Informatiker schaffen ein "Labor", um das Streaming von Videos zu verbessern

In diesen Tagen der sozialen Distanzierung haben Stanford-Forscher einen Algorithmus vorgestellt, der eine signifikante Verbesserung der Streaming-Videotechnologie demonstriert, da Millionen zu Hause zusammenkommen, um über das Internet fernzusehen.

Dieser neue Algorithmus namens Fugu wurde mit Hilfe von freiwilligen Zuschauern entwickelt, die sich einen Videostream angesehen haben, der von Informatikern bereitgestellt wurde, die diesen Datenfluss mithilfe von maschinellem Lernen in Echtzeit untersuchten und nach Möglichkeiten suchten, Störungen und Verzögerungen zu reduzieren.

In einem wissenschaftlichen Artikel beschreiben die Forscher, wie sie einen Algorithmus entwickelt haben, der nur so viele Daten überträgt, wie die Internetverbindung des Betrachters empfangen kann, ohne die Qualität zu beeinträchtigen.

"Beim Streaming hängt das Vermeiden von Ständen stark von diesen Algorithmen ab", sagt Francis Yan, Doktorand in Informatik und Erstautor des Papiers, der den USENIX NSDI Community Award 2020 erhielt.

Viele der gängigen Systeme für das Streamen von Videos basieren auf dem so genannten Buffer-Based Algorithm (BBA), der vor sieben Jahren von dem damaligen Stanford-Doktoranden Te-Yuan Huang zusammen mit den Professoren Nick McKeown und Ramesh Johari entwickelt wurde.

BBA fragt das Gerät des Betrachters einfach, wie viel Video sich in seinem Puffer befindet. Wenn beispielsweise weniger als 5 Sekunden gespeichert sind, sendet der Algorithmus Filmmaterial mit geringerer Qualität, um Unterbrechungen zu vermeiden. Wenn im Puffer mehr als 15 Sekunden gespeichert sind, sendet der Algorithmus das höchstmögliche Video. Wenn die Zahl dazwischen liegt, passt der Algorithmus die Qualität entsprechend an.

Obwohl BBA und ähnliche Algorithmen in der Branche weit verbreitet sind, haben Forscher im Laufe der Jahre wiederholt versucht, mithilfe von maschinellem Lernen komplexere Algorithmen zu entwickeln - eine Form der künstlichen Intelligenz, bei der sich Computer selbst beibringen, bestimmte Prozesse zu optimieren.

In einer modernen Variante des alten Sprichworts über Müll-in-Müll-aus-Computer erfordern diese Algorithmen für maschinelles Lernen im Allgemeinen simulierte Daten, um daraus zu lernen, und nicht die reale Sache, die über das echte Internet geliefert wird. Darin liegt ein Problem.

"Das Internet ist ein viel chaotischerer Ort, als unsere Simulationen modellieren können", sagte Keith Winstein, ein Assistenzprofessor für Informatik, der das Projekt betreute und Yan zusammen mit dem außerordentlichen Professor für Informatik und Elektrotechnik Philip Levis beriet. "Was Francis herausgefunden hat, ist, dass es eine Kluft zwischen dem Funktionieren eines dieser Algorithmen in der Simulation und dem Funktionieren im realen Internet geben kann."

Um einen realistischen Mikrokosmos der Fernsehwelt zu schaffen, errichtete Winsteins Team eine Antenne auf Stanfords Packard Building, um kostenlose drahtlose Sendesignale zu empfangen, die sie dann komprimierten und an Freiwillige weiterleiteten, die sich für die Teilnahme am Forschungsprojekt angemeldet hatten , bekannt als Puffer. Ab Ende 2018 haben die Freiwilligen TV-Programme über Puffer gestreamt und angesehen, und die Informatiker haben gleichzeitig den Datenstrom mithilfe ihres eigenen Algorithmus für maschinelles Lernen, Fugu, und vier weiterer führender Konkurrenten, einschließlich BBA, überwacht, die darauf trainiert wurden, ihre Leistung basierend auf anzupassen die tatsächlichen Qualitätsbedingungen, die die Zuschauer erlebten.

Zu Beginn des Streams wurde jedem Zuschauer zufällig einer der fünf Streaming-Algorithmen zugewiesen, und das Stanford-Team zeichnete Streaming-Daten wie die durchschnittliche Videoqualität, die Anzahl der Stalls und die Zeitdauer auf, die der Zuschauer eingestellt hatte.

Die Ergebnisse stimmten nicht mit einigen früheren Forschungsstudien überein, die auf Simulationen oder kleineren Tests beruhten. Als die vermeintlich ausgefeilten Algorithmen für maschinelles Lernen in der realen Welt gegen BBA getestet wurden, behauptete sich der einfachere Standard. Am Ende des Versuchs hatte Fugu jedoch die anderen Algorithmen - einschließlich BBA - hinsichtlich der geringsten Unterbrechungszeit, der höchsten Bildauflösung und der Konsistenz der Videoqualität übertroffen. Darüber hinaus scheinen diese Verbesserungen die Möglichkeit zu haben, die Zuschauer auf dem Laufenden zu halten. Die Zuschauer, die von Fugu gespeiste Videostreams sahen, blieben durchschnittlich 5 bis 9% länger als andere getestete Algorithmen.

"Wir haben einige überraschende Möglichkeiten gefunden, wie sich die reale Welt von der Simulation unterscheidet und wie maschinelles Lernen manchmal zu irreführenden Ergebnissen führen kann. Das ist insofern aufregend, als es viele interessante Herausforderungen vorschlägt, die gelöst werden müssen", sagt Winstein.

Hinterlass eine Nachricht 

Name und Vorname *

E-Mail *

Telefon

Adresse

Code

Nachricht

 

Nachrichtenliste