การปรับปรุงการดึงส่วนวิดีโอล่วงหน้าด้วยแมชชีนเลิร์นนิง

การใช้อัลกอริธึมการเรียนรู้ภายใต้การดูแลเพื่อคาดการณ์การตัดสินใจบิตเรตที่ปรับเปลี่ยนได้แม่นยำยิ่งขึ้น

ด้วยปริมาณการรับส่งข้อมูลวิดีโอที่เพิ่มขึ้นอย่างมากบนอินเทอร์เน็ต การสตรีมแบบปรับได้ของ HTTP จึงกลายเป็นวิธีหลักในการมอบความบันเทิง การบรรลุถึงคุณภาพประสบการณ์ผู้ใช้ที่ดี (QoE) มีความสำคัญมากขึ้นกว่าที่เคย และแม้ว่าจะมีการเสนอวิธีแก้ปัญหามากมาย แต่การสตรีมบิตเรตแบบปรับได้ (ABR) ก็แสดงให้เห็นว่าเป็นเทคนิคที่ดีที่สุดสำหรับการส่งวิดีโอผ่านทางอินเทอร์เน็ต

ในบริบทนี้ อัลกอริธึมการปรับแบนด์วิธได้เกิดขึ้นมากมาย โดยแต่ละอัลกอริธึมมีจุดมุ่งหมายเพื่อปรับปรุง QoE ของผู้ใช้โดยใช้ข้อมูลเซสชันที่แตกต่างกัน เช่น ปริมาณงาน TCP, อัตราการใช้บัฟเฟอร์, เวลาในการดาวน์โหลด... แม้ว่าการใช้งานจะแตกต่างกัน แต่ส่วนใหญ่ใช้อินพุตเดียวกันเพื่อปรับให้เข้ากับเงื่อนไขที่แตกต่างกันของเซสชันสื่อ

ในบทความนี้ เราแบ่งปันผลลัพธ์ของผู้สมัครระดับปริญญาเอกล่าสุดของเรา Hiba Yousef ซึ่งเป็นส่วนหนึ่งของงานวิจัยระดับปริญญาเอกของเธอสำหรับ École doctorale de l'Institut polytechnique de Paris (Jean-Claude Dufourd และ Jean Le Feuvre) และ Lumen, การป้องกันเผยแพร่ ในปี 2564.

ในตอนแรก Hiba Yousef จัดการและวิเคราะห์ปัญหาหลักที่เกิดขึ้นจากการใช้อัลกอริธึมการสตรีมแบบปรับเปลี่ยน HTTP ที่มีอยู่ในบริบทของเครือข่ายเพียร์ทูเพียร์ ในระหว่างระยะแรกของการวิจัย เราได้เสนอวิธีการสองวิธีเพื่อทำให้ ABR มีประสิทธิภาพมากขึ้นในเครือข่าย P2P โดยไม่คำนึงถึงอัลกอริทึมที่ใช้ (เผยแพร่ "ที่นี่") ต่อมาเราได้ขยายการวิจัยไปสู่การทำนายโดยใช้อัลกอริธึมการเรียนรู้แบบมีผู้สอน (เผยแพร่ครั้งแรกตั้งแต่เดือนกันยายน 2020 ที่นี่)

ในบทความนี้ Hiba Yousef แสดงให้เห็นว่าเทคนิคการเรียนรู้ของเครื่อง และโดยเฉพาะการจำแนกประเภทภายใต้การดูแล สามารถทำนายคลาสของอัลกอริธึม ABR โดยการทำนายคุณสมบัติที่เกี่ยวข้องมากที่สุด (ความสำคัญของคุณสมบัติตามค่าเฉลี่ยที่ลดลงของสิ่งเจือปน) ยิ่งไปกว่านั้น พวกเขาสามารถคาดการณ์การตัดสินใจบิตเรตของอัลกอริธึม ABR ใดๆ ก็ได้ โดยให้ชุดคุณสมบัติอินพุตที่สามารถมองเห็นได้ในระดับแอปพลิเคชัน

วิธีนี้มีประโยชน์ในการเป็นแบบทั่วไป ดังนั้นจึงไม่จำเป็นต้องมีความรู้ใดๆ เกี่ยวกับอัลกอริธึม แต่ถือว่าไม่ว่าจะใช้ตรรกะใดอยู่เบื้องหลัง วิธีนี้จะใช้ชุดคุณลักษณะอินพุตทั่วไป

