流媒體視頻內(nèi)容近年來一直在跨越式發(fā)展，但不幸的是它的帶寬要求也呈現(xiàn)出跨越式的躍升。為了克服這個挑戰(zhàn)，像YouTube或Netflix這樣的視頻平臺使用了將視頻分成更容易處理的塊的算法。如果他們的系統(tǒng)檢測到您的互聯(lián)網(wǎng)速度減慢，下一個視頻片段將以較低的分辨率播放，用這種方式努力追上播放進度。

　　該系統(tǒng)背后的思路是確保順暢的視頻播放，但有時即使是質(zhì)量下降，視頻仍然會暫停幾秒鐘，因為它試圖緩沖下一個塊。這是因為算法并不總是準確地預測下一個塊應該使用什么分辨率。

　　這正是Pensieve的用武之地。麻省理工學院的研究人員使用一種獎勵和懲罰系統(tǒng)來開發(fā)它，訓練它來識別有效的緩沖技術(shù)。例如，只要成功播放完整的視頻而不必重新緩存，Pensieve就可以得到獎勵，如果視頻質(zhì)量低于某個閾值，它則可能會受到懲罰。

　　博士生Hongzi Mao是這篇描述了Pensieve流程和功能論文的主要作者，他表示，“通過查看過去實際的表現(xiàn)，它學習到不同的策略如何影響性能，它可以以更加強硬的方式改進其決策策略。”

　　根據(jù)研究小組的論文，Pensieve可以將視頻流量比其他系統(tǒng)多減少10％至30％，用戶將其“體驗質(zhì)量”評價為提高了10％至20％。

　　Mao表示，Pensieve具有足夠的靈活性以適應不同的要求。例如，可以對其進行培訓，可以以犧牲分辨率為代價保障視頻連續(xù)播放，或者也可以進行相反的訓練，讓質(zhì)量的優(yōu)先級高于順暢。

　　研究團隊的下一個項目將是測試Pensieve在流媒體虛擬現(xiàn)實內(nèi)容中的有效性，它需要高得多的帶寬，并且對低質(zhì)量的容忍度要低得多。

　　麻省理工學院的教授Mohammad Alizadeh（Mohammad Alizadeh）是Pensieve上這篇論文的一位合著者，他表示：“你需要的4K質(zhì)量的VR可以輕松地達到每秒數(shù)百兆比特的速度，今天的網(wǎng)絡根本無法支持”。他表示，“我們很高興看到像Pensieve這樣的系統(tǒng)所做的一切。這還只是第一步。”