چرا قاعده بافر سه تکه‌ای، پخش زنده فوتبال را ۳۰ ثانیه عقب می‌اندازد؟

هیچ حسی کشنده‌تر از این نیست که نشسته باشید پای تماشای یک بازی حساس، و درست پیش از آنکه مهاجم پای چپش را عقب بکشد، پیامک تبریک گل دوستتان روی گوشی ظاهر شود یا فریاد همسایه از کوچه بلند شود. این فاصله تلخ و اعصاب‌خردکن، معمولاً قطعی اینترنت یا ضعیف بودن سیگنال نیست؛ ماجرا یک معماری کاملاً حساب‌شده و عمدی است. پروتکل‌های پخش زنده اینترنتی طوری طراحی شده‌اند که دستگاه شما را وادار می‌کنند قبل از اینکه نخستین فریم را نشان دهد، مقداری از دقایق آینده را انبار کند.

این شیوه انبار کردن داده‌ها در دنیای فنی به «قاعده بافر سه‌تکه‌ای» مشهور است. این مکانیزم که در استخوان‌بندی پروتکل HLS شرکت اپل و استاندارد جهانی MPEG-DASH تنیده شده، به زبان ریاضی تاخیری قطعی را به بار می‌آورد. وقتی تصویر بالاخره به نمایشگر گوشی یا تلویزیون هوشمندتان می‌رسد، اتفاق در دنیای واقعی چند ده ثانیه قبل تمام شده و پرونده‌اش بسته شده است.[1]

مکانیک استریم بر بستر پروتکل وب

برای فهم ریشه این عقب‌ماندگی، باید نگاهی به نحوه عبور تصویر متحرک از دل شبکه‌های داده انداخت. تلویزیون سنتی یک سیگنال پیوسته و بدون وقفه را روی کابل یا امواج فرکانسی رادیویی روانه آنتن می‌کرد، اما در پخش اینترنتی کار با سرورهای وب استاندارد HTTP پیش می‌رود؛ یعنی تصویر چاره‌ای ندارد جز اینکه به فایل‌های جداگانه و تکه‌تکه خرد شود تا بتوان آن‌ها را دانلود کرد.

به این پرونده‌های بریده‌شده در اصطلاح سگمنت (Segment) یا تکه می‌گویند. وقتی یک شبکه برنامه زنده را روانه اینترنت می‌کند، سرور انکودر جریان مداوم ویدیو را می‌گیرد و آن را به قطعاتی با طول معمولاً بین دو تا ده ثانیه تقسیم می‌کند. سپس سرور نشانی این تکه‌ها را در فایلی متنی به نام مانیفست می‌نویسد که مدام به‌روز می‌شود و به پخش‌کننده می‌گوید سگمنت بعدی برای دریافت کدام است.[1]

اپل زمانی که پروتکل HLS را در سال ۲۰۰۹ ابداع کرد، اندازه پیش‌فرض هر تکه را روی ۱۰ ثانیه گذاشت. هرچند کوپرتینویی‌ها بعدها این استاندارد پیشنهادی را به ۶ ثانیه کاهش دادند، منطق زیربنایی قضیه ذره‌ای عوض نشد: تا زمانی که انکودر هر ۶ ثانیه از تصویر واقعی را نبیند، ضبط نکند و نبندد، پخش‌کننده شما اصلاً فایلی ندارد که بتواند دانلودش کند.

همین الزام بسته‌بندی، نخستین لایه تاخیر اجتناب‌ناپذیر را رقم می‌زند. اگر سرویسی از تکه‌های ۶ ثانیه‌ای استفاده کند، اولین ثانیه و نخستین فریم آن تکه، پیش از آنکه فایل اصلاً ساخته شده و آماده تحویل به شبکه توزیع محتوا (CDN) شود، عملاً ۶ ثانیه بیات شده و متعلق به گذشته است.[1]

قاعده طلایی بافر سه‌تکه‌ای

تازه بعد از بسته‌بندی فایل، معطلی اصلی آغاز می‌شود. وقتی تکه ۶ ثانیه‌ای آماده شد، پخش‌کننده آن را بی‌درنگ به تصویر نمی‌کشد؛ در عوض فایل را تحویل می‌گیرد و در حافظه موقت (بافر) نگه می‌دارد و دست نگه می‌دارد تا محموله‌های بعدی هم برسند.

استانداردهای مهندسی وب صراحتاً تجویز می‌کنند که پخش‌کننده باید دست‌کم ۳ تکه کامل را در بافر محلی خود انبار کند و بعد تازه اجازه دارد دکمه پخش تصویر را روشن کند. همان‌طور که ارائه‌دهنده زیرساخت ویدیویی Mux در مستندات فنی‌اش یادآوری می‌کند: «پروتکل سنتی HLS برای پایداری و تاب‌آوری ساخته شده بود، نه برای سرعت؛ این پروتکل از سگمنت‌های ۶ تا ۱۰ ثانیه‌ای استفاده می‌کند و پخش‌کننده تا زمانی که ۳ قطعه را بافر نکند، نمایش را شروع نخواهد کرد.»

