Data science

การเรียนรู้อย่างลึกซึ้งมอบศักยภาพในการปรับปรุงประสบการณ์การสตรีมวิดีโอ

การปิดตัวที่เกี่ยวข้องกับ COVID ได้ยกระดับความสำคัญของการสตรีมวิดีโออย่างแน่นอน อย่างไรก็ตาม นี่เป็นเทรนด์ที่เราเห็นอยู่แล้วในฐานะบริษัท มหาวิทยาลัย องค์กรภาครัฐ ต่างพึ่งพาการสตรีมวิดีโอในการสื่อสารและแบ่งปันเนื้อหามากขึ้น เพิ่มการปิดโรงภาพยนตร์และความบันเทิงรูปแบบอื่น ๆ และคุณมีพายุที่สมบูรณ์แบบสำหรับความต้องการวิดีโอที่เพิ่มขึ้น ตาม Sandvine กว่า 60 เปอร์เซ็นต์ของปริมาณการใช้อินเทอร์เน็ตเป็นวิดีโอ และตามสถิติทุกนาที 404,444 ชั่วโมงของการสตรีมวิดีโอ ด้วยเหตุนี้ เนื่องจากเราเห็นโครงสร้างพื้นฐานที่ตึงเครียด ประสบการณ์ของผู้ใช้จึงถูกคุกคามจากแบนด์วิดท์และปัญหาอื่นๆ ที่นี่ Machine Learning โดยเฉพาะ Deep Learning อาจเป็นหนทางสู่การแก้ปัญหาเหล่านี้ ทีมวิจัยของฉันจากมหาวิทยาลัย Klagenfurt ได้สำรวจการใช้ Convolutional Neural Networks (CNNs) ซึ่งเป็นรูปแบบหนึ่งของ Deep Learning ที่ใช้กันทั่วไปในการจดจำภาพ ซึ่งเป็นวิธีแก้ปัญหาที่เป็นไปได้สำหรับปัญหาด้านประสิทธิภาพหลายอย่างที่สร้างปัญหาทางเทคนิคที่ผู้คนประสบอยู่ในปัจจุบัน ขณะสตรีมวิดีโอ ในโครงข่ายประสาทเทียม (CNN) และรูปแบบอื่นๆ ของการเรียนรู้เชิงลึก อัลกอริธึมพยายามเลียนแบบสมองของมนุษย์โดยสร้างการเชื่อมต่อ 'เซลล์ประสาท' หลายชั้น ซึ่งจะถูกปรับเมื่ออัลกอริทึมเรียนรู้จากข้อมูลที่ให้ไว้ สิ่งที่เรียกว่า 'เซลล์ประสาท' เป็นการผสมผสานระหว่างคุณลักษณะ (หรือคุณลักษณะ) จากชุดข้อมูล และถูก 'เปิดใช้งาน' สำหรับการทำนายโดยอัลกอริทึมตามคุณสมบัติทางคณิตศาสตร์ของพวกมัน ในบทความที่ทีมของฉันได้นำเสนอเมื่อเร็วๆ นี้ที่งาน IEEE International Conference on Communications and Image Processing (VCIP) เราเสนอให้ใช้ CNN เพื่อเพิ่มความเร็วในการเข้ารหัสของสิ่งที่เรียกว่า 'การแสดงหลายภาพ' ของวิดีโอ ในแง่ของฆราวาส วิดีโอจะถูกเก็บไว้ในเวอร์ชันหรือ 'การเป็นตัวแทน' ของขนาดและคุณภาพที่หลากหลาย เครื่องเล่นที่ขอเนื้อหาวิดีโอจากเซิร์ฟเวอร์ที่มันอาศัยอยู่ จะเลือกการแสดงที่เหมาะสมที่สุดโดยพิจารณาจากเงื่อนไขของเครือข่ายในขณะนั้น ตามทฤษฎีแล้วสิ่งนี้ช่วยเพิ่มประสิทธิภาพให้กับกระบวนการเข้ารหัสและการสตรีม อย่างไรก็ตาม ในทางปฏิบัติ วิธีการทั่วไปที่สุดในการส่งวิดีโอผ่านอินเทอร์เน็ตคือ HTTP Adaptive Streaming (HAS) นำเสนอข้อจำกัดในความสามารถในการเข้ารหัสเนื้อหาเดียวกันในระดับคุณภาพต่างๆ ซึ่งฉันจะอธิบายในอีกสักครู่ ข้อจำกัดเหล่านี้สร้างความท้าทายให้กับผู้ให้บริการเนื้อหา รวมถึงประสบการณ์ของผู้ใช้ปลายทางมากมายที่ผู้ดูต้องเผชิญ เราพบว่าวิธีการเข้ารหัสหลายอัตราที่รวดเร็วซึ่งใช้ประโยชน์จาก CNN