無法實現這一點。拒絕。

“研究表明，如果質量太低，用戶就會放棄視頻會話，導致內容提供商的廣告收入大幅下降，”麻省理工學院教授Mohammad Alizadeh說。“網站不斷尋求新的創新方式。”

在這些方面，Alizadeh和他在麻省理工學院計算機科學與人工智能實驗室(CSAIL)的團隊開發了“Pensieve”，這是一種人工智能(AI)系統，它使用機器學習根據網絡條件選擇不同的算法。通過這種方式，它已經被證明可以提供更高質量的流媒體體驗，同時比現有系統更少的重新緩沖。

具體來說，在實驗中，團隊發現Pensieve可以比其他方法更少地減少10%到30%的視頻流，并且用戶在關鍵的“體驗質量”(QoE)指標上評分高出10%到25%。

Pensieve也可以根據內容提供商的優先級進行定制。例如，如果地鐵上的用戶即將進入死區，YouTube可以調低比特率，以便它可以加載足夠的視頻，使其在網絡丟失期間無需重新緩沖。

“我們的系統可靈活適用于任何你想要優化的系統，”博士生Hongzi Mao說，他是Alizadeh和博士生Ravi Netravali的相關論文的第一作者。“你甚至可以想象用戶根據他們是否想要優先考慮重新緩解與解決方案來個性化他們自己的流媒體體驗。”

自適應比特率如何工作

從廣義上講，有兩種ABR算法：基于速率的算法，用于衡量網絡傳輸數據的速度;以及基于緩沖區的算法，用于確保始終存在一定量的未來視頻已被緩沖。

兩種類型都受到簡單事實的限制，即它們不使用有關速率和緩沖的信息。因此，這些算法通常會做出較差的比特率決策，需要人工專家仔細調整手以適應不同的網絡條件。

研究人員還嘗試將兩種方法結合起來：卡內基梅隆大學的一個系統優于使用“模型預測控制”(MPC)的兩種方案，這種方法旨在通過預測條件如何隨時間演變來優化決策。這是一項重大改進，但仍存在網絡速度等因素難以建模的問題。

“建模網絡動態很困難，而像MPC這樣的方法最終只能與你的模型一樣好，”Alizadeh說。

Pensieve不需要模型或任何關于網絡速度等事情的現有假設。它將ABR算法表示為神經網絡，并在具有廣泛緩沖和網絡速度條件的情況下反復測試它。

系統通過獎勵和懲罰系統調整其算法。例如，它可以在任何時候提供無緩沖，高分辨率體驗時獲得獎勵，但如果必須重新緩沖則會受到懲罰。

“它了解不同的策略如何影響績效，并且通過觀察實際的過去表現，它可以更加健壯的方式改進其決策政策，”毛澤東說，他是新論文的第一作者。

像YouTube這樣的內容提供商可以根據他們想要為用戶劃分優先級的指標來定制Pensieve的獎勵系統。例如，研究表明，觀眾在視頻早期比在以后更容易接受重新緩沖，因此可以對算法進行調整，以便隨著時間的推移給予更大的回報懲罰。

使用深度學習技術學習融合機器

該團隊在幾個環境中對Pensieve進行了測試，包括在咖啡館和LTE網絡中使用Wifi，同時走在街上。實驗表明，Pensieve可以達到與MPC相同的視頻分辨率，但是重新緩沖的數量減少了10%到30%。

“先前的方法試圖使用基于人類專家直覺的控制邏輯，”卡內基梅隆大學電子和計算機工程助理教授Vyaz Sekar說，他沒有參與這項研究。“這項工作展示了機器學習方法的早期前景，該方法利用了新的'深度學習'技術。”

毛說，該團隊的實驗表明，即使在以前沒有見過的情況下，Pensieve也能很好地運作。

“當我們使用合成數據在'訓練營'設置中測試Pensieve時，它發現ABR算法對于真實網絡足夠強大，”毛說。“這種壓力測試表明，它可以很好地概括出現實世界中的新情景。”

Alizadeh還指出，Pensive只接受了一個月的下載視頻培訓。如果團隊擁有Netflix或YouTube所擁有的數據，他表示他希望他們的性能改進更加重要。

作為下一個項目，他的團隊將致力于測試Pensieve的虛擬現實(VR)視頻。

Alizadeh說：“4K質量VR所需的比特率可以輕松達到每秒數百兆比特，而今天的網絡根本無法支持。” “我們很高興看到像Pensieve這樣的系統可以為VR這樣的事情做些什么。這實際上只是看到我們能做什么的第一步。”