دلیل این قانون سه‌تکه‌ای کاملاً مشخص است: حفاظت از اعصاب تماشاگر در برابر رفتارهای غیرقابل‌پیش‌بینی اینترنت عمومی. امواج وای‌فای خانه دچار اختلال می‌شوند، گوشی از یک دکل همراه به دکل دیگری سوییچ می‌کند و پهنای باند مدام بالا و پایین می‌شود. اگر پخش‌کننده فقط یک قطعه را دانلود می‌کرد و نشان می‌داد، کوچک‌ترین افت سرعت شبکه به معنای فریز شدن ناگهانی تصویر و چرخش دایره کذایی لودینگ بود.

با نگه‌داشتن ۳ تکه فایل در جیب، دستگاه یک بالشتک اطمینان ۱۸ ثانیه‌ای در برابر نوسانات ترافیک برای خود می‌خرد. حتی اگر دانلود یک قطعه ۶ ثانیه‌ای به‌دلیل سکته موقت اینترنت ۸ ثانیه طول بکشد، پخش‌کننده از ذخیره بافرش خرج می‌کند و شما متوجه چیزی نمی‌شوید تا اتصال دوباره به حالت عادی برگردد.

کف ریاضی تاخیر اینترنتی

حالا اگر تاخیر ناشی از بسته‌بندی را در کنار الزام بافر بگذارید، کفی که برای تأخیر ریاضی شکل می‌گیرد آشکار می‌شود: سه قطعه ۶ ثانیه‌ای مساوی است با ۱۸ ثانیه تأخیر قطعی از پیش تعیین‌شده. اگر زمان پردازش انکودر، به‌روزرسانی فایل مانیفست و عبور در میان گره‌های شبکه توزیع محتوا را هم اضافه کنید، تاخیر نقطه مبدأ تا چشم مخاطب به سادگی به حدود ۳۰ ثانیه می‌رسد.

این ارقام هیچ شباهتی به پخش سنتی تلویزیون ندارند. طبق داده‌های مجمع صنعتی DASH، تاخیر انکودینگ و ارسال در شبکه‌های ماهواره‌ای، کابلی و پخش دیجیتال زمینی فقط بین ۳ تا ۶ ثانیه است. سیگنال برودکست در بستری کاملاً کنترل‌شده و اختصاصی حرکت می‌کند و گیرنده‌های خانگی عملاً نیازی به ساختن بافرهای طویل ندارند.[2]

برای تماشای یک سریال یا فیلم سینمایی درخواستی، ۳۰ ثانیه تاخیر مثل پدیده‌ای نامرئی است و آب از آب تکان نمی‌خورد؛ اما در مسابقات ورزشی زنده، جایی که بیننده چشم به زمین مسابقه دارد و دستش در گروه‌های پیام‌رسان است، این فاصله فاجعه به بار می‌آورد. کسی که بازی را از آنتن سنتی می‌بیند، نزدیک نیم دقیقه زودتر شوت را دیده و به دوستش پیام داده، درحالی‌که بیننده اینترنتی تازه دارد پاسکاری میانه میدان را تماشا می‌کند.

برخی رسانه‌ها و پلتفرم‌ها برای فرار از این مخمصه تلاش کردند با دستکاری تنظیمات، اندازه هر قطعه را به ۲ ثانیه کاهش دهند. با این کار، طول زمان بافر سه‌تکه‌ای به ۶ ثانیه کاهش می‌یابد؛ اما هزینه پنهان دیگری دارد: تعداد درخواست‌های HTTP که دستگاه باید به سرور بفرستد سر به فلک می‌کشد و فشاری ویرانگر بر زیرساخت‌های توزیع وارد می‌کند.

نقش پنهان بیت‌ریت تطبیقی

بافر عمیق البته یک رسالت دوم و به همان اندازه مهم هم دارد: این بافر امکان تغییر خودکار و بدون مکث کیفیت (Adaptive Bitrate Streaming) را فراهم می‌سازد. وقتی اینترنت شما افت می‌کند، پخش‌کننده تصویر را متوقف نمی‌کند، بلکه بدون سر و صدا سراغ یک نسخه با وضوح پایین‌تر می‌رود تا جریان قطع نشود.[1]

اجرای این عقب‌نشینی تاکتیکی نیازمند زمان است. دستگاه باید اول متوجه افت پهنای باند شود، تکه با وضوح پایین‌تر را از سرور بخواهد و منتظر دریافت آن بماند. بافر ۱۸ ثانیه‌ای مانند باند فرودی امن برای این بده‌بستان پنهانی عمل می‌کند و به دستگاه فرصت می‌دهد قطعات ۱۰۸۰p را با ۴۸۰p تعویض کند، بدون آنکه تماشاگر وسط کار متوجه شکافی شود.

