نحوه کار استریمینگ با نرخ بیت تطبیقی: مکانیسم‌های نردبان‌های کدگذاری و تحویل تکه‌تکه

در سال ۲۰۰۹، شرکت اپل پیش‌نویس مشخصات HTTP Live Streaming (HLS) را منتشر کرد و اساساً مکانیسم انتقال ویدئو در سراسر اینترنت را بازنویسی نمود. پیش از آن لحظه، تماشای یک ویدئو به صورت آنلاین به معنای دانلود یک فایل واحد و یکپارچه بود؛ اگر اتصال شما از نرخ بیت آن فایل کمتر می‌شد، ویدئو متوقف می‌شد تا بافر کند. HLS یک پارادایم متفاوت را معرفی کرد: ویدئو را به هزاران تکه کوچک و مستقل خرد کرد و آن‌ها را از طریق پروتکل‌های استاندارد وب تحویل داد. امروزه، این سیستم تحویل تکه‌تکه، که به عنوان استریمینگ با نرخ بیت تطبیقی (ABR) شناخته می‌شود، موتور نامرئی است که تقریباً تمام پلتفرم‌های ویدئویی روی زمین را به حرکت در می‌آورد.[1][3]

مقیاس عظیم مصرف ویدئو در عصر حاضر، ABR را به یک ضرورت ریاضی تبدیل کرده است. پیش‌بینی می‌شود که محتوای ویدئویی تا سال ۲۰۲۵، ۹۲٪ از کل ترافیک اینترنت را تشکیل دهد و فشار زیادی بر زیرساخت شبکه جهانی وارد کند. برای جلوگیری از فروپاشی اینترنت زیر بار میلیون‌ها استریم ۴کی همزمان، پلتفرم‌ها نمی‌توانند صرفاً یک فید با کیفیت بالا را پخش کنند. در عوض، آن‌ها باید به صورت پویا و لحظه‌ای با دستگاه هر بیننده مذاکره کنند و جریان داده را طوری تنظیم نمایند که دقیقاً با ظرفیت اتصال محلی آن‌ها مطابقت داشته باشد.[2]

این مذاکره به ساختاری به نام «نردبان کدگذاری» متکی است. هنگامی که یک پلتفرم یک ویدئوی جدید را دریافت می‌کند، یک فایل قابل پخش واحد ایجاد نمی‌کند. بلکه یک منو از نسخه‌های مختلف ایجاد می‌کند – که معمولاً از نسخه ۳۶۰پی با ۸۰۰ کیلوبیت بر ثانیه (kbps) تا نسخه ۴کی با ۱۵ مگابیت بر ثانیه (Mbps) متغیر است. سپس هر یک از این نسخه‌ها به بخش‌هایی تقسیم می‌شوند که معمولاً بین ۲ تا ۱۰ ثانیه طول دارند.

هنگامی که بیننده دکمه پخش را می‌زند، پخش‌کننده ویدئو به عنوان یک تصمیم‌گیرنده فعال عمل می‌کند. معمولاً ابتدا تکه با کمترین نرخ بیت را درخواست می‌کند تا مطمئن شود ویدئو بلافاصله شروع به پخش می‌کند. سپس به طور مداوم سرعت دانلود و وضعیت بافر داخلی خود را نظارت می‌کند. اگر اتصال قوی باشد، پخش‌کننده از نردبان کدگذاری بالا می‌رود و تکه بعدی را از نسخه ۱۰۸۰پی یا ۴کی درخواست می‌کند.

اما اگر وای‌فای کاربر دچار مشکل شود یا سیگنال تلفن همراه او افت کند، پخش‌کننده فوراً از نردبان پایین می‌آید و یک تکه ۵۴۰پی را درخواست می‌کند تا ویدئو بدون نمایش صفحه بافر، به پخش ادامه دهد.[1]

«استریمینگ با نرخ بیت تطبیقی، کیفیت ویدئو را بر اساس شرایط شبکه تنظیم می‌کند تا پخش ویدئو را از طریق شبکه‌های HTTP بهبود بخشد.» این نکته‌ای است که Cloudflare، که یک شبکه تحویل محتوای جهانی (CDN) عظیم را اداره می‌کند، به آن اشاره دارد. «این فرآیند باعث می‌شود پخش برای بینندگان، صرف نظر از دستگاه، موقعیت مکانی یا سرعت اینترنتشان، تا حد امکان روان باشد.»[2]

در حالی که مکانیسم‌های اساسی نردبان کدگذاری جهانی هستند، نحوه پیاده‌سازی آن، پلتفرم‌های آماتور را از غول‌های صنعت جدا می‌کند. سال‌ها، صنعت استریمینگ به نردبان‌های «یک اندازه برای همه» متکی بود و نرخ بیت هدف یکسانی را برای هر محتوایی اعمال می‌کرد. یک فیلم اکشن پرسرعت و یک سیت‌کام انیمیشنی ثابت، هر دو ۵۸۰۰ کیلوبیت بر ثانیه برای نسخه ۱۰۸۰پی خود اختصاص می‌دادند.[2]