เราทดสอบแนวทางของเราโดยใช้การจำลองบนอัลกอริธึม ABR ที่รู้จักกันดี จากนั้นเราจะตรวจสอบผลลัพธ์กับผู้เล่นแบบปิดเชิงพาณิชย์ โดยใช้ VoD ที่สมจริงและชุดข้อมูลสด

ผลลัพธ์แสดงให้เห็นว่าทั้ง Random Forest และ Gradient Boosting มีความแม่นยำในการทำนายที่สูงมากในกลุ่มตัวแยกประเภท ML

ความรู้เบื้องต้นเกี่ยวกับ ABR

ใน ABR สื่อ (วิดีโอ เสียง) จะถูกแบ่งออกเป็นส่วนเล็กๆ ที่มีระยะเวลาคงที่โดยประมาณ เรียกว่าส่วนต่างๆ และแต่ละส่วนจะถูกเข้ารหัสเป็นคุณสมบัติที่แตกต่างกัน จากนั้นจะใช้อัลกอริธึมบิตเรตที่ปรับเปลี่ยนได้ฝั่งไคลเอ็นต์เพื่อตัดสินใจเลือกคุณภาพที่สะดวกที่สุดตามสภาพเครือข่าย

มีการเสนออัลกอริธึม ABR จำนวนมากในวรรณกรรมและในการใช้งานเครื่องเล่นวิดีโอแบบเปิดหรือปิดจริง แม้ว่าตรรกะในการตัดสินใจจะแตกต่างกัน แต่อัลกอริธึม ABR ที่ล้ำสมัยส่วนใหญ่อาศัยการสังเกตการเรียนรู้เป็นอินพุตเพื่อเพิ่มประสิทธิภาพการเลือกบิตเรตของส่วนถัดไป อินพุตเหล่านี้มักจะเป็นการวัดแบนด์วิดท์และขนาดบัฟเฟอร์สูงสุด คุณลักษณะของเซ็กเมนต์ (เช่น ขนาด ระยะเวลา และบิตเรตการเข้ารหัส) และในบางกรณี ความสามารถของอุปกรณ์ (เช่น การใช้งาน CPU หน่วยความจำ ความเร็วในการเล่น)

การเรียนรู้ของเครื่อง (ML) และเทคนิคการควบคุมอื่นๆ แสดงให้เห็นผลดีในการวิจัยหลายสาขา และการสตรีมวิดีโอก็ไม่มีข้อยกเว้น Supervised Learning (SL) ประกอบด้วยการเรียนรู้ความสัมพันธ์ระหว่างอินพุตและเอาต์พุตตามตัวอย่างก่อนหน้าของคู่อินพุต-เอาต์พุต SL ช่วยให้สามารถเรียนรู้จากการสังเกตในอดีตเพื่อทำนายเหตุการณ์ในอนาคตซึ่งเป็นภารกิจหลักของ ABR ดังนั้นการผสมผสานทั้งสองวิธีนี้จึงเป็นทางเลือกที่สมเหตุสมผล

การคาดการณ์พฤติกรรม ABR เป็นสิ่งสำคัญสำหรับระบบที่ดึงข้อมูลล่วงหน้าและแคช ในทิศทางนี้ มีความพยายามที่จะปรับปรุงการดึง CDN ล่วงหน้าโดยแจ้งให้ CDN ทราบเกี่ยวกับส่วนถัดไปที่จะขอ ดังที่อธิบายไว้ในข้อกำหนดที่เกิดขึ้นใหม่ Common Media Client Data (CMCD) อย่างไรก็ตาม ในการใช้งาน ABR ในปัจจุบัน โปรแกรมเล่นวิดีโอจะขอส่วนต่างๆ ตามลำดับ และไม่ได้ระบุไว้ใน CMCD ว่าการดึงข้อมูลส่วนถัดไปล่วงหน้าจะเป็นไปตามการตัดสินใจของ ABR ครั้งล่าสุด หรือหาก ABR จะถูกแก้ไขเพื่อเลือกบิตเรตสำหรับส่วนถัดไปที่จะดึงข้อมูลล่วงหน้า จากซีดีเอ็น.

