lswcap
由于Corona 19禁止外出，流媒体服务Netflix的影响也导致了失控。流服务提供商还通过降低比特率和分辨率来努力维护服务。在这种情况下，出现了一种在不降低图像质量的情况下显着提高通信效率的算法，并引起了人们的关注。
Fugu由斯坦福大学的Francis Yang等研究团队开发。研究团队构建了斯坦福大学提供的流服务Puffer，并根据从中获得的数据进行机器学习，从而开发了一种算法。
当前，常规流传输使用基于缓冲器的算法BBA（基于缓冲器的算法），其旨在无缝地播放视频。它检查在缓冲区（该PC区域临时存储数据）中累积了多少图像，并相应地调整图像质量。例如，如果BBA确定PC上仅存储了5秒的视频，则BBA会将低质量的视频发送到PC。相反，如果确定有15秒的余量，它将发送花费时间进行通信的高质量视频。 BBA长期以来一直广泛用于流服务中，因为这种方法可以在保持流畅的视频播放的同时提供最高的质量。
BBA是一种简单但不复杂的旧方法，因此研究人员一直在寻找有效的通信算法。但是，问题在于这些研究中的大多数都是基于虚拟环境中的机器学习，因此并不适合实际的互联网环境。
研究团队实际上启动了免费的流媒体服务Purpur，向63,508个用户提供了38.6年的视频，并使用在更真实的环境中获得的数据在监督学习下进行了深度学习。以这种方式制作的算法可以预测到河豚之前的数据传输时间，并且比仅参考当前缓冲区情况的BBA可以执行更有效的拥塞控制。
在验证了Puffer等五种算法在Puffer中的效果后，研究小组表示，Fugu在图像质量，分辨率和视频暂停时间方面表现出出色的性能。此外，即使在使用随机算法为观看者提供视频的测试中，观看者观看到交付给河豚的视频的观看者说，他们享受的视频时间比其他算法长5％至9％。
研究团队说，机器学习已经找到一种克服现实与仿真之间差异的方法，考虑到这将解决许多问题，这将是非常有趣的。此外，通过这项研究，他了解到，为了创建一种在互联网上显示出强大性能的学习型算法，在实时流环境中对数据进行实时训练需要一种结构复杂且简洁的算法。解释说教育是必不可少的。相关信息可以在这里找到。
Add comment