Netflix：如何通过机器学习提高流媒体质量？

如何通过机器学习来提升用户观看视频的体验？Netflix撰文，描述了通过网络质量预测，自适应码率选择，预测缓存，设备异常检测等方向进行的探索。LiveVideoStack对文章进行了摘译。

文 / Chaitanya Ekanadham

译 / Dumpling

审校 / Alex Chow

有一个我们通常会被问到的问题是：“为什么我们需要用机器学习来提高流媒体质量？”这的确是一个非常重要的问题，尤其是考虑到最近围绕机器学习和人工智能的大肆宣传，可能会导致很多“通过解决方案来寻找问题”的案例。在本博文中，我们描述了Netflix视频流媒体技术面临的一些技术挑战，以及如何用统计模型和机器学习技术应对这些挑战。

Netflix向全球超过1.17亿的会员提供视频流媒体服务。超过一半的会员居住在美国之外，这些地区对于Netflix的发展有很大的商机。为全球观众提供高质量的流媒体体验是一项巨大的技术挑战，其中很大一部分工程方面的工作是要在全球范围内部署和维护服务器，以及提供高效的传输算法用于将视频内容从这些服务器分发到用户设备。随着我们的服务迅速向具有多样观看行为的观众群扩展，运行在复杂多变的网络和性能差异显著的设备上时，针对流媒体视频采用“一刀切”式的解决方案就变得越来越不理想了。例如：

• 移动设备上的观看/浏览行为与智能电视不同

• 蜂窝网络可能比固定宽带网络更具波动性和不稳定性

• 在某些市场区域，网络可能会遇到更高程度的拥塞

• 不同的设备类别由于硬件差异而具有不同的互联网连接能力和稳定性

我们需要针对这些不同的、经常波动的情况调整我们的方法，为会员提供高质量的体验，同时也在新市场中拓展业务。在Netflix，我们可以观测到每个会话的网络和设备的状态，以及用户体验（例如视频画面质量）等方面的信息，基于这些统计信息，我们可以将统计建模和机器学习用于这个领域。在之前的一篇博客中（https://medium.com/netflix-techblog/how-data-science-helps-power-worldwide-delivery-of-netflix-content-bac55800f9a7），我们描述了如何在全球服务器分发的内容上使用数据科学，在这篇文章中，我们描述了在终端面临的一些技术挑战。

网络质量特征描述和预测