Dataforskere oppretter et "laboratorium" for å forbedre streaming av video

I disse dager med sosial distansering, mens millioner kloster hjemme for å binge-se på TV over internett, har forskere fra Stanford avduket en algoritme som viser en betydelig forbedring av streamingvideo-teknologi.

Denne nye algoritmen, kalt Fugu, ble utviklet ved hjelp av frivillige seere som så på en strøm av video, servert av dataforskere som brukte maskinlæring for å granske denne dataflyten i sanntid, og lette etter måter å redusere feil og boder.

I en vitenskapelig artikkel beskriver forskerne hvordan de opprettet en algoritme som bare skyver ut så mye data som betrakterens internettforbindelse kan motta uten å forringe kvaliteten.

"I streaming avhenger det å unngå boder sterkt av disse algoritmene," sier Francis Yan, en doktorgradskandidat innen informatikk og første forfatter av papiret, som mottok 2020 USENIX NSDI Community Award.

Mange av de rådende systemene for streaming av video er basert på noe som kalles den bufferbaserte algoritmen, kjent som BBA, som ble utviklet for syv år siden av den daværende Stanford-forskerstudenten Te-Yuan Huang, sammen med professorene Nick McKeown og Ramesh Johari.

BBA spør ganske enkelt seerens enhet hvor mye video den har i bufferen. Hvis det for eksempel er lagret under 5 sekunder, sender algoritmen opptak av lavere kvalitet for å beskytte mot avbrudd. Hvis bufferen har mer enn 15 sekunder lagret, sender algoritmen videoen av høyeste kvalitet. Hvis tallet faller i mellom, justerer algoritmen kvaliteten deretter.

Selv om BBA og lignende algoritmer er utbredt i bransjen, har det vært gjentatte forsøk fra forskere gjennom årene å utvikle mer sofistikerte algoritmer ved bruk av maskinlæring - en form for kunstig intelligens der datamaskiner lærer seg å optimalisere en viss prosess.

Men i en moderne variant av det gamle søppel-i-søppel-ut datamaskinordet, krever disse maskinlæringsalgoritmene generelt simulerte data å lære av, snarere enn den virkelige tingen som leveres over det virkelige internett. Deri ligger et problem.

"Internett viser seg å være et mye rotete sted enn simuleringene våre kan modellere," sa Keith Winstein, en assistentprofessor i informatikk som veiledet prosjektet og ga råd til Yan sammen med førsteamanuensis i informatikk og elektroteknikk Philip Levis. "Det Francis fant er at det kan være en kløft mellom å få en av disse algoritmene til å fungere i simulering, mot å få den til å fungere på det virkelige internett."

For å skape et realistisk mikrokosmos av TV-visningsverdenen reiste Winsteins team en antenne oppå Stanford's Packard Building for å hente inn gratis, over-the-air kringkasting signaler som de deretter komprimerte og streamet til frivillige som meldte seg for å delta i forskningsprosjektet , kjent som Puffer. Fra slutten av 2018 strømmet de frivillige og så på TV-programmer via Puffer og datavitenskapene overvåket samtidig datastrømmen ved hjelp av sin egen maskinlæringsalgoritme, Fugu og fire andre ledende konkurrenter, inkludert BBA, som ble opplært til å justere ytelsen deres basert på de faktiske kvalitetsforholdene seerne opplevde.

Ved starten av strømmen ble hver seer tilfeldig tildelt en av de fem streamingalgoritmene, og Stanford-teamet registrerte strømningsdata som den gjennomsnittlige videokvaliteten, antall boder og hvor lang tid seeren stilte inn.

Resultatene var uenige i noen tidligere forskningsstudier som hadde vært basert på simuleringer eller på mindre tester. Da de antatt sofistikerte maskinlæringsalgoritmene ble testet mot BBA i den virkelige verden, holdt den enklere standarden sin egen. Mot slutten av rettsaken hadde Fugu imidlertid bedre enn de andre algoritmene - inkludert BBA - når det gjaldt minst avbruddstid, høyeste bildeoppløsning og konsistensen av videokvalitet. Dessuten ser det ut til at disse forbedringene har makt til å holde seerne innstilt på. Seere som ser på fugu-matede videostrømmer holdt seg i gjennomsnitt 5-9% lenger enn andre testede algoritmer.

"Vi har funnet noen overraskende måter den virkelige verden skiller seg fra simulering, og hvordan maskinlæring noen ganger kan gi misvisende resultater. Det er spennende på den måten at det antyder mange interessante utfordringer som skal løses," sier Winstein.

Legg igjen en beskjed 

Navn *

Epost *

Telefon

Adresse

Kode

Melding

 

Meldingsliste