互联网视频流媒体用户体验质量的优化浅谈

基于互联网的视频流媒体应用（如爱奇艺Netflix、YouTube等）已经逐渐渗透到人们的日常生活中。在流媒体用户体验质量（QoE）优化领域，CMU和MIT的研究者采用机器学习方法作出的系列工作，极大地推动了该领域的应用和发展。近期，Huu和快手等公司已尝试使用相关技术。

先前工作表明可以通过预测视频质量进行辅助决策来提高用户的QoE。然而，由于视频质量受到多个因素影响且变化剧烈，系统很难构建。CMU的学者观察到利用视频会话的部分关键特征即可确定视频质量，并且关键特征较视频质量而言相对稳定，因而提出了CFA系统，通过对关键特征进行聚类实现对流媒体点播业务的QoE预测。在如何合理选择中继节点来提高Skype通话质量这一问题上，由于中继节点数量繁多，质量时空变化频繁，上述方法已不能解决如何合理选择中继节点来提高Skype通话质量的问题。VIA系统将其建模为多臂老虎机问题，在k个最佳中继上采用上限置信区间算法进行决策。Pytheas同样关注QoE优化，它结合上述两项工作的优势，按照关键特征对会话进行聚类，然后在每个类中采用探索-利用策略进行决策，提高了可利用数据的新鲜程度。

在流媒体传输领域，如何根据网络状态动态地进行客户端比特率自适应调节也是一个关乎用户体验的重要问题。目前，YouTube已经上线了该功能，可以根据观看者的网络情况自动选择不同的码率档位。在这个问题上，准确的网络吞吐量预测能够显著提高视频比特率选择算法的性能。由于观察到吞吐量存在状态转移特性，中科院计算所提出了基于隐马尔科夫模型的CS2P算法，为每个相似会话形成的聚类训练各自的模型，从而提高吞吐量预测的准确性。

由于该领域先前的算法或者基于简化的系统模型，或者需要进行显式的吞吐量预测，均可能在动态变化的网络环境下出现性能下降。基于此，MIT的研究者希望能够在尽可能少的假设下端到端地解决问题。他们构建了一个深度强化学习系统Pensieve，其性能较先前方法有了巨大提升。当然还可以利用生成对抗网络等深度学习方法，降低视频传输中的内容冗余度来减少视频传输的数据量，从而重新定义网络视频的传输系统。