Οι επιστήμονες υπολογιστών δημιουργούν ένα «εργαστήριο» για τη βελτίωση της ροής βίντεο

Σε αυτές τις μέρες κοινωνικής απόστασης, καθώς εκατομμύρια μοναστήρια στο σπίτι για να παρακολουθήσουν τηλεόραση μέσω Διαδικτύου, οι ερευνητές του Στάνφορντ αποκάλυψαν έναν αλγόριθμο που καταδεικνύει μια σημαντική βελτίωση στην τεχνολογία ροής βίντεο.

Αυτός ο νέος αλγόριθμος, που ονομάζεται Fugu, αναπτύχθηκε με τη βοήθεια εθελοντών θεατών που παρακολούθησαν μια ροή βίντεο, που εξυπηρετήθηκε από επιστήμονες υπολογιστών που χρησιμοποίησαν μηχανική εκμάθηση για να ελέγχουν αυτήν τη ροή δεδομένων σε πραγματικό χρόνο, αναζητώντας τρόπους για τη μείωση των δυσλειτουργιών και των στάβλων.

Σε μια επιστημονική εργασία, οι ερευνητές περιγράφουν πώς δημιούργησαν έναν αλγόριθμο που εξάγει μόνο όσα δεδομένα μπορεί να λάβει η σύνδεση στο Διαδίκτυο του θεατή χωρίς να υποβαθμίζει την ποιότητα.

"Κατά τη ροή, η αποφυγή των στάβλων εξαρτάται σε μεγάλο βαθμό από αυτούς τους αλγόριθμους", λέει ο Francis Yan, υποψήφιος διδακτορικός στην επιστήμη των υπολογιστών και πρώτος συγγραφέας της εφημερίδας, που έλαβε το βραβείο κοινότητας USENIX NSDI 2020.

Πολλά από τα ισχύοντα συστήματα ροής βίντεο βασίζονται σε κάτι που ονομάζεται Αλγόριθμος Βασισμένος στο Buffer, γνωστός ως BBA, ο οποίος αναπτύχθηκε πριν από επτά χρόνια από τον τότε απόφοιτο φοιτητή του Στάνφορντ Te-Yuan Huang, μαζί με τους καθηγητές Nick McKeown και Ramesh Johari.

Το BBA ρωτά απλώς τη συσκευή του θεατή πόσα βίντεο έχει στο buffer. Για παράδειγμα, εάν έχει αποθηκευτεί λιγότερα από 5 δευτερόλεπτα, ο αλγόριθμος στέλνει πλάνα χαμηλότερης ποιότητας για προστασία από διακοπές. Εάν το buffer έχει αποθηκευμένα περισσότερα από 15 δευτερόλεπτα, ο αλγόριθμος στέλνει την υψηλότερη δυνατή ποιότητα βίντεο. Εάν ο αριθμός πέσει μεταξύ τους, ο αλγόριθμος προσαρμόζει ανάλογα την ποιότητα.

Παρόλο που οι BBA και παρόμοιοι αλγόριθμοι είναι ευρέως διαδεδομένοι στον κλάδο, έχουν γίνει επανειλημμένες προσπάθειες ερευνητών με την πάροδο των ετών να αναπτύξουν πιο εξελιγμένους αλγόριθμους χρησιμοποιώντας μηχανική μάθηση - μια μορφή τεχνητής νοημοσύνης στην οποία οι υπολογιστές διδάσκονται να βελτιστοποιούν κάποια διαδικασία.

Αλλά σε μια σύγχρονη παραλλαγή της παλιάς παροιμίας υπολογιστών σκουπιδιών-απορριμμάτων, αυτοί οι αλγόριθμοι μηχανικής μάθησης απαιτούν γενικά προσομοιωμένα δεδομένα για να μάθουν, παρά το πραγματικό πράγμα που παραδίδεται μέσω του πραγματικού διαδικτύου. Εκεί βρίσκεται ένα πρόβλημα.

