一， 背景介紹---點播視頻源站分發(fā)的痛點

點播視頻觀看的流程與源站定義

點播，是相對于直播說的，英文命叫VOD （Video on Demand），顧名思義，某個觀眾demand了，才有video看，看到的內(nèi)容是視頻的開始；

而直播呢，是不管有沒有觀眾去看的，視頻一直在往前走，某個觀眾進來時看到的，是當時的視頻。

點播視頻的內(nèi)容非常多樣化，有連續(xù)劇、電影、體育錄像、自媒體制作的視頻，甚至包含（現(xiàn)在非?；鸨模┒桃曨l。

大家有沒有想過，每次打開一個點播視頻的時候，背后的操作是什么樣子的呢？

簡單的一種觀點是圖上這樣：

視頻網(wǎng)站提供點播資源，比如說PPTV新上了一個連續(xù)劇，一個電影，或是短視頻網(wǎng)站新提供了一個新的短視頻

觀眾通過網(wǎng)頁、app等訪問網(wǎng)站，進行視頻的觀看

實際上，情況沒有這么簡單

視頻網(wǎng)站的提供的點播資源，也就是文件，是放在自己公司的服務器上面的，這個服務器可能是買的，也可能是租的，

存儲這些文件的服務器集群，就叫做源站

這些視頻文件，實際上不會直接給用戶訪問，而是通過cdn逐級分發(fā)出去的，所以這些存儲集群，還要負責對接CDN

所以源站的作用是負責存儲和對接CDN，這里有個分工，視頻網(wǎng)站擁有視頻版權，CDN擅長分發(fā)

下面我們來看看點播、包括短視頻的視頻網(wǎng)站的處理流程，

流程如下：

內(nèi)容生成（這一點是在視頻網(wǎng)站之外就可以做的）。視頻網(wǎng)站采購版權，或者是自媒體作者制作好視頻，短視頻作者在手機端錄制好視頻

把內(nèi)容上傳到視頻網(wǎng)站的源片存儲。視頻網(wǎng)站的編輯上傳采購的版權視頻，自媒體和短視頻作者上傳自己制作的視頻

選擇是否壓制（根據(jù)特性）。視頻網(wǎng)站根據(jù)視頻的特性，選擇是否對視頻進行壓制處理， 例如短視頻一般不需要壓制即可在手機播放，而電影連續(xù)劇一般會壓制多檔碼率

成片存儲。壓制好（或不用壓制）的視頻，叫做成片，存儲起來

回源。CDN從成片存儲回源下載這些視頻，給觀眾看

源站與CDN的網(wǎng)絡拓撲

我們知道有以下事實：

一個視頻網(wǎng)站的（成片）視頻，一般不會只放在一個機房內(nèi)。如PPTV的視頻，體育類的會放在上海的機房，原因是體育演播室在上海，本地錄制方便且無需互聯(lián)網(wǎng)帶寬；影視類的都放在武漢的機房，原因是編輯中心在武漢。

一個視頻網(wǎng)站會對接多個CDN，也可能自己建設CDN。如PPTV，在自己CDN的基礎上，和國內(nèi)外各大知名CDN廠商都有深度的合作

每個CDN（包括自建）供應商對應的網(wǎng)絡接入點位置，質(zhì)量都有很多區(qū)別

另外，對于視頻網(wǎng)站來說，一個視頻文件，只用保存一兩份（當然，視頻公司會做冷熱備份等等操作，所以，實際上落盤的存儲不只這么少，這個細節(jié)屬于存儲高可用的范疇，就不深究了），

為了存儲在不同機房，唯一的一份數(shù)據(jù)同時發(fā)到多個CDN，源站內(nèi)部需要使用多級緩存的結構。

在視頻源站內(nèi)部的多級緩存之間，也就是多個機房之間的分發(fā)，叫做內(nèi)部分發(fā)；

視頻源站（L2集群）到CDN接入點間的分發(fā)，叫做外部分發(fā)。一般L2集群對接CDN接入點，在與CDN聯(lián)調(diào)對接時，就會選好優(yōu)質(zhì)線路，甚至在一個運營商的機房。

所以，我們介紹的重點還是，如何把視頻文件從N個成片存儲集群，通過K個L1集群，分發(fā)到M個L2集群中。

點播視頻源站分發(fā)過程中，存在的問題

點播視頻從中央集群向L1，L2集群（機房）分發(fā)時，采用樹狀分發(fā)（這個樹的建立，會根據(jù)經(jīng)驗或者網(wǎng)絡本身特性），每個中央節(jié)點到不同的L1機房線路質(zhì)量差距很大，不同的L1機房到L2機房質(zhì)量也差異很大

