机器之心编译

参与：路雪、李泽南

人们对付在线***加载速率与清晰度的哀求总是无止境的。
最近，来自麻省理工学院（MIT）的研究者们展示了利用机器学习进行***缓存优化的新方法。
在实践中，这种名为Pensieve的新型缓存系统比较其他盛行方法少用了10-30%的***流量，同时可以提高10-25%的「体验质量」，大幅提升用户体验。

我们在 YouTube 和其他***网站上常常会碰着这样的窘境：***溘然卡住，或者由于网络壅塞而变得像素化。

这两种情形发生的缘故原由在于将***切割成小块的分外算法，如果你的网络较慢，***网站可能会在接下来的几秒钟内降落***分辨率以确保你可以持续不雅观看***——当然，质量就无法担保了。
如果你试图将进度条向后拉，而那一段还没有加载的话，***的播放就会中断，直到相应的段落被缓存。

作为最盛行的***网站，YouTube 利用自适应比特率（ABR）算法试图为所有不雅观众供应最好的体验。
该网站还减少带宽的占用——常日，用户不会看完全段***，而每天在网络上播放的视比年夜约有 10 亿小时，这意味着如果不该用优化算法而全部加载，会摧残浪费蹂躏相称多的资源。

虽然 ABR 算法常日可以完成优化事情，但不雅观众对付***质量的哀求是无止境的，而目前 Netflix 与 YouTube 这样的站点也不得不在质量和速率之间做出妥协。

「研究表明，如果***会话质量太低，用户常日会放弃不雅观看，这对付内容供应商来说丢失很大，」MIT 教授 Mohammad Alizadeh 说道。
「***网站必须不断寻求更加前辈的优化办法。
」

面对这种情形，Alizadeh 与他在 MIT 打算机科学与人工智能实验室（CSAIL）的研究团队共同开拓了 Pensieve，一种利用机器学习算法处理不同网络状况的人工智能***缓存系统。
在研究过程中，他们已经展示了该系统可以供应高质量的***体验，效果超过目前盛行的所有系统。

详细来说，该团队在实验中创造 Pensieve 比其他方法减少 10% 到 30% 的重缓存，且用户在关键「体验质量」（QoE）指标上的评级比其他方法赶过 10% 到 25%。

Pensieve 还可以根据内容供应商的优先级进行自定义。
例如，如果在地铁上的用户即将进入旗子暗记盲区，YouTube 可以降落比特率以尽可能多地加载***，这样***在没有网络的情形下也无需重缓存。

「我们的系统可以灵巧适用所有你想优化的场景。
」博士生 Hongzi Mao 说，他是一篇干系论文的第一作者（其他两位作者是 Alizadeh 和博士生 Ravi Netravali）。
「你乃至可以想象用户根据他们想要优先考虑重缓存还是分辨率来定制个人专属的流媒体体验。
」

该论文将不才周于洛杉矶举行的 SIGCOMM 会议上发布。
该团队还将开源该项目的代码。

自适应比特率的事情事理

广泛来说，存在两种 ABR 算法：基于率的算法，用来衡量网络传输数据的速率；基于缓存的算法，该算法确保存在一定量已经被缓存的未来***。

这两种算法都受到一个大略事实的限定：它们都不该用包含率和缓冲的信息。
因此，这些算法常日作出不太好的比特率决策，且须要人类专家的手动调度，以适应不同的网络条件。

研究者还考试测验把这两种方法联结起来：来自卡内基梅隆大学的系统的性能优于这两种算法，该系统利用了「模型预测掌握（MPC）」，该方法旨在通过预测不同韶光上的条件变革来优化决策。
这是一项重大进步，但是仍旧存在问题，即网络速率等成分很难建模。

「对网络动态进行建模非常困难，利用 MPC 这样的方法，终极也只能获取和模型一样的性能。
」Alizadeh 说道。
而 Pensieve 不须要模型或任何现有的关于网络速率的假设。
Pensieve 中的 ABR 算法就像一个神经网络，Pensieve 在具备不同缓存和网络速率条件的多种情形下重复测试该算法。

该系统通过奖罚机制调度算法。
例如，如果算法通报了一个无需缓存、高分辨率的体验，它就会得到褒奖，但是如果它重缓存，则会被惩罚。

「它学习不同的策略对性能的影响办法，并且通过不雅观察实际的过往表现，用一种更鲁棒的办法改进决策策略。
」论文第一作者 Mao 说。
内容供应商如 YouTube 可以根据须要为用户优先处理的指标来自定义 Pensieve 的奖罚机制。
例如，研究表明用户更能接管***中更早的重缓冲，因此该算法可以被设置为重缓存的韶光越晚，惩罚力度越大。

结合机器学习和深度学习技能

该团队在多种设置中测试 Pensieve，包括利用咖啡馆的 Wifi 和大街上的 LTE 网络。
实验表明 Pensieve 可以获取和 MPC 一样的***分辨率，但是重缓存减少了 10% 到 30%。

「之前的方法考试测验利用基于人类专家直觉的掌握逻辑。
」未参与该研究的卡内基梅隆大学电子与打算机工程助理教授 Vyaz Sekar 说。
「这项事情证明利用新型『深度学习』技能的机器学习方法已初显前景。

Mao 认为该团队的实验解释 Pensieve 纵然在过去未曾见过的场景中也能运行的很好。

「我们在利用合成数据的『boot camp』设置中测试 Pensieve 时，创造 ABR 算法对付真实网络也足够鲁棒。
」Mao 说，「这种压力测试证明 Pensieve 在现实天下的新场景中也可以进行很好的泛化。
」

Alizadeh 还指出，Pensive 只在相称于一个月的******上进行演习。
如果研究团队能够获取 Netflix 或 YouTube 这样规模的资源，该系统的表现将会更好。

下一步，Alizadeh 的团队将考试测验在 VR ***中测试 Pensieve 的性能。

「4K 质量的 VR ***可以轻易达到每秒几百 M 的流量占用，本日的网络带宽根本无法支持。
」Alizadeh 说道。
「我们非常期待像 Pensieve 这样的系统可以让 VR 变得间隔实用化更进一步，而这只是可见前景的一小部分。
」