اگر این حاشیه امن در کار نباشد، سوییچ بین کیفیت‌ها با لرزش و پرش همراه می‌شود. پخش‌کننده مجبور است به محض تلاطم اینترنت واکنش نشان دهد که نتیجه‌اش تاری ناگهانی، نوسان مدام بین کیفیت شفاف و مات، یا در بدترین حالت، فریز شدن پخش تا زمان بارگذاری کیفیت جدید خواهد بود.

راه‌حل‌های نوین با تاخیر فوق‌پایین

برای رفع این فاصله با تلویزیون بدون آنکه امنیت و تکیه‌گاه وب از دست برود، مهندسان پروتکل‌های تکمیلی خلق کردند. شرکت اپل در سال ۲۰۱۹ پروتکل LL-HLS را معرفی کرد و گروه متخصصان تصاویر متحرک استاندارد LL-DASH را به تصویب رساندند. هر دوی این‌ها بر ساختاری موسوم به انتقال تکه‌ای خرد (Chunked Transfer Encoding) استوار هستند.[2]

به جای آنکه سامانه منتظر تمام شدن کامل قطعه ۶ ثانیه‌ای بماند، در پروتکل‌های کم‌تاخیر هر سگمنت به اجزایی بسیار ریزتر خرد می‌شود که به آن‌ها «تکه‌های ناقص» یا تکه‌های استاندارد رسانه‌ای مشترک (CMAF) می‌گویند؛ خرده‌فایل‌هایی با مدت‌زمان ناچیز، معمولاً بین ۲۰۰ تا ۵۰۰ میلی‌ثانیه.

همان‌طور که در راهنمای توسعه‌دهندگان اپل ذکر شده: «از آنجا که هر تکه ناقص زمان بسیار کوتاهی دارد، می‌تواند پیش از تکمیل تکه مادر خود بسته‌بندی، منتشر و به فهرست پخش اضافه شود.» در این سازوکار، انکودر به محض تولید فریم‌ها، این ریزبسته‌ها را فوراً روانه خط انتقال می‌کند.

پخش‌کننده‌های جدید که به فناوری کم‌تاخیر مجهز شده‌اند، با استفاده از پروتکل HTTP/1.1 این تکه‌های ۲۰۰ میلی‌ثانیه‌ای را بلافاصله دریافت کرده و روی صفحه رندر می‌کنند. بافر همچنان از نظر فنی وجود دارد، اما به ابعاد میکرو تقلیل یافته است؛ تغییری که کف تأخیر را از ۳۰ ثانیه به ۲ تا ۵ ثانیه پایین می‌کشد.

هزینه‌ها و مخاطرات فدا کردن بافر

البته دستیابی به سرعت سنتی تلویزیون در اتوبان باز و عمومی اینترنت، بدون هزینه نیست. با رها کردن حاشیه امن ۱۸ ثانیه‌ای، پخش‌های کم‌تاخیر سنگر اصلی خود در برابر لغزش‌های شبکه را از دست می‌دهند. کاربری که پشت یک اتصال فیبر نوری پایدار نشسته، بازی را در لحظه و همگام با استادیوم می‌بیند؛ اما کاربری که روی اینترنت متغیر موبایل باشد، به مراتب بیشتر با فریز شدن و گیر کردن تصویر مواجه خواهد شد.

هزینه‌های نگهداری زیرساخت نیز رشدی جهشی پیدا می‌کنند. ارسال صدها قطعه ناقص در هر دقیقه باعث می‌شود سرورهای توزیع محتوا با حجم سرسام‌آوری از تقاضاهای پیوسته مواجه شوند. لبه‌های شبکه باید به‌طور ویژه برای این انتقال چانک تنظیم شوند و نرم‌افزار پخش‌کننده نیز باید به اندازه‌ای هوشمند باشد که بتواند بدون حضور یک بافر عمیق، کیفیت را بدون پرش تعویض کند.

با وجود تمام این چالش‌ها، مهاجرت به سمت پخش‌های فوق سریع شدت گرفته است. شبکه‌های مطرح ورزشی و سامانه‌های بزرگ استریم، این روزها برای رویدادهای سرنوشت‌ساز خود به سراغ LL-HLS و LL-DASH می‌روند و حاضرند بهای سنگین زیرساختی آن را بپردازند تا هواداران حس همزمانی را از دست ندهند.

آن عقب‌ماندگی ۳۰ ثانیه‌ای که به شناسنامه سال‌های نخست استریم آنلاین بدل شده بود، ناشی از نابلدی مهندسان نبود؛ بلکه توافقی بسیار هوشمندانه میان اطمینان از پخش بی‌وقفه و فدا کردن سرعت لحظه‌ای به حساب می‌آمد. حالا با قدرتمندتر شدن پایه‌های ارتباطی جهان، مهندسان دارند آن قرارداد قدیمی را از نو بازنویسی می‌کنند.[3]