分發(fā)過程走的是互聯(lián)網(wǎng)線路（專線太貴），互聯(lián)網(wǎng)線路的穩(wěn)定性不可預期，有時網(wǎng)絡抖動，會造成分發(fā)失敗，甚至挖斷光纜導致某條干網(wǎng)不可用的事故也經(jīng)常出現(xiàn)，某條線路或者某個機房的問題，可能會造成區(qū)域性的不可用

不同集群（機房）在規(guī)劃和建設時，服務器（計算、存儲、IO）能力、出入口帶寬不一樣，不同集群向下分發(fā)時對應的節(jié)點數(shù)也不一致，會出現(xiàn)不同集群間的負載差異較大的情況，俗稱忙的忙死閑的閑死，忙的節(jié)點，很可能成為瓶頸

點播視頻源站分發(fā)鏈路優(yōu)化的意義

如何解決上面說的問題呢，我們自然的會想到，如果每個文件的分發(fā)過程，都能自動選擇一個最優(yōu)秀的鏈路，而不是根據(jù)那個配置死的回源樹，那么分發(fā)的過程將會帶來這些優(yōu)勢：

更加高效和穩(wěn)定 避免區(qū)域性的故障

不同集群（機房）的負載更加合理和平均

二， 節(jié)點間數(shù)據(jù)分發(fā)質(zhì)量的評估

為何先評估兩個服務器節(jié)點間的分發(fā)質(zhì)量

前面提到了優(yōu)化的辦法是選擇好的分發(fā)鏈路，那么，到底怎樣分發(fā)鏈路才是一個好的鏈路呢？我們先來看以下事實：

鏈路是由數(shù)據(jù)通過的服務器節(jié)點構成的

鏈路中，相鄰的服務器節(jié)點傳輸質(zhì)量的最差值，決定這條分發(fā)鏈路的質(zhì)量上限

所以，我們首先研究兩個服務器節(jié)點間傳輸質(zhì)量的情況

兩個服務器節(jié)點間傳輸質(zhì)量的評估

那么，用什么的來評估兩個服務器節(jié)點間的傳輸質(zhì)量呢，我們自然希望有一個量化的數(shù)據(jù)，一個簡單的想法就是“文件下載耗時”。

影響兩個服務器節(jié)點間的傳輸質(zhì)量（下載耗時）的因素有這些：

文件大小

服務器之間網(wǎng)絡線路的情況，包括數(shù)據(jù)延遲、丟包率、躍點數(shù)等等

發(fā)送服務器（接收服務器）的當前負載，包括CPU負載，內(nèi)存用量，IO負載，當前帶寬，存儲用量

當前時間

我們接下來會簡單分析，這些因素會對下載有什么影響

文件大?。何募酱螅螺d越慢，耗時越長

服務器之間網(wǎng)絡線路的情況：兩個服務器之間的網(wǎng)絡情況，具體有這些指標

延遲：下圖中的ping指令，可以測試出兩個服務器間的延遲信息，對于數(shù)據(jù)傳輸來說，延遲越小越好

MTU（Maximum Transmission Unit）：是指一種通信協(xié)議的某一層上面所能通過的最大數(shù)據(jù)包大小（以字節(jié)為單位）。最大傳輸單元這個參數(shù)通常與通信接口有關（網(wǎng)絡接口卡、串口等），如下方圖中所示，傳輸3000字節(jié)，如果mtu設置成1500，需要打成兩個包，而當mtu設置為1492，則需要打成3個包，傳輸3個包當然要比2個耗時更多。

丟包率：下圖中的ping指令，測試出當前丟包為0個，在網(wǎng)絡出現(xiàn)問題時，這個數(shù)據(jù)可能不為0，視頻下載基于HTTP，底層是TCP協(xié)議，丟包后要重傳，丟包率越低會越好

躍點數(shù)：躍點數(shù)代表兩個服務器間通信時經(jīng)過的路由設備數(shù)目，數(shù)據(jù)通過路由器時，路由器中會有數(shù)據(jù)包隊列，隊列過滿，數(shù)據(jù)有被丟棄的風險；路由器在計算數(shù)據(jù)包下一跳的時候，也會有一定的耗時；