در سال ۲۰۱۵، مهندسان نتفلیکس متوجه شدند که این رویکرد ثابت، پهنای باند عظیمی را هدر می‌دهد. تیم فناوری این شرکت توضیح داد: «ما سال‌ها را صرف توسعه رویکردی به نام کدگذاری بر اساس عنوان (Per-title encoding) کرده‌ایم، که در آن تحلیلی بر روی یک عنوان خاص انجام می‌دهیم تا بهترین دستورالعمل کدگذاری را بر اساس پیچیدگی آن تعیین کنیم.» یک نمایش انیمیشنی با رنگ‌های تخت، برای عالی به نظر رسیدن به بیت‌های بسیار کمتری نسبت به یک درام خشن و پر از دانه (Grain) نیاز دارد.[2]

با تجزیه و تحلیل پیچیدگی بصری خاص هر عنوان، نتفلیکس توانست یک نردبان کدگذاری سفارشی برای هر نمایش بسازد. برای یک عنوان با پیچیدگی متوسط، کدگذاری بهینه‌شده ۱۰۸۰پی تنها به ۴۶۴۰ کیلوبیت بر ثانیه نیاز داشت – این یعنی ۲۰٪ کاهش در پهنای باند در مقایسه با نردبان ثابت قدیمی ۵۸۰۰ کیلوبیت بر ثانیه، بدون هیچ افت قابل مشاهده‌ای در کیفیت بصری. برای محتوای انیمیشنی ساده‌تر، صرفه‌جویی حتی چشمگیرتر بود.

این بهینه‌سازی بر اساس عنوان، اکنون استاندارد طلایی برای استریمینگ ممتاز است. این امر به پلتفرم‌ها اجازه می‌دهد تا وضوح بالاتری را به کاربران با اتصالات کند ارائه دهند، در حالی که همزمان هزینه‌های کلی پهنای باند خروجی پلتفرم را کاهش می‌دهند. پیاده‌سازی این نردبان‌های بهینه‌شده می‌تواند مصرف کلی پهنای باند یک پلتفرم را تا ۵۰٪ کاهش دهد، که در هنگام سرویس‌دهی به میلیون‌ها بیننده همزمان، یک حاشیه حیاتی است.

با این حال، نگهداری چندین نسخه از هر ویدئو یک بار ذخیره‌سازی عظیم ایجاد می‌کند. در گذشته، پلتفرم‌ها مجبور بودند این نردبان‌ها را برای دستگاه‌های مختلف به روش‌های متفاوتی بسته‌بندی کنند – با استفاده از کانتینر «.ts» برای HLS اپل و کانتینر MP4 تکه‌تکه شده («fMP4») برای پروتکل رقیب DASH. این بدان معنا بود که باید دو نردبان کامل و چند پله‌ای برای هر ویدئو کدگذاری و ذخیره می‌شد.[3]

برای حل این مشکل انباشتگی ذخیره‌سازی، صنعت فرمت کاربردی رسانه مشترک (CMAF) را توسعه داد که در سال ۲۰۱۸ به عنوان یک استاندارد منتشر شد. CMAF کانتینر رسانه‌ای زیربنایی را استاندارد می‌کند و اجازه می‌دهد تا یک مجموعه واحد از فایل‌های MP4 تکه‌تکه شده به طور یکپارچه به پخش‌کننده‌های HLS و DASH تحویل داده شود.

با یکپارچه‌سازی فرآیند بسته‌بندی، CMAF نیاز به ذخیره نردبان‌های تکراری را از بین می‌برد. به گفته Bunny.net، ارائه‌دهنده زیرساخت استریمینگ، «انجام این کار نیاز به ارائه چندین کپی از یک محتوا را حذف می‌کند و کارایی بالاتر و صرفه‌جویی نظری بیش از ۷۰٪ در تقاضای کدگذاری، بسته‌بندی و ذخیره‌سازی را ممکن می‌سازد.»

CMAF همچنین «کدگذاری انتقال تکه‌تکه» (chunked transfer encoding) را معرفی کرد که به سرور اجازه می‌دهد کسری کوچک از یک سگمنت را قبل از اتمام کدگذاری کل سگمنت ارسال کند. این نوآوری تأخیر ذاتی استریمینگ HTTP را به شدت کاهش داد و آن را از ۳۰ ثانیه به حدود ۳ ثانیه رساند – این امر ABR را برای پخش زنده ورزشی و پخش‌های بلادرنگ قابل استفاده کرد.[4]