机器学习在ABR算法中的应用纵览

 

本文整理自LiveVideoStack线上分享第三季，第五期，由清华大学计算机系网络技术研究所博士生王莫为为大家介绍近些年ABR算法的发展，探讨基于机器学习的ABR算法的优劣势，并结合AiTrans比赛分析其在直播场景中的应用问题。

文/王莫为

整理/LiveVideoStack

 

大家好，我是来自清华大学计算机系的博士生王莫为，导师是崔勇教授，本次分享的主题是机器学习在ABR算法中的应用，机器学习在网络、系统和流媒体中都有各种各样的应用。

 

我们组自2016年就开始对机器学习如何与网络相结合做一些调研和综述，发现在2016年前后相关应用特别少，而且大多集中在拥塞控制和流量分类方面。AlphaGo之后就出现了许多深度学习包括深度强化学习方面的应用，应用包括路由、流媒体QoE优化和数据中心等。

 

去年八月份网络领域顶会SIGCOMM主会中五十篇论文中有三篇都是与机器学习相关的，Workshop和Posters and Demos加起来有二十多篇，其中NetAI workshop在SIGCOMM历史上首次人数破百，AI在系统、网络、流媒体传输各个方面都在不断深入，本次分享也将从ABR的角度来介绍它的发展。

1. 自适应码率（ABR）算法

 

本次分享的内容主要分为三个方面，首先会介绍ABR算法的一些背景和过去的一些传统算法，接下来会介绍机器学习驱动的ABR算法的发展和它潜在的一些问题，最后会简单介绍一下AITrans竞赛与直播场景下的ABR算法。

 

生活中各种各样的视频应用越来越多，包括视频点播、视频直播、短视频和在线教育，各大厂商也花费了很大力气去提高用户体验。

 

观看视频时，我们经常会遇到由于各种各样原因导致的视频卡顿或者码率不高导致画面不清晰的问题，这时大家一般都会在右下角通过选择视频清晰度来改善卡顿或者不清晰的问题&#