服務器的最大帶寬：服務器最大帶寬，當然是越大越好（當然成本也越高），例如家里裝寬帶，500M的肯定比100M的好（也更貴）

發(fā)送服務器（接收服務器）的當前負載情況

CPU負載：CPU負載在不大的時候，對下載影響不大，當CPU負載超過一定值時，會嚴重影響下載的效率

內(nèi)存用量：內(nèi)存用量在不高的時候，對下載影響不大，當內(nèi)存用量過一定值時，會嚴重影響下載的效率

IO負載：IO負載在不大的時候，對下載影響不大，當IO負載超過一定值時，會嚴重影響下載的效率

當前帶寬使用情況：當前帶寬在不接近最大帶寬的時候，對下載影響不大，當它接近最大帶寬時，數(shù)據(jù)包傳輸阻塞，會嚴重影響下載的效率

圖中為top指令看到的當前機器負載

當前時間：

以上提到的數(shù)據(jù)，都是隨著時間抖動的，例如說帶寬數(shù)據(jù)，視頻網(wǎng)站早上看的人少，晚上看的人多，工作日看的人和周末又不一致，而遇到一些節(jié)假日，又有新的特點，整體互聯(lián)網(wǎng)的使用趨勢是向上的，所以從一個長期時間來看，帶寬數(shù)據(jù)應該是波動向上的。

這里要提一個問題，正是由于相同尺寸、相同鏈路的下載速度，在不同時間點的表現(xiàn)差異巨大，才需要引入一個動態(tài)的預估機制。

例如，一個文件2G大小，我們在開始下載前，覺得鏈路A是最好的，但是實際上下載了300M后，鏈路的A的質(zhì)量已經(jīng)不好了，這是鏈路B可能反倒更好，我們想要達到的目的是，計算出下載完2G大小文件的綜合耗時最低是哪條。

建立兩個節(jié)點間數(shù)據(jù)傳輸質(zhì)量模型的設想

度量兩個節(jié)點間的分發(fā)質(zhì)量，我們可以用一個數(shù)值，下載時長（Download Time，縮寫為DT）來表示，這個數(shù)據(jù)受到很多具體的、隨時間呈現(xiàn)一定規(guī)律的因素（變量）影響，那么我們可以有一個美好的設想：用一個模型，或者說是一個函數(shù)，來描述這些因素與DT間的關系，后續(xù)新的文件下載時，使用這個模型，輸入當前這些變量，預測文件下載的耗時。

假設函數(shù)如下：

DT = Func（file_size，current_time，defer，cpu_load，mem_load，io_load， ……。）

我們知道一個文件大小為100M，當前時間點已知，節(jié)點間這些變量已知，我們可以根據(jù)這個函數(shù)算出時長來。

三， 機器學習算法的設計和實現(xiàn)

機器學習的引入

前面提出了建立一個模型（函數(shù)）的設想，來預測DT，這個模型如何建立呢？

我們先看數(shù)學上是怎么做的，在數(shù)學范疇里，對于已知一組自變量、應變量數(shù)據(jù)，反過來求函數(shù)的過程，叫做擬合

二維空間里，一個自變量，一個應變量，就是簡單的曲線擬合，

三維空間了，兩個自變量，一個應變量，就是曲面擬合，

N維空間里， N-1個自變量，1個應變量，也能擬合，

這些具體的算法在數(shù)學書里都有，最小二乘法什么的，感興趣的同學可以自行查看。

而在計算機科學范圍內(nèi)，AI研究的先驅(qū)者，提出了利用神經(jīng)網(wǎng)絡做機器學習的辦法，來處理這個問題。

機器學習是什么呢，現(xiàn)在網(wǎng)上有很多解釋，我們這里簡單來說明下

我們給機器（計算機上的程序）已知的輸入、輸出，讓它去找規(guī)律出來（知識發(fā)現(xiàn)），然后我們讓它根據(jù)找到的規(guī)律，用新的輸入算出新的輸出來，并對這個輸出結果做評價，如果合適就正向鼓勵，如果結果不合適，就告訴機器這樣不對，讓它重新找規(guī)律。

其實這個過程在模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

機器學習的本質(zhì)就是讓機器根據(jù)已有的數(shù)據(jù)，去分析出一個模型來表示隱藏在這些數(shù)據(jù)背后的規(guī)律（函數(shù)）。

如何實現(xiàn)這個找規(guī)律的過程呢？

我們先說數(shù)學上是如何建立函數(shù)的（如何做擬合），過程如下：

選取擬合函數(shù)（冪函數(shù)，指數(shù)函數(shù)，對數(shù)函數(shù)，三角函數(shù)等）

設定參數(shù)