"Το Διαδίκτυο αποδεικνύεται ότι είναι πολύ πιο ακατάστατο από ό, τι μπορούν να μοντελοποιήσουν οι προσομοιώσεις μας", δήλωσε ο Keith Winstein, βοηθός καθηγητής επιστήμης υπολογιστών που επιβλέπει το έργο και συμβούλεψε τον Yan μαζί με τον αναπληρωτή καθηγητή επιστήμης υπολογιστών και ηλεκτρολόγων μηχανικών Philip Levis. "Αυτό που διαπίστωσε ο Φραγκίσκος είναι ότι μπορεί να υπάρχει ένα χάσμα ανάμεσα στο να κάνει έναν από αυτούς τους αλγόριθμους να λειτουργεί σε προσομοίωση έναντι του να λειτουργεί στο πραγματικό Διαδίκτυο."

Για να δημιουργήσει έναν ρεαλιστικό μικρόκοσμο στον κόσμο της τηλεόρασης, η ομάδα του Winstein δημιούργησε μια κεραία πάνω στο κτίριο Packard του Στάνφορντ για να τραβήξει δωρεάν σήματα μετάδοσης μέσω του αέρα τα οποία στη συνέχεια συμπιέζουν και μεταδίδουν σε εθελοντές που έχουν εγγραφεί για να συμμετάσχουν στο ερευνητικό έργο , γνωστό ως Puffer. Ξεκινώντας στα τέλη του 2018, οι εθελοντές έκαναν ροή και παρακολούθησαν τηλεοπτικά προγράμματα μέσω του Puffer και οι επιστήμονες υπολογιστών παρακολούθησαν ταυτόχρονα τη ροή δεδομένων χρησιμοποιώντας τον δικό τους αλγόριθμο μηχανικής μάθησης, Fugu, και τέσσερις άλλους κορυφαίους διεκδικητές, συμπεριλαμβανομένου του BBA, που εκπαιδεύτηκαν για να προσαρμόσουν την απόδοσή τους βάσει τις πραγματικές συνθήκες ποιότητας που βίωναν οι θεατές.

Στην αρχή της ροής τους, σε κάθε θεατή ανατέθηκε τυχαία ένας από τους πέντε αλγόριθμους ροής και η ομάδα του Στάνφορντ κατέγραψε δεδομένα ροής, όπως η μέση ποιότητα βίντεο, ο αριθμός των στάβλων και το χρονικό διάστημα που ο θεατής συντονίστηκε.

Τα αποτελέσματα διαφωνούσαν με κάποιες προηγούμενες ερευνητικές μελέτες που βασίστηκαν σε προσομοιώσεις ή σε μικρότερες δοκιμές. Όταν οι υποτιθέμενοι εξελιγμένοι αλγόριθμοι μηχανικής μάθησης δοκιμάστηκαν έναντι του BBA στον πραγματικό κόσμο, το απλούστερο πρότυπο διατηρούσε το δικό του. Μέχρι το τέλος της δοκιμής, ωστόσο, ο Fugu είχε ξεπεράσει τους άλλους αλγόριθμους - συμπεριλαμβανομένου του BBA - όσον αφορά τον ελάχιστο χρόνο διακοπής, την υψηλότερη ανάλυση εικόνας και τη συνέπεια της ποιότητας του βίντεο. Επιπλέον, αυτές οι βελτιώσεις φαίνεται να έχουν τη δύναμη να παρακολουθούν τους θεατές. Οι θεατές που παρακολουθούν ροές βίντεο που τροφοδοτούνται από Fugu καθυστέρησαν κατά μέσο όρο 5-9% περισσότερο από τους άλλους δοκιμασμένους αλγόριθμους.

"Βρήκαμε μερικούς εκπληκτικούς τρόπους με τους οποίους ο πραγματικός κόσμος διαφέρει από την προσομοίωση και πώς η μηχανική μάθηση μπορεί μερικές φορές να παράγει παραπλανητικά αποτελέσματα. Αυτό είναι συναρπαστικό στο ότι προτείνει πολλές ενδιαφέρουσες προκλήσεις που πρέπει να λυθούν", λέει ο Winstein.

Αφήστε μήνυμα 

Όνομα *

Email *

Τηλέφωνο Επικοινωνίας

Διεύθυνση

Κώδικας

Μήνυμα

 

Λίστα μηνυμάτων