Clavis Aurea for Internet Video Delivery: HTTP Adaptive Streaming (Como usar Machine Learning ML na codificação de vídeo, parte 2)

Discutimos o que é vídeo, por que ele deve ser reduzido em tamanho e como essa compactação é realizada por meio da codificação de vídeo. Alguém pode se perguntar como todo esse conteúdo de vídeo é entregue em nossos dispositivos, e é isso que vamos responder neste post.

A maneira mais simples de enviar um vídeo de um servidor para um cliente pela Internet é baixar o vídeo, o que significa que todo o arquivo de vídeo é enviado de uma só vez. É fácil de configurar com apenas uma simples transferência de arquivos. No entanto, tem algumas desvantagens que o tornam impraticável na vida real. Primeiro, o vídeo não pode ser reproduzido até que todo o arquivo seja transferido. Imagine passar horas obtendo um arquivo de vídeo apenas para descobrir que você nem quer assisti-lo: perda de dados e tempo. Além disso, você precisa armazenar o vídeo inteiro no seu PC, o que ocupa bastante espaço de armazenamento. Então, basicamente, o download não é uma opção para a tendência de vídeo de consumo rápido de hoje. Então, qual é a alternativa?

A alternativa é transmitir mídia. Dessa forma, o vídeo é dividido em pequenas partes chamadas Segmentos de mercado (geralmente 2 a 4 segundos) e armazenados no servidor. Sempre que um cliente solicita assistir a um vídeo, o primeiro fragmento é enviado, que é uma pequena fração do tamanho geral do vídeo.Uma vez que o cliente recebe este primeiro segmento, é consumido (não armazenado), e pode começar a jogar imediatamente. Se o cliente quiser continuar assistindo ao vídeo, ele pode solicitar o próximo segmento, consumi-lo, solicitar o próximo segmento, etc. Como resultado, o streaming começa mais rápido, não usa espaço de armazenamento do cliente e desperdiça quase o mínimo de dados e tempo.

O protocolo de transferência de hipertexto (HTTP) é a espinha dorsal da Internet. É o principal protocolo de comunicação e define o formato e a transmissão das mensagens. Todos os sites que você visita na Internet são projetados para serem transmitidos por HTTP.

Streaming Adaptativo HTTP (HAS) Sim Staphylococcus aureus (Golden Key) Entrega de vídeo na Internet; sem ela, o vídeo não pode ser apreciado.

No HAS, o primeiro passo é preparar o vídeo no servidor.Normalmente, você pode deixar o vídeo como está e dividi-lo em segmentos para deixá-lo pronto transmitir mídia. No entanto, a chave aqui é adaptável, Portanto, temos que garantir que oferecemos opções aos nossos clientes.Para isso, cada vídeo é codificado como diferente Qualidadedividido em segmentos menores e armazenados no servidor.

Do outro lado da rede, temos clientes.você pode pensar em cliente Como alguém que pede comida em um restaurante.Sempre que você entra em um restaurante, fica impressionado com as opções do cardápio e imagina como seria Exigir e aproveite cada um deles.Mas, na verdade, você tem alguns limite (Por exemplo, dinheiro no bolso, seu nível de fome, suas alergias, o que você quer comer, etc.), esses limites orientam suas necessidades.Como esses limites mudam ao longo do tempo, assim que você é pago, você pode alterar seu Exigir e delicie-se com comidas diferentes qualidade.

Semelhante a esta analogia, quando um cliente deseja solicitar um vídeo do servidor, ele precisa considerar as limitações e decidir qual é a melhor opção para isso. Ele verifica as condições de rede subjacentes (Por exemplo, largura de banda, latência, etc.) e propriedades de exibição (Por exemplo, resolução) e solicite o segmento mais apropriado do servidor. No entanto, não há aqui uma decisão final.À medida que as condições mudam, como o aumento da largura de banda, o cliente sempre pode solicitar um segmento de qualidade diferente para adaptar à situação.Essa flexibilidade torna o HAS tão poderoso, por isso é Na verdade Soluções de transmissão de vídeo na Internet.

Esta é uma breve introdução ao HTTP Adaptive Streaming, agora sabemos como o vídeo é preparado e entregue pela Internet.Agora podemos nos aprofundar em como usar cálice SagradoMachine Learning, no restante desta série.


Ekrem Çetinkaya é bacharel em Ciências. Formado pela Universidade Ozyegin em Istambul, Turquia em 2018 e mestrado em 2019. Ele escreveu seu mestrado. Um artigo sobre remoção de ruído de imagem usando redes convolucionais profundas. Ele está atualmente cursando um Ph.D. Ele se formou na Universidade de Klagenfurt na Áustria e trabalhou como pesquisador no projeto ATHENA. Seus interesses de pesquisa incluem deep learning, visão computacional e redes multimídia.


Leave a Reply

Your email address will not be published.