مرز ۱۰ هزار کیلوبیت بر ثانیه: AV1 و استریم تطبیقی واقعاً چطور کار می‌کنند؟

سال ۲۰۱۵، در یک اتاق کنفرانس بدون پنجره در مانتین ویو، مهندسان گوگل، نتفلیکس و آمازون به نمودار پیش‌بینی پهنای باندی زل زده بودند که بوی فاجعه می‌داد. کوچ جهانی به سمت ویدیوهای 4K سرعت گرفته بود و حساب و کتاب‌ها اصلاً با هم جور درنمی‌آمد. کدک ویدیویی رایج آن زمان یعنی H.264، برای پخش یک استریم 4K به چیزی حدود ۲۵ هزار کیلوبیت بر ثانیه پهنای باند نیاز داشت.

وقتی این رقم را در صدها میلیون بیننده همزمان ضرب می‌کردید، حجم داده‌ها آن‌قدر وحشتناک می‌شد که می‌توانست زیرساخت‌های فیزیکی اینترنت را به زانو درآورد. راه‌حلی که آن روز مهندسی کردند، کشیدن کابل‌های فیبر نوری بیشتر نبود؛ بلکه تصمیم گرفتند روش فشرده‌سازی ریاضی ویدیوها را پیش از آنکه اصلاً سرور را ترک کنند، از بیخ و بن بازنویسی کنند.[1][5]

نتیجه آن همفکری، شکل‌گیری «اتحادیه رسانه‌های باز» (AOMedia) و شاهکار اصلی آن یعنی کدک AV1 بود. این کدک که در سال ۲۰۱۸ منتشر شد، با یک هدف بی‌رحمانه و مشخص طراحی شده بود: کوچک کردن فایل‌های ویدیویی بدون افت کیفیت تصویر. برخلاف رقیب اصلی‌اش یعنی کدک HEVC (یا همان H.265)، کدک AV1 از همان پایه طوری ساخته شد که کاملاً رایگان و بدون حق امتیاز باشد؛ حرکتی که به هزینه‌های پیچیده لایسنس که تا پیش از آن گلوی تولیدکنندگان سخت‌افزار را برای استفاده از کدک‌ها می‌فشرد، پایان داد.[1][4][5]

سازوکار AV1 روی الگوریتم‌های پیش‌بینی پیشرفته و بازسازی مبتنی بر بلوک سوار است. این کدک به جای اینکه تک‌تک پیکسل‌های هر فریم را ارسال کند، ویدیو را تحلیل می‌کند تا عناصر ثابت (مثل یک پس‌زمینه بی‌حرکت) را تشخیص دهد و فقط پیکسل‌هایی را مخابره کند که از یک فریم به فریم بعدی تغییر می‌کنند.

AV1 این ایده را با استفاده از بلوک‌های متغیر بزرگ‌تر و بردارهای حرکتی دقیق‌تر، یک قدم از پیشینیان خود فراتر می‌برد؛ قابلیتی که به آن اجازه می‌دهد حرکت را با دقتی مثال‌زدنی پیش‌بینی کرده و داده‌های اضافی را با ظرافت یک جراح دور بریزد.[1]

دستاوردهای این بهره‌وری واقعاً خیره‌کننده است. کدک AV1 می‌تواند یک استریم 4K بی‌نقص را با سرعت تقریبی ۱۰ هزار کیلوبیت بر ثانیه تحویل دهد؛ یعنی ۶۰ درصد کاهش در مصرف پهنای باند نسبت به H.264 و حدود ۳۰ درصد کارایی بیشتر نسبت به HEVC. برای پلتفرمی که در مقیاس جهانی کار می‌کند، کاهش مصرف داده با این حاشیه سود، به معنای صرفه‌جویی در صدها پتابایت انتقال داده در هر ساعت است؛ چیزی که اقتصاد زیرساخت‌های استریم را از اساس دگرگون می‌کند.[1][4]

اما فشرده‌سازی فقط نیمی از ماجراست. نیمه دیگر، بحث انتقال است که توسط پروتکل‌های «استریم با بیت‌ریت تطبیقی» (ABR) مثل HLS اپل و DASH امپگ مدیریت می‌شود. وقتی یک ویدیو روی سرور استریم آپلود می‌شود، به شکل یک فایل یکپارچه و غول‌پیکر ذخیره نمی‌شود. در عوض، به چندین نسخه با وضوح و بیت‌ریت‌های مختلف انکود شده و سپس به قطعات کوتاهی که معمولاً بین دو تا شش ثانیه طول دارند، تکه‌تکه می‌شود.[2][3]