นอกจากนี้ ในกรณีการใช้งานเฉพาะของ Lumen — การสตรีมวิดีโอ HTTP / Peer-to-Peer (P2P) แบบไฮบริด — ตัวดึงข้อมูลล่วงหน้ามักจะดาวน์โหลดส่วนวิดีโอก่อนที่โปรแกรมเล่นจะร้องขอ เทคนิคการดึงข้อมูลล่วงหน้าในปัจจุบันอาศัยคุณภาพที่ร้องขอล่าสุดเพื่อดึงข้อมูลเซ็กเมนต์ที่กำลังจะมาถึง ดังนั้น ในกรณีของสวิตช์คุณภาพ ส่วนที่ดึงข้อมูลไว้ล่วงหน้าจากคุณภาพก่อนหน้าจะถูกละเว้น และจะมีการร้องขอเซ็กเมนต์ใหม่

การรู้การตัดสินใจของ ABR ล่วงหน้าจะช่วยคาดการณ์การเปลี่ยนแทร็ก และช่วยให้เราดึงส่วนถัดไปตามคุณภาพที่คาดการณ์ไว้ได้ ในการใช้งานการสตรีม P2P ในปัจจุบัน เครื่องเล่นวิดีโอจะถูกรวมไว้ที่ด้านบนของสแต็ก P2P ซึ่งจะแทนที่สแต็ก HTTP สำหรับ P2P เป็นเลเยอร์การขนส่ง ABR ในเว็บและผู้เล่นเนทีฟไม่เป็นที่รู้จักอย่างสมบูรณ์ในสแต็ก P2P ซึ่งทำให้การรวม P2P-ABR มีปัญหามากขึ้น

ด้วยเหตุนี้ ในบล็อกนี้ เราจงใจพยายามคาดการณ์อัลกอริธึม ABR ใดๆ โดยพิจารณาจากคุณสมบัติอินพุตที่ใช้บ่อยที่สุดเท่านั้น โดยไม่คำนึงถึง ABR ที่ใช้ ด้วยเหตุนี้ เราจึงเลือกตัวแยกประเภทภายใต้การดูแลที่รู้จักกันดีเพื่อคาดการณ์การตัดสินใจบิตเรตของอัลกอริทึม ABR เพื่อพิสูจน์ว่างานของเราไม่เชื่อเรื่องพระเจ้า ABR ก่อนอื่นเราจะทดสอบแบบจำลองบนอัลกอริธึม ABR ที่ล้ำสมัยที่รู้จักกันดีหกตัว จากนั้น เราจะคาดการณ์การตัดสินใจบิตเรตของอัลกอริธึมเชิงพาณิชย์ที่ไม่รู้จักโดยสิ้นเชิงและอัลกอริธึมแบบปิดสามตัว

การจำแนกประเภทตาม ML ในการสตรีมแบบปรับได้

ตามที่กล่าวไว้ การวิจัยเกี่ยวกับการสตรีมแบบปรับได้กำลังเปลี่ยนไปสู่การเรียนรู้ของเครื่องและการควบคุมการปรับให้เหมาะสม ML และ ABR ตัดกันที่จุดเรียนรู้จากการสังเกตการเรียนรู้และการทำนายการตัดสินใจในอนาคต

โดยทั่วไป อัลกอริธึมบิตเรตที่ปรับเปลี่ยนได้โดยทั่วไปจะจัดประเภทตามอินพุตที่ต้องการออกเป็น 3 คลาสหลัก: แบบบัฟเฟอร์ (BBA และ BOLA), แบบทรูพุต (PANDA และแบบธรรมดา) และแบบไฮบริดแบบบัฟเฟอร์ - แบบทรูพุต เมื่อเร็วๆ นี้ เทคนิคการเรียนรู้ของเครื่องและการควบคุมถูกนำมาใช้กันอย่างแพร่หลายใน ABR ซึ่งนำไปสู่คลาสที่ใช้ ML และคลาสที่ใช้การควบคุม (RobustMPC) ที่เกิดขึ้นใหม่

