کاهش ۵۰ درصدی فضای ذخیره‌سازی: چگونه H.265 (HEVC) حجم ویدیو را با همان کیفیت نسبت به H.264 نصف می‌کند و بهای پردازشی آن چیست؟

پخش‌کنندگان شبکه‌ها و تولیدکنندگان گوشی‌های هوشمند، گذر به H.265 (HEVC) را یک تکامل ضروری برای زنده نگه‌داشتن استریم 4K می‌دانند؛ چرا که این کدک دقیقاً همان کیفیت تصویر را با نصف حجم فایل ارائه می‌دهد و یک استریم ۱۰۰ مگابیتی را به ۵۰ مگابیت بر ثانیه کاهش می‌دهد. با این حال، تولیدکنندگان مستقل محتوا و مصرف‌کنندگانی که سخت‌افزار قدیمی دارند، اغلب این کدک جدیدتر را یک گلوگاه پردازشی می‌بینند که می‌تواند زمان خروجی گرفتن را دو برابر کرده و هنگام پخش دچار لگ شود. واقعیت این است که ما با یک تبادل مستقیم بین پهنای باند و توان پردازشی روبه‌رو هستیم. H.265 یک مشکل بزرگ ذخیره‌سازی را حل می‌کند و در هر ساعت ویدیوی 4K حدود ۲۲٫۵ گیگابایت فضا صرفه‌جویی می‌کند، اما این کار را با انتقال مستقیم بار ریاضی به پردازنده دستگاه انجام می‌دهد.[5]

هسته اصلی مشکل در نحوه ساخت ویدیوی دیجیتال نهفته است. ویدیوی فشرده‌نشده به‌طور غیرممکنی حجیم است؛ تنها یک ثانیه ویدیوی 4K فشرده‌نشده با نرخ ۶۰ فریم بر ثانیه می‌تواند از یک گیگابایت هم فراتر رود. برای امکان‌پذیر شدن انتقال ویدیو، کدک‌ها (رمزگذار-رمزگشاها) از الگوریتم‌های ریاضی برای دور ریختن داده‌های بصری اضافی که چشم انسان به راحتی قادر به درک آن‌ها نیست، استفاده می‌کنند.[4]

کدک H.264 که با نام کدگذاری پیشرفته ویدیو (AVC) نیز شناخته می‌شود، به‌عنوان استاندارد بلامنازع این فرآیند عمل می‌کرد. H.264 که در سال ۲۰۰۳ نهایی شد، نیروی محرکه گذار به ویدیوی با کیفیت بالا (HD) بود و بر دیسک‌های بلوری، پلتفرم‌های استریم و ضبط ویدیو در گوشی‌های هوشمند اولیه تسلط یافت. این کدک با تقسیم هر فریم به شبکه‌ای از «ماکروبلوک‌ها» به این موفقیت دست یافت.[4][5]

این ماکروبلوک‌ها اندازه ثابتی داشتند و حداکثر به ۱۶ در ۱۶ پیکسل می‌رسیدند. رمزگذار (Encoder) هر بلوک را تحلیل می‌کرد، آن را با فریم قبلی مقایسه می‌کرد و تنها پیکسل‌هایی را که تغییر کرده بودند ثبت می‌کرد. برای ویدیوی 1080p (۱۹۲۰ در ۱۰۸۰) که تقریباً شامل ۲ میلیون پیکسل در هر فریم است، این شبکه ۱۶ در ۱۶ بسیار کارآمد بود.[4]

محدودیت H.264 زمانی نمایان شد که صنعت به سمت رزولوشن 4K (۳۸۴۰ در ۲۱۶۰) حرکت کرد. یک فریم 4K بیش از ۸٫۲ میلیون پیکسل دارد. مجبور کردن یک رمزگذار برای پردازش این بوم عظیم در قطعات کوچک ۱۶ در ۱۶ بسیار ناکارآمد شد. حتی زمانی که بخش بزرگی از فریم یکسان بود - مانند یک پس‌زمینه ثابت یا یک آسمان صاف - رمزگذار H.264 همچنان باید هزاران ماکروبلوک مجزا را پردازش می‌کرد.[4]