وقتی کاربری در حال تماشای یک ویدیو است، پلیر استریم مدام پهنای باند در دسترس و ظرفیت پردازنده دستگاه را زیر نظر دارد. اگر اتصال شبکه قوی باشد، پلیر باکیفیت‌ترین قطعات 4K را درخواست می‌کند. اما اگر اتصال افت کند (مثلاً چون کاربر وارد آسانسور یا نقطه کور آنتن‌دهی شده)، پلیر بلافاصله این پرش تاخیر را تشخیص داده و بدون هیچ وقفه‌ای قطعه بعدی را از نسخه‌ای با بیت‌ریت پایین‌تر، مثل 1080p یا 720p درخواست می‌کند.[2][3]

در مستندات فنی پروتکل MPEG-DASH آمده است: «این یک تکنیک استریم با بیت‌ریت تطبیقی است که امکان استریم باکیفیت محتوای رسانه‌ای را روی اینترنت و از طریق سرورهای وب HTTP معمولی فراهم می‌کند.» این جابه‌جایی پویا در میانه پخش اتفاق می‌افتد و برای بیننده کاملاً نامرئی است؛ در نتیجه ویدیو بدون اینکه آن دایره چرخان و اعصاب‌خردکن بافر شدن روی اعصابتان برود، به پخش ادامه می‌دهد.[2]

پیوند فشرده‌سازی فوق‌العاده AV1 و انتقال پویای ABR همان چیزی است که استریم مدرن را ممکن کرده است. از آنجا که AV1 برای حفظ یک کیفیت مشخص به پهنای باند بسیار کمتری نیاز دارد، پلیرها می‌توانند پخش باکیفیت بالا را روی اتصالات بسیار کندتر هم حفظ کنند. حالا بیننده‌ای که گیر یک شبکه موبایل شلوغ افتاده، می‌تواند یک استریم شفاف 1080p را با بیت‌ریتی دریافت کند که در گذشته فقط جوابگوی کیفیت استاندارد (SD) بود.[1][2]

با این حال، کارایی بالای AV1 بهای پردازشی سنگینی هم دارد. ریاضیاتی که برای چنین فشرده‌سازی تنگاتنگی نیاز است، قدرت پردازش عظیمی می‌طلبد. انکود نرم‌افزاری AV1 تقریباً با ۱۵ درصد سرعت انکودرهای قدیمی‌تر H.264 کار می‌کند. برای انکود زنده یک پخش 4K با استفاده از AV1، به خطوط پردازش موازی و سنگین کارت گرافیک یا انکودرهای سخت‌افزاری اختصاصی نیاز است؛ به همین دلیل است که این کدک در ابتدا بیشتر در آرشیوهای ویدیوی درخواستی (VOD) جا باز کرد تا پخش زنده تلویزیونی.[1][4]

برای دور زدن این مشکل، مهندسان ترفندهای خلاقانه‌ای مثل «سنتز نویز فیلم» (FGS) را توسعه داده‌اند. فشرده‌سازی نویز یا همان گرین فیلم به شدت سخت است، چون شبیه نویز تصادفی به نظر می‌رسد و کدک را مجبور می‌کند برای حفظ آن پهنای باند زیادی را هدر دهد.

AV1 این مشکل را با تحلیل نویز، حذف کامل آن پیش از انکود و ارسال یک متادیتای بسیار کوچک حل می‌کند؛ متادیتایی که به دستگاه بیننده دستور می‌دهد تا در حین پخش، نویز را به صورت مصنوعی بازسازی و دوباره اعمال کند. همین یک ویژگی می‌تواند بیت‌ریت مورد نیاز برای محتواهای پرنویز را تا ۶۶ درصد دیگر هم کاهش دهد.[1]

اکوسیستم سخت‌افزار هم خیلی زود خودش را به نرم‌افزار رساند. از سال ۲۰۲۲، غول‌های نیمه‌هادی مثل انویدیا، اینتل و AMD دیکودرهای سخت‌افزاری اختصاصی AV1 را در کارت‌های گرافیک مصرفی و پردازنده‌های موبایل خود ادغام کرده‌اند. این پشتیبانی در سطح سیلیکون تضمین می‌کند که دستگاه‌ها می‌توانند استریم‌های پیچیده AV1 را بدون خالی کردن باتری یا داغ کردن بیش از حد پردازنده، دیکود کنند.[1]

در حالی که صنعت استریم به دهه آینده چشم دوخته، زیرساختی که توسط AV1، HLS و DASH بنا شده، به عنوان شالوده‌ای برای فرمت‌های سنگین‌تر مثل وضوح 8K، پخش ورزشی با فریم‌ریت بالا و بازی‌های ابری تعاملی عمل خواهد کرد. جنگ نامرئی بر سر پهنای باند شاید هیچ‌وقت برنده نهایی نداشته باشد، اما پیشرفت‌های ریاضی دهه گذشته تضمین کرده‌اند که اینترنت می‌تواند بار سنگین سرگرمی‌های جهان را به دوش بکشد.[1][2][6]