โมเดลใน SL ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลที่ติดป้ายกำกับพร้อมมุมมองของการใช้โมเดลกับข้อมูลที่ยังไม่ทราบ SL เกี่ยวข้องกับการจำแนกประเภท การถดถอย และการทำนายผลลัพธ์เชิงโครงสร้าง ในการศึกษานี้ เรามุ่งเน้นไปที่ปัญหาการจำแนกประเภทและใช้ตัวแยกประเภทที่รู้จักกันดี เช่น Naive Bayes, Decision Trees, Random Forest, Adaboost และ Gradient Boost, K-Nearest Neighbors และ Support Vector Machine (SVM)

ปัญหาการจำแนกการเลือกบิตเรต

การทำนายบิตเรต ABR ได้รับการกำหนดเป็นปัญหาการจำแนกประเภทหลายคลาสในบทความนี้ ขั้นตอนแรกในการแก้ปัญหา ML นี้คือการกำหนดคุณสมบัติที่จำเป็นในการทำนายบิตเรต ABR ตามที่ระบุไว้ในบทนำ อัลกอริธึม ABR ส่วนใหญ่ใช้ชุดหรือชุดย่อยของตัวแปรเครือข่าย บัฟเฟอร์ หรือเซ็กเมนต์ ในการศึกษานี้ เพื่อให้โมเดลเป็นแบบทั่วไป เราใช้คุณลักษณะต่อไปนี้:

1) ระดับบัฟเฟอร์: อัตราการใช้บัฟเฟอร์เมื่อร้องขอเซ็กเมนต์ ซึ่งพร้อมใช้งานผ่าน API สาธารณะของเครื่องเล่นวิดีโอส่วนใหญ่

2) แบนด์วิดท์ (bps): ปริมาณงาน TCP ตามที่เลเยอร์แอปพลิเคชันเห็นหลังจากดาวน์โหลดเซ็กเมนต์ ซึ่งวัดโดยการคำนวณข้อมูลที่ดาวน์โหลด (ขนาดเซ็กเมนต์ที่นี่) ในช่วงเวลาดาวน์โหลด

3) แบนด์วิดธ์ก่อนหน้า (bps): ปริมาณงานที่วัดได้เมื่อดาวน์โหลดส่วนก่อนหน้า ข้อมูลนี้ใช้สำหรับการปรับการประมาณแบนด์วิธให้ราบรื่น หรือเมื่อไม่มีการประมาณค่าปัจจุบัน เช่นเดียวกับอัลกอริธึมที่ใช้บัฟเฟอร์บางตัว

4) เวลาในการดาวน์โหลด: เวลาในการดาวน์โหลดเซ็กเมนต์

5) บิตเรตก่อนหน้า (bps): บิตเรตของส่วนที่เลือกไว้ก่อนหน้านี้ ซึ่งใช้โดยอัลกอริธึม ABR ส่วนใหญ่เพื่อคำนึงถึงความราบรื่นของบิตเรต

เนื่องจากมีค่าที่หลากหลาย เราจึงปรับขนาดคุณสมบัติเหล่านี้ใหม่โดยใช้ตัวปรับขนาด Min-Max ซึ่งคุณสมบัติทั้งหมดจะถูกแปลงเป็นช่วง [0,1] จากนั้น เราสร้างเมทริกซ์ชุดข้อมูลคู่ของอินพุต M (คุณสมบัติ) และเอาต์พุต (ป้ายกำกับ) บนอินสแตนซ์ N (ส่วนวิดีโอในปัญหาของเรา) สำหรับการฝึกอบรมและการทดสอบ เราทำการตรวจสอบข้ามกลุ่ม K-Folds แบบแบ่งชั้นด้วย K = 10 โดยที่ข้อมูลจะถูกแบ่งออกเป็นชุดย่อย (หรือกลุ่มย่อย) ที่แตกต่างกันเพิ่มเติม การพับทำได้โดยการรักษาเปอร์เซ็นต์ของกลุ่มตัวอย่างสำหรับแต่ละคลาส จากนั้น k − 1 เท่าจะถูกนำมาใช้ในการฝึกแบบจำลอง ในขณะที่เซตย่อย k จะถูกทิ้งไว้เป็นข้อมูลทดสอบ จากนั้นผลลัพธ์ของแบบจำลองจะถูกเฉลี่ยกับแต่ละพับ และทดสอบหลังจากนั้นกับชุดทดสอบ