比較誤差，調(diào)節(jié)參數(shù)

迭代

對于圖中這一系列點，我們第一感覺這些點的排布是符合正弦函數(shù)的，那么我們使用三角函數(shù)中的正弦函數(shù)去擬合它，并且設定函數(shù)的周期、振幅、相位等等參數(shù)，你和后，發(fā)現(xiàn)在x 》 5后，還是有一定誤差的，這就需要去判斷誤差是可接受，如果不可，則需要重新做擬合。

對于上圖中的這些點做擬合，我們發(fā)現(xiàn)這些點的分布好像是個拋物線，那么根據(jù)我們中學的數(shù)學知識，拋物線是冪函數(shù)中二次冪函數(shù)的圖像，所以使用二次冪函數(shù)做擬合，最終得到一個方程來。

和數(shù)學領域一樣，AI領域里，輸入通過一個模型（函數(shù)）變成輸出，這個模型（函數(shù)）靠什么確定呢，靠猜！

猜不是問題，問題是如何猜的更準？

AI的先驅(qū)提出了模擬人類大腦神經(jīng)元的思路，來處理如何猜模型的問題

神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡

大腦神經(jīng)元是這個樣子：

大腦的神經(jīng)網(wǎng)絡是這個樣子：

大腦神經(jīng)元的特點是這樣，每個神經(jīng)元只負責處理一定的輸入，做成一定的輸出，給下級節(jié)點，最后組合起來，形成人腦中的神經(jīng)網(wǎng)絡，這也就是動物思考的過程了。

人工神經(jīng)網(wǎng)絡就是，人為的構造出一些處理節(jié)點（模擬腦神經(jīng)元），每個節(jié)點有個函數(shù)，處理幾個輸入，生成若干輸出，每個節(jié)點與其它節(jié)點組合，綜合成一個模型（函數(shù)）。

從左到右分別是輸出層， 隱藏層，輸出層。

輸入層負責接受輸入，輸出層負責輸出結果，隱藏層負責中間的計算過程。

隱藏層的每一個節(jié)點，就是一個處理函數(shù)。隱藏層的結構，也就是層數(shù)，節(jié)點數(shù)，還是每個節(jié)點的函數(shù)將決定整個神經(jīng)網(wǎng)絡的處理結果。

Tensorflow的介紹

Tensorflow的介紹網(wǎng)上非常多（可以搜索查看），按照本文的上下文，我們簡單的介紹如下：

Tensorflow是一個通過神經(jīng)網(wǎng)絡實現(xiàn)深度學習的平臺，我們給它輸入，輸出，約定一些（猜測模型）的規(guī)則，讓他去幫我們猜測具體模型。

使用TensorFlow的步驟可以簡單的概括為，收集訓練數(shù)據(jù) 訓練 比較 迭代 …。.

訓練數(shù)據(jù)的收集

我們來介紹如何為建立兩個節(jié)點間的傳輸質(zhì)量的模型收集訓練數(shù)據(jù)。

前面介紹過，數(shù)據(jù)分為輸入和輸出數(shù)據(jù)。

輸入數(shù)據(jù)為4類：

下載的文件大小-可直接記錄

當前時間-使用unix timestamp

網(wǎng)絡情況的統(tǒng)計-來自一些測速工具

發(fā)送（接收）服務器的負載情況-來自zabbix的記錄

輸出數(shù)據(jù)為下載一個文件的時間記錄，需要做離散化處理（后續(xù)介紹離散化原因）

Zabbix 的介紹：

基于WEB界面的提供分布式系統(tǒng)監(jiān)視以及網(wǎng)絡監(jiān)視功能的企業(yè)級的開源解決方案

zabbix能監(jiān)視各種網(wǎng)絡參數(shù)，保證服務器系統(tǒng)的安全運營；并提供靈活的通知機制以讓系統(tǒng)管理員快速定位/解決存在的各種問題

zabbix server與可選組件zabbix agent

支持Linux，Solaris，HP-UX，AIX，F(xiàn)ree BSD，Open BSD，OS X

Zabbix的anget部署在傳輸節(jié)點上，定期收集機器的負載和帶寬使用數(shù)據(jù)， 并向中心（zabbix server）匯總。

下圖是zabbix對于當前帶寬的統(tǒng)計情況：

下圖是3個月的帶寬負載：

下圖是3個月的cpu負載：

使用IPERF工具收集網(wǎng)絡數(shù)據(jù)