کدک H.265 یا کدگذاری ویدیویی پربازده (HEVC)، در سال ۲۰۱۳ توسط ITU-T و ISO/IEC به‌عنوان یک استاندارد منتشر شد و به‌طور خاص برای مدیریت رزولوشن‌های 4K و 8K طراحی شده بود. تغییر معماری بنیادین آن، کنار گذاشتن ماکروبلوک ثابت به نفع واحدهای درخت کدگذاری (CTUs) بود.[1][5]

یک CTU بسیار منعطف‌تر از یک ماکروبلوک است. اندازه آن می‌تواند به کوچکی ۴ در ۴ پیکسل یا به بزرگی ۶۴ در ۶۴ پیکسل باشد. هنگامی که یک رمزگذار H.265 یک فریم را تحلیل می‌کند، اندازه CTUها را به‌طور پویا بر اساس پیچیدگی تصویر تعیین می‌کند. یک ناحیه با جزئیات بالا، مانند چهره یک شخص، ممکن است به بلوک‌های ۴ در ۴ شکسته شود، در حالی که یک دیوار صاف و بدون ویژگی می‌تواند به‌عنوان یک بلوک واحد ۶۴ در ۶۴ پردازش شود.[1][5]

با استفاده از یک بلوک ۶۴ در ۶۴ به جای شانزده بلوک مجزای ۱۶ در ۱۶، این کدک داده‌های اضافی بسیار بیشتری را بدون افت کیفیت تصویر دور می‌ریزد. صرفه‌جویی در فضای ذخیره‌سازی عظیم است. بر اساس مشخصات ITU-T، کدک H.265 در مقایسه با H.264 در کیفیت تصویر یکسان، به کاهش ۵۰ درصدی بیت‌ریت دست می‌یابد.[1]

در عمل، اعداد و ارقام کاملاً گویا هستند. یک ویدیوی استاندارد 4K که با سرعت ۳۰ فریم بر ثانیه ضبط می‌شود، با استفاده از پروفایل‌های قدیمی‌تر H.264 به بیت‌ریت هدفی در حدود ۱۰۰ مگابیت بر ثانیه نیاز دارد. این یعنی مصرف ۴۵ گیگابایت فضای ذخیره‌سازی در هر ساعت ویدیو. تحت H.265، همان ویدیو تنها به ۵۰ مگابیت بر ثانیه نیاز دارد و حجم ذخیره‌سازی را به ۲۲٫۵ گیگابایت در ساعت کاهش می‌دهد.[5]

با این حال، این بهره‌وری رایگان به دست نمی‌آید. تعیین اندازه بهینه بلوک برای هر فریم به تحلیل ریاضی بسیار بیشتری نیاز دارد. رمزگذار باید ارزیابی کند که آیا یک بلوک ۶۴ در ۶۴، یک بلوک ۳۲ در ۳۲، یا ترکیبی از بلوک‌های کوچک‌تر بهترین فشرده‌سازی را برای یک ناحیه خاص به همراه دارد یا خیر، و باید این کار را برای هر فریم، تا ۶۰ بار در ثانیه انجام دهد.[1][5]

اینجاست که تاوان پردازشی خود را نشان می‌دهد. مطالعات منتشر شده در MDPI نشان می‌دهد که کارایی کدگذاری HEVC به شدت به محتوای حرکتی ویدیو وابسته است. صحنه‌های پرتحرک رمزگذار را مجبور می‌کنند تا سخت‌تر کار کند و CTUها را به واحدهای پیش‌بینی کوچک‌تری بشکند تا حرکت را در میان فریم‌ها ردیابی کند.[2]

این پیچیدگی به این معناست که رمزگذاری H.265 در سیستم‌هایی که فاقد شتاب‌دهنده سخت‌افزاری اختصاصی هستند، می‌تواند بسیار بیشتر از H.264 طول بکشد. برای تدوین‌گرانی که در حال خروجی گرفتن از یک پروژه روی یک لپ‌تاپ قدیمی هستند، تغییر تنظیمات خروجی از H.264 به H.265 می‌تواند به راحتی زمان رندر را دو برابر کند و پردازنده سیستم را برای ساعت‌ها درگیر کند تا تنها چند گیگابایت فضای دیسک ذخیره شود.[2][4]