ผลลัพธ์และการอภิปราย

สำหรับปัญหา ML ใดๆ สิ่งสำคัญคือต้องประเมินประโยชน์ของฟีเจอร์ต่างๆ เช่น ความสำคัญของฟีเจอร์ ในปัญหาการทำนาย ABR ของเรา ความสำคัญของคุณลักษณะมีความสำคัญมากยิ่งขึ้น เนื่องจากมีข้อมูลเกี่ยวกับลักษณะหรือระดับของ ABR ที่ใช้

เมื่อพิจารณาจากรูปที่ 1 เราจะเห็นว่าบิตเรตก่อนหน้ามีอำนาจเหนือการตัดสินใจของอัลกอริธึม ABR ที่เลือกอย่างเห็นได้ชัด โดยยอมรับถึงความสำคัญของความราบรื่นในอัลกอริธึมเหล่านี้ นอกจากนี้ อัลกอริธึมที่ใช้บัฟเฟอร์ (BBA และ BOLA) แสดงให้เห็นถึงความสำคัญสูงของระดับบัฟเฟอร์บนเครือข่าย ในขณะที่อัลกอริธึมที่ใช้ทรูพุต (แบบธรรมดา, PANDA และ FESTIVE) ให้ความสำคัญกับแบนด์วิธและคุณสมบัติเวลาในการดาวน์โหลดสูงกว่า สุดท้าย เราจะเห็นว่า R-MPC ซึ่งเป็นอัลกอริธึมที่ใช้การควบคุมแบบไฮบริด อาศัยคุณสมบัติทั้งหมดที่เลือก (บัฟเฟอร์และเครือข่าย) ด้วยเปอร์เซ็นต์ที่แตกต่างกันแต่ใกล้เคียงกัน

ตอนนี้เรามาดูเมตริกตัวเลขกันบ้าง

ในปัญหาการจำแนกประเภท เป็นเรื่องปกติที่จะใช้หน่วยเมตริกที่ทราบ (เช่น ความแม่นยำ ความแม่นยำ การเรียกคืน) เพื่อประเมินแบบจำลอง

ความแม่นยำ: ความแม่นยำในการคาดการณ์จะรายงานจำนวนคลาสที่คาดการณ์ได้อย่างถูกต้องจากตัวอย่างการคาดการณ์ทั้งหมด

ความแม่นยำ: เมตริกนี้จะดูสัดส่วนของกลุ่มตัวอย่างที่อยู่ในคลาสนี้จริงๆ จากกลุ่มตัวอย่างทั้งหมดที่คาดการณ์ว่าอยู่ในคลาสนี้

การเรียกคืน: การเรียกคืนจะอธิบายสำหรับแต่ละคลาส สัดส่วนของกลุ่มตัวอย่างที่ได้รับการกำหนดอย่างถูกต้องให้กับคลาสจากตัวอย่างทั้งหมดที่อยู่ในคลาสนี้

ความแม่นยำในการทำนายของตัวแยกประเภทการเรียนรู้ของเครื่องต่างๆ แสดงอยู่ในตารางที่ 1 ในบรรดาตัวแยกประเภท ML ที่เลือก Random Forest (RF) และ Gradient Boost (GrdBst) ได้รับความแม่นยำในการทำนายสูงสุดสำหรับอัลกอริธึม ABR ที่เลือกทั้งหมด โดยมีความแม่นยำโดยรวมมากกว่า 96 %

ผลงานหลายชิ้นแนะนำว่าการใช้ความแม่นยำเพียงอย่างเดียวนั้นไม่เพียงพอ ขึ้นอยู่กับแอปพลิเคชัน เมตริกหนึ่งอาจได้รับการสนับสนุนจากอีกเมตริกหนึ่ง จากปัญหาการเลือกบิตเรตของเรา หากจุดประสงค์คือเพื่อตรวจสอบบิตเรตใดๆ ที่กำหนด ความถี่ที่มันถูกคาดการณ์อย่างแท้จริงจากการคาดการณ์ทั้งหมดของคลาสนี้ ความแม่นยำก็คือเมตริกที่ควรนำมาพิจารณา

ในทางกลับกัน หากเป้าหมายคือเพื่อให้แน่ใจว่าคลาสจริงได้รับการทำนายอย่างแท้จริง การเรียกคืนจะเป็นตัวชี้วัดที่ต้องการ ตารางที่ 2 ด้านล่างแสดงให้เห็นว่า RF และ GrdBst มีความแม่นยำและการเรียกคืนสูง โดยมากกว่า 96%

