MIT發(fā)現(xiàn)了一種通過縮短緩沖時間和像素的方法，來增加視頻數(shù)據(jù)流。
MIT的計算機科學和人工智能實驗室根據(jù)不同的網(wǎng)絡環(huán)境來挑選不同的算法，開發(fā)出了一個新的AI，名為Pensieve，可以帶來更高質量的流媒體體驗，縮短緩沖時間。
“當我們用綜合數(shù)據(jù)在‘新兵訓練營’里測試Pensieve時，它可以搞清楚供給自適應碼率（ABR）算法，”博士生Hongzi Mao說道。他是相關文章的第一作者，下周將出席洛杉磯的SIGCOMM會議。“這種壓力測試也表明它可以在現(xiàn)實世界的新環(huán)境中運行良好。”
YouTube和Netflix等網(wǎng)站并不是把完整的視頻送到你的電腦上，而是把視頻切成了小塊，依靠ABR算法來決定每一小塊的分辨率。這種做法的確提供了更連貫的觀看體驗，也可以節(jié)省寬帶流量，但是也存在一些問題。如果連接太過緩慢，YouTube可能會暫時降低分辨率，保證視頻連貫播放。而且因為視頻是塊狀的，所以也不能快進。
現(xiàn)在有兩種ABR：基于速率的ABR可以測量一個網(wǎng)絡傳輸數(shù)據(jù)的速度；基于緩沖的ABR保證視頻開頭的緩沖是足夠的。
這兩種算法目前各自只能關注一個方面，但是MIT的新算法Pensieve可以利用機器學習來根據(jù)網(wǎng)絡情況選擇最佳的系統(tǒng)。
在實驗中，測試的AI使用的是wifi和LTE，實驗團隊發(fā)現(xiàn)其可以使視頻在同樣分辨率下播放，但是要比其他方法快10-30%。此外，用戶評價此AI播放的視頻提高了10-25%的“體驗質量”。
然而，研究人員只用一個月的下載視頻測試了Pensieve，且相信其在流量巨頭YouTube和Netflix等網(wǎng)站上使用，性能會更好。
卡耐基梅隆大學電子與計算機工程副教授Vyaz Sekar也參與了本次研究，他表示：“之前控制邏輯性的方法是基于人類專家直覺的。本次研究表明這種機器學習方法有希望利用‘深度學習’類的技術。”他和卡耐基梅隆大學的其他研究人員一同想要把兩種ABR算法結合到一起，當取得重大進展時，他們依然遇到了網(wǎng)速難以模擬的困難。
除了這些進展以外，MIT的新AI也非常靈活，可以讓你選擇如何播放。比如，如果你知道你馬上就會沒有信號，你可以關掉位率，犧牲分辨率保證視頻的加載。
Hongzi Mao說：“我們的系統(tǒng)很靈活，你可以選擇自己想要優(yōu)化的方面。你甚至可以想象一個用戶個性化設置自己的視頻加載體驗，不管想要消除再緩沖還是分辨率。”
接下來，這個團隊計劃用VR來測試Pensieve。
研究人員表示：“4K的VR所需的位率每秒可以輕松累計幾億兆位，現(xiàn)在網(wǎng)絡根本支持不了。有Pensieve這樣可以改善VR的系統(tǒng)，我們是很激動的。這是我們邁出的第一步。”