برای مصرف‌کنندگانی که محصولات خانه هوشمند، به‌ویژه دوربین‌های مداربسته و زنگ‌های ویدیویی در را می‌خرند، این سبک‌سنگین کردن، قابلیت‌های سخت‌افزاری را دیکته می‌کند. یک دوربین مداربسته 4K که به‌صورت ۲۴ ساعته با فرمت H.264 ضبط می‌کند، یک هارد دیسک محلی ۱ ترابایتی را در کمتر از یک هفته پر می‌کند. تغییر به H.265 این زمان نگهداری را دو برابر می‌کند و به درایو اجازه می‌دهد تا نزدیک به دو هفته ویدیو را در خود نگه دارد.[6]

برای دستیابی به این هدف، خود دوربین باید دارای یک پردازنده سیگنال تصویر قدرتمندتر باشد. این پردازنده باید ویدیوی 4K را در لحظه و به‌صورت بلادرنگ فشرده کند، بدون اینکه در یک محفظه کوچک و عایق‌بندی شده در برابر آب‌وهوا بیش از حد داغ شود. این نیاز در ابتدا H.265 را از دستگاه‌های خانه هوشمند اقتصادی دور نگه داشت، اگرچه تراشه‌های مدرن تا حد زیادی این شکاف را پر کرده‌اند.[6]

بخش پخش ویدیو نیز دقیقاً با همین مانع روبه‌رو است. رمزگشایی H.265 به توان محاسباتی بیشتری نسبت به رمزگشایی H.264 نیاز دارد. در حالی که گوشی‌های هوشمند، تبلت‌ها و تلویزیون‌های مدرن دارای تراشه اختصاصی برای رمزگشایی بومی HEVC هستند - به این معنی که تراشه دارای یک مسیر فیزیکی است که به‌طور خاص برای این محاسبات ریاضی طراحی شده است - دستگاه‌های قدیمی‌تر به رمزگشایی نرم‌افزاری متکی هستند.[4]

رمزگشایی نرم‌افزاری، پردازنده مرکزی (CPU) همه‌منظوره دستگاه را مجبور به انجام محاسبات ریاضی می‌کند که باعث افزایش شدید استفاده از پردازنده، تولید گرما و تخلیه سریع باتری می‌شود. به همین دلیل است که یک لپ‌تاپ پنج ساله ممکن است یک ویدیوی 4K را با فرمت H.264 بدون نقص پخش کند، اما هنگام تلاش برای پخش یک فایل H.265 مستقیماً از یک پهپاد یا اکشن‌کمرای مدرن، دچار لگ و هنگ کردن شود.[4]

صنعت پخش و استریم تا حد زیادی این تاوان پردازشی را پذیرفته است، زیرا پهنای باند هزینه اصلی و مستمر آن‌هاست. داده‌های ResearchGate که این دو استاندارد را در محیط‌های پخش مقایسه می‌کند، تأیید می‌کند که صرفه‌جویی در پهنای باند به راحتی سرمایه‌گذاری اولیه در سرورهای رمزگذاری رده‌بالا را توجیه می‌کند.[3]

برای پلتفرمی که به میلیون‌ها استریم همزمان خدمات می‌دهد، نصف کردن بیت‌ریت یک ضرورت مالی است. ارائه یک استریم 4K با فرمت H.264 به یک اتصال پایدار ۲۵ تا ۳۵ مگابیت بر ثانیه نیاز دارد که از ظرفیت قابل‌اعتماد بسیاری از اتصالات اینترنت خانگی فراتر است. با کاهش این نیاز به ۱۵ مگابیت بر ثانیه از طریق H.265، سرویس‌های استریم می‌توانند محتوای 4K را بدون بافر شدن به مخاطبان بسیار بیشتری ارائه دهند.[3][5]

تصمیم‌گیری برای مصرف‌کنندگان به سن سخت‌افزار و محدودیت‌های ذخیره‌سازی خاص آن‌ها بستگی دارد. اگر دستگاهی دارای یک پردازنده مدرن با قابلیت رمزگذاری HEVC مبتنی بر شتاب‌دهنده سخت‌افزاری باشد، کاهش ۵۰ درصدی فضای ذخیره‌سازی عملاً رایگان است. اما اگر دستگاه به تراشه‌های قدیمی‌تر متکی باشد، کاربر باید گیگابایت‌های صرفه‌جویی‌شده را در برابر زمان و گرمای اضافی مورد نیاز برای پردازش آن‌ها سبک‌سنگین کند.[6]