การวิเคราะห์ ABR เชิงพาณิชย์กล่องดำ

ผู้ให้บริการเชิงพาณิชย์สามรายที่เรียกว่า S1, S2, S3 ได้รับการคัดเลือกแบบสุ่ม และสำหรับผู้ให้บริการแต่ละราย ข้อมูลจะถูกรวบรวมจากช่วงโดยรวมของเพียร์ 5,000 ถึง 10,000 พร้อมกัน ผู้ให้บริการใช้สตรีมสดและ VoD ที่แตกต่างกัน ดังนั้นเราจึงสร้างชุดข้อมูลสองชุด ชุดหนึ่งสำหรับ VoD และอีกชุดหนึ่งสำหรับ

เซสชันสด แต่ละเซสชันมีมากถึง 40,000 อินสแตนซ์ เราทำการทดลองโดยใช้อัลกอริธึม ML ที่นำเสนอข้างต้น

ความสำคัญของฟีเจอร์จะแสดงในรูปด้านบนว่าอัลกอริธึม ABR เหล่านี้ไวต่อบิตเรตก่อนหน้ามากกว่าในตอนแรก ซึ่งเผยให้เห็นการตั้งค่าความราบรื่น นอกจากนี้ นอกเหนือจากสถานการณ์ VOD สำหรับ S1 แล้ว อัลกอริธึม ABR ทั้งหมดยังอาศัยการวัดปริมาณงานสำหรับเซ็กเมนต์ปัจจุบันและเซ็กเมนต์ที่ดาวน์โหลดล่าสุด สิ่งที่น่าสนใจคือ ABR ของ S1 ดูเหมือนจะให้ความสำคัญกับฟีเจอร์ระดับบัฟเฟอร์ในสถานการณ์ VOD มากขึ้น

ตารางด้านบนแสดงให้เห็นว่า RF, DT และ GrdBst ทำงานได้ดีที่สุดในบรรดาอัลกอริธึม ML ที่ทดสอบแล้ว สำหรับ S1 (ทั้ง Live และ VOD) อัลกอริธึมทั้งสามนี้มีความแม่นยำสูงมาก ซึ่งสูงกว่า 99% เล็กน้อย สำหรับ S2, RF และ GrdBst ทำงานได้ดีกว่า DT ด้วยความแม่นยำประมาณ 98% และ 99% สำหรับ Live และ VOD ตามลำดับ สุดท้าย S3 ซึ่งมีระดับคุณภาพจำนวนสูงสุด (เจ็ดคุณสมบัติ) สำหรับ Live เราสังเกตเห็นว่า RF และ GrdBst มีความแม่นยำสูงอีกครั้ง โดยที่ GrdBst มีความแม่นยำสูงกว่าเล็กน้อย อย่างไรก็ตาม เมื่อใช้ VoD แล้ว RF จะทำงานได้ดีที่สุดด้วยความแม่นยำ 98.5% ซึ่งดีกว่า DT และ GrdBst เกือบ 1%

ตารางด้านล่างแสดงให้เห็นว่า RF, DT และ GrdBst แต่ละตัวมีความแม่นยำและการเรียกคืนสูง โดยที่ RF และ GrdBst แต่ละตัวดีกว่า DT เล็กน้อยในบางสถานการณ์

ก้าวต่อไป

ในบทความนี้ เราได้แสดงให้เห็นความเป็นไปได้ในการเรียนรู้พฤติกรรมของตรรกะ ABR ด้วยการเรียนรู้แบบมีผู้สอน

เราทำการศึกษาทั้งอัลกอริธึม ABR แบบคลาสสิกและการปรับใช้โอเพนซอร์สในโลกแห่งความเป็นจริง จากผลลัพธ์ที่ได้รับ เราพบว่าอัลกอริธึม Random Forest และ Gradient Boost สามารถบรรลุความแม่นยำในการทำนายที่สูงมาก โดยใช้เพียงข้อมูลพื้นฐานที่ให้ไว้เป็นอินพุตไปยังเลเยอร์แอปพลิเคชัน

