当前播放

魔镜:使用无监督式学习来辨识Twitch用户社区中繁复多样的网络状况

分享者: 沈悦时/Twitch/Principal Research Engineer

沈悦时,Principal Research Engineer,Twitch(亚马逊集团)沈悦时博士在亚马逊的全资子公司Twitch担任Principal Research Engineer。他带领的研发团队负责Twitch核心视频技术的研发,职责涵盖直播视频转码、ABR播放算法、多平台播放兼容性、画面质量、时延等。沈博士同时是AOM(Alliance of Open media)视频编码协议AV1中SWITCH_FRAME的发明者,他发表、申请超过15项技术专利。在加入Twitch之前,沈博士分别就职、服务于多个数字电视设备公司(GD Mediware,Ambarella,Harmonic, Ericsson TV)以及开创云游戏产业的初创企业OnLive。在这些公司,他主导、参与开发多个广泛应用的H.264编码、转码、非线性编辑和实时广告插播产品,以及在公共互联网上超低时延视频传输的云游戏核心技术。
技术标签: AI ABR LiveVideoStackCon 2018

视频介绍

作为一个国际性的互动直播平台,Twitch服务的观众分布在世界的很多国家,从而具有千差万别的网络状况。这种差异性给我们试图提高服务质量亦或是发布任何前、后端的新功能都带来巨大的挑战。所以说如能建立起一个用户社区典型网络状况的知识库,那将对我们优化观看体验以及缩短软件部署周期都具有非同一般的意义。 根据平台收集到的海量播放质量指标,我们提出一个无监督学习的方法先对播放行为进行分组,因为每一个细分的播放行为集群都代表一类网络状况。下一步是用仿真和配对的方法来模拟出符合每种播放行为的网络模型。最后我们试图利用仿真出的结果来开发针对移动网络用户的ABR播放算法优化,同时加速它的灰度发布。
还可输入800
全部评论
课程推荐

轻松掌握WebAssembly视频播放器

紧抓多媒体生态趋势,将浏览器、WebAssembly和Rust等热点结合;熟知播放器工作原理,为实现商业化H.264/H.265播放器打下坚实基础;课程包含图文、代码、视频,降低学习门槛; 李超精准讲解,及时详细解答