文章插图
据思科统计数据，互联网视频流在网络带宽中占有很大份额，到2022年将增长到消费互联网流量的82%以上 。视频服务已经成为人们生活中不可或缺的一部分 。
为了克服网络抖动带来不必要的播放卡顿，自适应多码率被公认为最有效的手段之一，例如MPEG-DASH、Apple的HLS、快手的LAS等 。ABR算法自适应多码率方案的核心，依据网络状态、播放状态等信息，动态调整请求视频流的清晰度（码率），从而在流畅度、清晰度和平滑性上取得平衡，最大化用户体验 。
ABR算法可以分为两大类，一类是基于启发式的策略，通过建立各种模型或规则来控制码率的选择，然而这些算法通常需要仔细调参以适应多变的网络环境 。另一类则是采用机器学习的方式，让播放器通过与现实中的网络交互，“自主地”学习出一个适应当前网络状态的ABR算法 。
任何算法在落地前都需要经历漫长从理论到实践的调试与优化，特别是解决各种各样“实验室中认为不重要但是在落地阶段非常重要”的问题 。
鉴此，快手音视频技术部联合清华大学孙立峰教授团队对基于学习的ABR算法在两方面进行了研究和改进，并分别发表在国际顶级会议IEEE INFOCOM 2020与国际顶级期刊IEEE JSAC 。
推荐阅读
- 高通推出全球首个5G和人工智能机器人平台，30+公司参与生态建设
- 军事智能化之机器学习《清明上河图》里几个人几个牲口一览无余
- 学习美甲以及美甲注意事项
- 学习python，首先要了解python是什么，能干什么？
- 适用于初学者学习的Python正则表达式
- 基于Modbus协议实现Openplc与Kingview的仿真通讯与模拟测试
- 机器学习领域大佬们都推荐的书单
- 机器视觉——机器学习算法优缺点综述
- 外网主机A通过带内外网的Linux跳板机B直接访问内网机器C服务
- 机器学习算法的终极对决