流媒體視頻內(nèi)容近年來一直在跨越式發(fā)展，但不幸的是它的帶寬要求也呈現(xiàn)出跨越式的躍升。為了克服這個(gè)挑戰(zhàn)，像YouTube或Netflix這樣的視頻平臺使用了將視頻分成更容易處理的塊的算法。如果他們的系統(tǒng)檢測到您的互聯(lián)網(wǎng)速度減慢，下一個(gè)視頻片段將以較低的分辨率播放，用這種方式努力追上播放進(jìn)度。
該系統(tǒng)背后的思路是確保順暢的視頻播放，但有時(shí)即使是質(zhì)量下降，視頻仍然會暫停幾秒鐘，因?yàn)樗噲D緩沖下一個(gè)塊。這是因?yàn)樗惴ú⒉豢偸菧?zhǔn)確地預(yù)測下一個(gè)塊應(yīng)該使用什么分辨率。
這正是Pensieve的用武之地。麻省理工學(xué)院的研究人員使用一種獎勵(lì)和懲罰系統(tǒng)來開發(fā)它，訓(xùn)練它來識別有效的緩沖技術(shù)。例如，只要成功播放完整的視頻而不必重新緩存，Pensieve就可以得到獎勵(lì)，如果視頻質(zhì)量低于某個(gè)閾值，它則可能會受到懲罰。
博士生Hongzi Mao是這篇描述了Pensieve流程和功能論文的主要作者，他表示，“通過查看過去實(shí)際的表現(xiàn)，它學(xué)習(xí)到不同的策略如何影響性能，它可以以更加強(qiáng)硬的方式改進(jìn)其決策策略。”
根據(jù)研究小組的論文，Pensieve可以將視頻流量比其他系統(tǒng)多減少10％至30％，用戶將其“體驗(yàn)質(zhì)量”評價(jià)為提高了10％至20％。
Mao表示，Pensieve具有足夠的靈活性以適應(yīng)不同的要求。例如，可以對其進(jìn)行培訓(xùn)，可以以犧牲分辨率為代價(jià)保障視頻連續(xù)播放，或者也可以進(jìn)行相反的訓(xùn)練，讓質(zhì)量的優(yōu)先級高于順暢。
研究團(tuán)隊(duì)的下一個(gè)項(xiàng)目將是測試Pensieve在流媒體虛擬現(xiàn)實(shí)內(nèi)容中的有效性，它需要高得多的帶寬，并且對低質(zhì)量的容忍度要低得多。
麻省理工學(xué)院的教授Mohammad Alizadeh（Mohammad Alizadeh）是Pensieve上這篇論文的一位合著者，他表示：“你需要的4K質(zhì)量的VR可以輕松地達(dá)到每秒數(shù)百兆比特的速度，今天的網(wǎng)絡(luò)根本無法支持”。他表示，“我們很高興看到像Pensieve這樣的系統(tǒng)所做的一切。這還只是第一步。”
