Bilgisayar bilimcileri video akışını iyileştirmek için bir ‘laboratuvar’ oluşturuyor.

Sosyal uzaklığın bu günlerinde, milyonlarca insanın internet üzerinden binge-watch TV’ye gizlice girmesi nedeniyle Stanford araştırmacıları, akış video teknolojisinde önemli bir gelişme gösteren bir algoritma ortaya koydu.

Fugu olarak adlandırılan bu yeni algoritma , bir video akışı izleyen gönüllü görüntüleyenlerin yardımıyla, bu veri akışını gerçek zamanlı olarak incelemek için makine öğrenimi yapan ve bilgisayar hatalarını ve tezgahları azaltmanın yollarını arayan bilgisayar bilimcileri tarafından geliştirildi .

Bir de bilimsel kağıt , araştırmacılar izleyicinin kadar veriler sadece olarak dışarı iter bir algoritma oluşturdu nasıl tarif internet bağlantısı aşağılayıcı kalitesi olmadan alabilirsiniz.

“Akış olarak, tezgahlarda kaçınarak bu algoritmaların büyük ölçüde bağlıdır,” Francis Yan, bir doktora adayı diyor bilgisayar bilimi ve 2020 USENIX NSDI Toplum Ödülü aldı kağıt, birinci yazar.

Video akışı için hakim sistemlerin çoğu, yedi yıl önce Stanford lisansüstü öğrencisi Te-Yuan Huang tarafından profesörler Nick McKeown ve Ramesh Johari tarafından geliştirilen, BBA olarak bilinen Tampon Tabanlı Algoritma olarak adlandırılan bir şeye dayanıyor.

BBA, izleyicinin cihazına arabelleğinde ne kadar video olduğunu soruyor. Örneğin, 5 saniyeden daha az bir süre depolanmışsa, algoritma kesintilere karşı koruma sağlamak için daha düşük kaliteli görüntüler gönderir. Arabellek 15 saniyeden daha uzun süre depolanmışsa, algoritma mümkün olan en yüksek kalitede video gönderir. Sayılar arasına girerse, algoritma kaliteyi buna göre ayarlar.

Her ne kadar BBA ve benzeri algoritmalar endüstride yaygın olsa da, araştırmacılar tarafından bilgisayar öğrenimini kullanarak bilgisayarların bazı süreçleri optimize etmeyi öğrettikleri bir yapay zeka biçimi olan daha sofistike algoritmalar geliştirmek için yıllar boyunca tekrarlanan girişimler olmuştur.

Ancak, eski çöp-in-çöp-out bilgisayar atasözünün modern bir varyasyonunda, bu makine öğrenme algoritmaları, gerçek internet üzerinden sunulan gerçek şey yerine, genellikle öğrenmek için simüle edilmiş veri gerektirir. Burada bir sorun var.

Projeyi denetleyen ve Yan’a bilgisayar bilimi ve elektrik mühendisliği profesörü Philip Levis ile birlikte danışmanlık yapan bilgisayar bilimi yardımcısı profesörü Keith Winstein, “İnternet, simülasyonlarımızın modelinden çok daha karışık bir yer haline geldi.” Dedi. “Francis’in bulduğu şey, bu algoritmalardan birinin simülasyonda çalışmasını ve gerçek internette çalışmasını sağlamak arasında bir uçurum olabileceğidir.”

TV izleme dünyasının gerçekçi bir mikro kozmosunu oluşturmak için Winstein’ın ekibi, daha sonra araştırma projesine katılmak için kaydolmuş gönüllülere sıkıştırıp yayınladıkları ücretsiz, havadan yayın sinyallerini almak için Stanford’un Packard Binası’nın üzerine bir anten kurdu. , Puffer olarak bilinir . 2018’in sonundan itibaren, gönüllüler Puffer aracılığıyla TV programları yayınladı ve izledi ve bilgisayar bilimcileri, kendi makine öğrenme algoritmaları Fugu ve BBA dahil olmak üzere performanslarını ayarlamak için eğitilen diğer dört önde gelen yarışmacıyı kullanarak veri akışını eşzamanlı olarak izledi . görüntüleyenlerin yaşadığı gerçek kalite koşulları.

Akışlarının başlangıcında, her izleyiciye rastgele beş akış algoritmasından biri atandı ve Stanford ekibi ortalama video kalitesi, durak sayısı ve izleyicinin ayarladığı süre gibi akış verileri kaydetti.

Sonuçlar, simülasyonlara veya daha küçük testlere dayanan daha önceki bazı araştırma çalışmalarıyla aynı fikirde değildi. Sözde sofistike makine öğrenme algoritmaları, gerçek dünyada BBA’ya karşı test edildiğinde, daha basit standart kendine aitti. Bununla birlikte, denemenin sonunda, Fugu, en az kesinti süresi, en yüksek görüntü çözünürlüğü ve video kalitesinin tutarlılığı açısından BBA dahil diğer algoritmalardan daha iyi performans gösterdi. Dahası, bu geliştirmelerin izleyicileri izlemeye devam etme gücü var gibi görünüyor. Fugu ile beslenen video akışlarını izleyen izleyiciler, test edilen diğer algoritmalardan ortalama% 5-9 daha uzun sürdü.

Winstein, ” Gerçek dünyanın simülasyondan farklı olduğu ve makine öğreniminin bazen yanıltıcı sonuçlar üretebileceği şaşırtıcı yollar bulduk . Bu çok ilginç zorlukların çözülmesini önerdiği için heyecan verici.”