งานนี้รองรับกรณีการใช้งานการสตรีม P2P ที่มีการดึงข้อมูลล่วงหน้า และเข้ากันได้กับหนึ่งในข้อกำหนดด้านการทำงานที่เลเยอร์เพียร์ทูเพียร์และ ABR ยังคงแยกออกจากกัน อย่างไรก็ตาม ยังสามารถขยายไปยังแอปพลิเคชัน CDN แบบดั้งเดิม ซึ่งอาจใช้ประโยชน์จากการดึงข้อมูลล่วงหน้าเพื่อปรับปรุง QoE การเพิ่มประสิทธิภาพนี้จะเกิดขึ้นได้ก็ต่อเมื่อการดึงข้อมูลล่วงหน้าคำนึงถึงสวิตช์แทร็กและลดการดาวน์โหลดที่สูญเปล่า ดังนั้นจึงมีข้อดีคือสามารถคาดการณ์การตัดสินใจของ ABR ได้ล่วงหน้า

โมเดลนี้สามารถพกพาไปยังกรณีการใช้งานจริงได้ด้วยเหตุผลมากกว่าความแม่นยำในการคาดการณ์ ในด้านหนึ่ง สำหรับขั้นตอนการฝึกอบรม ผู้ใช้จำนวนมากสามารถเข้าร่วมได้โดยการส่งการวัดบัฟเฟอร์และแบนด์วิธที่วัดไปยังเซิร์ฟเวอร์กลาง ซึ่งจะช่วยลดเวลาที่ต้องใช้ในการรวบรวมข้อมูล ในทางกลับกัน สำหรับระยะการคาดการณ์ คุณลักษณะอินพุตสำหรับเซ็กเมนต์ที่กำลังจะมาถึงจะทราบล่วงหน้าแล้ว (เช่น ขนาดเซ็กเมนต์ เวลาในการดาวน์โหลด และแบนด์วิธที่วัดได้) หรือคาดการณ์ได้ง่าย (เช่น ระดับบัฟเฟอร์ที่ให้เวลาดาวน์โหลดและระดับบัฟเฟอร์ก่อนหน้า ). นอกจากนี้ ยังเป็นที่น่าสังเกตว่าเวลาในการตอบสนองของการคาดการณ์นั้นน้อยมากเมื่อเทียบกับระยะเวลาของเซ็กเมนต์

เหตุผลเหล่านี้ทำให้วิธีการของเราค่อนข้างมีประสิทธิภาพในการพัฒนาเทคนิคการดึงข้อมูลล่วงหน้าที่ชาญฉลาดยิ่งขึ้นโดยใช้การเรียนรู้ของเครื่อง

หากคุณสนใจที่จะทำงานกับความท้าทายเช่นนี้ ลองดู ตำแหน่งงานว่าง ของเรา!

เนื้อหานี้จัดทำขึ้นเพื่อวัตถุประสงค์ในการให้ข้อมูลเท่านั้น และอาจต้องมีการวิจัยเพิ่มเติมและการยืนยันโดยผู้ใช้ปลายทาง นอกจากนี้ ข้อมูลจะถูกจัดเตรียมไว้ "ตามสภาพ" โดยไม่มีการรับประกันหรือเงื่อนไขใดๆ ไม่ว่าจะโดยชัดแจ้งหรือโดยนัย การใช้ข้อมูลนี้เป็นความเสี่ยงของผู้ใช้เอง Lumen ไม่รับประกันว่าข้อมูลจะเป็นไปตามข้อกำหนดของผู้ใช้ หรือการใช้งานหรือการใช้ข้อมูลนี้จะส่งผลให้ผู้ใช้ปลายทางได้รับผลลัพธ์ที่ต้องการ เอกสารนี้แสดงถึงผลิตภัณฑ์และข้อเสนอของ Lumen ณ วันที่ออก บริการไม่สามารถใช้ได้ทุกที่ เฉพาะลูกค้าธุรกิจเท่านั้น Lumen อาจเปลี่ยนแปลงหรือยกเลิกผลิตภัณฑ์และบริการหรือทดแทนผลิตภัณฑ์และบริการที่คล้ายคลึงกันตามดุลยพินิจของตนแต่เพียงผู้เดียวโดยไม่ต้องแจ้งให้ทราบ ©2021 เทคโนโลยีลูเมน สงวนลิขสิทธิ์