斯坦福大學研究小組發布了一項新的開源研究項目Puffer，該項目致力于通過人工智能改進互聯網傳輸與視頻流算法。點擊【閱讀原文】訪問Puffer官網。

文 / Doyle

由計算機科學博士生Francis Ya領導的斯坦福大學研究小組推出了一個名為Puffer的新免費直播電視流媒體服務網站。

Puffer是斯坦福大學關于使用機器學習改進視頻流算法的一項研究：YouTube，Netflix和Twitch等服務使用的算法類型。該研究的最終目標是發現新的算法，以減少停頓，提高圖像質量，減少啟動/通道切換，并改善自適應流。此前，麻省理工學院計算機科學與人工智能實驗室（CSAIL）開發的 “Pensieve”系統，也曾嘗試通過機器學習的方法提供更加流暢的流媒體傳輸體驗。

Puffer使用Web Media Source Extensions（MSE）來傳輸視頻。所有瀏覽器都不支持此標準，特別是iOS上的Safari不支持此標準（iOS上不允許使用其他瀏覽器引擎，這意味著無法在iPhone或iPad上觀看Puffer）。Puffer適用于Chrome和Firefox（包括Android手機和平板電腦）和Microsoft Edge。不過由于資源限制，沒有像Roku或Apple TV這樣的流媒體播放器的應用程序。

Puffer專注于三種類型的算法：“擁塞控制”算法，決定何時發送每個數據，也稱為數據包，“吞吐量預測器”，預測發送一定數量的數據需要多長時間在不久的將來通過互聯網連接，以及決定要發送什么質量的視頻的“自適應比特率”（ABR）算法，以便嘗試為用戶提供不會導致失速或緩沖的最佳圖像質量。

Puffer使用在線學習來生成自適應比特率（ABR）和擁塞控制算法。從本質上講，這意味著Puffer會定期從過去的表現中學習構建未來更好的算法。

此外，Puffe還以多種方式對視頻流問題進行了不同的處理。這些包括：

• Puffer使用結構相似性（SSIM）代替比特率作為體驗質量測量的輸入，確保性能測量與用戶體驗更直接相關。

• Puffer使用比大多數現有系統更密集的比特率梯形圖，允許對用戶接收的視頻質量進行更精細的控制。

• 使用websockets而不是“DASH”HTTP請求/響應對，允許連續流式視頻與客戶端請求不同步。

• 使用具有可調節調步速率的擁塞控制和直接訪問吞吐量估計，而不是在TCP之上進行所有測試。

• 擁塞控制層和應用層之間的詳細通信，使得可以通過擁塞控制層中可用的帶寬來通知關于視頻質量的應用層決策。

• 使用非傳統信號來訓練我們的傳輸時間預測器，例如ISP，連接類型等。

• 使用直接傳輸時間預測器（預測發送特定編碼長度的塊所需的時間）而不是簡單地推斷單一吞吐量估計。

• 作為實際數據的函數，每天重新訓練傳輸時間預測器。

• 自動生成ABR方案的變體，并根據實際數據逐日演變。

• 使用跨不同用戶的聯合控制與分別處理每個流。

Puffer的所有研究工作都是開源的，可以在GitHub（https://github.com/StanfordSNR/puffer）上查看。

本文參考?

Jason Gurwin，“EXCLUSIVE:?Stanford Researchers Launch Free TV Service To Improve Video Streaming”

原文?

https://thestreamable.com/guides/live-tv-streaming/news/exclusive-stanford-researchers-launch-free-streaming-service-to-improve-video-streaming-algorithms

精品文章推薦

技術干貨：

• WebRTC的擁塞控制和帶寬策略
  

• 騰訊視頻全網清晰度提升攻堅戰

• 使用級聯SFU改善媒體質量和規模
  

• 基于HLS格式的低延時互動直播技術
  

• BBR如何讓Spotify流媒體更流暢？

• 王亞楠：基于強化學習的自動碼率調節

• Salsify：高流暢度的實時視頻傳輸新方式

• YouTube高效傳輸策略：節省14%帶寬 用戶體驗提升

總結

以上是生活随笔為你收集整理的Puffer：专注拥塞控制、带宽预测和ABR的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。