อาจเสนอความสามารถในการเร่งกระบวนการโดยอ้างอิงข้อมูลจากการแสดงข้อมูลที่เข้ารหัสก่อนหน้านี้ โดยพิจารณาจากประสิทธิภาพที่เร็วที่สุด ไม่ใช่องค์ประกอบที่ช้าที่สุดในกระบวนการ การเข้ารหัสหลายอัตราใช้สิ่งที่เรียกว่า 'การเป็นตัวแทน' หรือเฟรมของวิดีโอบีบอัดที่ใช้กำหนดเฟรมในอนาคต วิธีการที่มีอยู่ส่วนใหญ่ไม่สามารถเร่งกระบวนการเข้ารหัสได้เนื่องจากวิธีการเหล่านี้มักจะใช้การแสดงคุณภาพสูงสุดเป็นการเข้ารหัสอ้างอิง ซึ่งหมายความว่ากระบวนการจะล่าช้าจนกว่าการแสดงคุณภาพสูงสุดซึ่งใช้เวลานานที่สุดจะเสร็จสมบูรณ์ และเป็นสิ่งที่รับผิดชอบต่อปัญหาการสตรีมจำนวนมากที่ผู้ใช้ประสบ โดยพื้นฐานแล้ว มันเหมือนกับว่าคุณกำลังขอให้ระบบจัดการกับปัญหาที่ซับซ้อนที่สุดก่อน และบอกว่าทุกอย่างอื่นต้องรอจนกว่าจะได้รับการแก้ไข ในทางปฏิบัติ นี่หมายความว่าขั้นตอนการเข้ารหัสต้องไม่เร็วไปกว่าส่วนที่ถูกกำหนดให้ใช้เวลานานที่สุด แน่นอนว่าไม่มีสูตรสำเร็จสำหรับประสิทธิภาพ คุณแก้ไขปัญหาด้วยการย้อนกลับ หรือเข้ารหัสตามการแสดงคุณภาพต่ำสุด ซึ่งเข้ารหัสเร็วที่สุด การใช้ CNN เพื่อเร่งกระบวนการเข้ารหัส ในการวิจัยของเรา เราใช้ CNN เพื่อคาดการณ์การตัดสินใจแยกส่วนย่อยของเฟรม หรือที่เรียกว่า CTU สำหรับการเข้ารหัสแบบหลายอัตรา เนื่องจากการแสดงคุณภาพต่ำสุดมักจะมีความซับซ้อนของเวลาต่ำสุด (หรือต้องใช้ทรัพยากรการประมวลผลขั้นต่ำเพื่อทำงาน) จึงถูกเลือกสำหรับการเข้ารหัสอ้างอิง สิ่งนี้จะเปลี่ยนสถานะที่เป็นอยู่ซึ่งการเลือกการแสดงที่มีความสลับซับซ้อนของเวลาสูงสุดเป็นการเข้ารหัสอ้างอิงบนหัวของมัน และส่งผลให้มีการเข้ารหัสที่เร็วขึ้นมาก และทำให้การสตรีมมีประสิทธิภาพมากขึ้น ที่บทสรุปของการวิจัยของเรา เราพบว่าเครือข่ายที่ใช้ประโยชน์จาก CNN ได้ลดความซับซ้อนของเวลาโดยรวม 60 เป็นเปอร์เซ็นต์ ในการเข้ารหัสแบบคู่ขนาน โดยสรุป เราเห็นว่าเทคนิคการเรียนรู้ของเครื่องที่ใช้กันอย่างมากในการจดจำภาพอาจให้โซลูชันที่มีประสิทธิภาพอย่างมากสำหรับความท้าทายมากมายที่บริษัทการสตรีมวิดีโอกำลังเผชิญอยู่ในขณะนี้ นี่จะเป็นกุญแจสำคัญในการตอบสนองความต้องการที่เพิ่มขึ้นสำหรับการสตรีมวิดีโอที่เราเห็น ขณะนี้ เรากำลังเตรียมการทดสอบในวงกว้างสำหรับชิ้นส่วนต่างๆ ที่เราได้รวมเข้ากับโซลูชันการเข้ารหัสวิดีโอในรูปแบบโปรดักชัน (เช่น x265) ดังนั้นเราจึงหวังว่าตลาด จะเห็นประโยชน์เหล่านี้ในไม่ช้า เกี่ยวกับผู้เขียน Christian Timmerer เป็นผู้ร่วมก่อตั้งบริษัทเทคโนโลยีสตรีมมิ่ง Bitmovin และเป็นสมาชิกของ Athena Christian Doppler Pilot Laboratory ซึ่งเป็นโครงการวิจัยที่เกี่ยวข้องกับมหาวิทยาลัย Klagenfurt เพื่อสำรวจเทคโนโลยีวิดีโอสตรีมมิ่งรุ่นต่อไป ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button