IPERF工具可以收集以下數(shù)據(jù)：

當前服務器之間的傳輸帶寬

丟包率

MSS、MTU

支持tcp/udp

下圖為iperf的使用截圖：

Ping工具收集延遲，測試節(jié)點連通性：

Tractroute工具收集節(jié)點間躍點數(shù)信息

（windows cmd中，命令為tracert）

訓練的準備

數(shù)據(jù)的組合與格式化：

將網(wǎng)絡數(shù)據(jù)，負載數(shù)據(jù)，文件大小，時間，格式化后組合成一條json。

將下載耗時數(shù)據(jù)分段后做離散化處理，這里解釋下，為何要對結果（輸出）做離散化，TensorFlow擅長做分類處理的學習，當分類的結果集合是個連續(xù)集的時候，可能的結果就有無窮多個，這將大大加大訓練的難度，降低訓練的速度。把結果離散化處理好，接近時間的時間處理成一個值，超過一定閾值的時間都化為一個值，這樣結果的區(qū)間有限，將大大降低訓練難度。

訓練模型參數(shù)的預設定：

我們前面說到數(shù)學范疇的擬合時，會先根據(jù)自己經(jīng)（xia）驗（meng），從冪函數(shù)、三角函數(shù)，指數(shù)函數(shù)，對數(shù)函數(shù)中選取一種或是多種組合起來作為擬合的基礎。

對于神經(jīng)網(wǎng)絡來說，我們也不能一上來啥都不管，就讓它亂猜，而是要根據(jù)已（geng）知（shi）經(jīng)（xia）驗（meng），設定模型和參數(shù)。

前面提到，每個節(jié)點都是一個函數(shù)，那么，我們選什么函數(shù)呢，我們先考慮最簡單的情況，線性函數(shù)，我們用一堆線性函數(shù)組合起來成為一個網(wǎng)絡，這個網(wǎng)絡描述的模型，肯定還是個線性模型，它不足以描述世界上大部分的規(guī)律。

下圖是常見的線性函數(shù)：

那么我們考慮，把每個函數(shù)再做非線性化，就是在一個線性函數(shù)外，再套一個非線性函數(shù)（稱作激活函數(shù)），再組合成一個網(wǎng)絡，這個網(wǎng)絡描述的模型，基本上能覆蓋世界上大部分的規(guī)律了（別問我原因，我也不懂。。。）。

下圖是常使用的一些非線性函數(shù)：

構成的網(wǎng)絡：

每個節(jié)點上的函數(shù)類型，我們先猜了一個，那么，網(wǎng)絡的結構呢，到底用幾層，每層幾個節(jié)點，這個事情，在做不同領域的神經(jīng)網(wǎng)絡時，選擇真是千差萬別。

我們在評估節(jié)點間傳輸質(zhì)量時，先根據(jù)（拍）經(jīng)（腦）驗（門）設置層數(shù)為15，每層50個節(jié)點，節(jié)點函數(shù)也按照基本經(jīng)驗進行設置。

下面的參數(shù)將影響TensorFlow的訓練結果：

初始學習率

學習率衰減率

隱藏層節(jié)點數(shù)量

迭代輪數(shù)

正則化系數(shù)

滑動平均衰減率

批訓練數(shù)量

線性函數(shù)、激活函數(shù)設置

其中，隱藏層節(jié)點數(shù)，迭代輪數(shù)，批訓練數(shù)量，線性函數(shù)、激活函數(shù)設置將影響較大，如何設置，前面已經(jīng)提及，而剩余參數(shù)影響稍小，有興趣的同學可以自行搜索。

TensorFlow的處理流程

單個節(jié)點處理如下圖：

一個節(jié)點做了 ReLU（Wx+b）再與其它節(jié)點組合，最終生成輸出結果。

整體上分為以下幾步：

數(shù)據(jù)輸入

訓練

訓練結果審查

調(diào)節(jié)參數(shù)

重新訓練

訓練結果審查

……

訓練結果滿意

通過Tensorflow的結果，計算最優(yōu)傳輸路徑

當我們經(jīng)過大量的訓練和調(diào)優(yōu)后，得到了每兩個（需要的）服務器節(jié)點間的訓練模型，通過這個模型，輸入當前文件大小、時間、服務器和網(wǎng)絡的測試狀態(tài)，就可以算出一個預期的下載傳輸耗時。

我們把節(jié)點間兩兩計算的結果，代入到網(wǎng)絡拓撲圖中

使用最短路徑算法，計算最優(yōu)（和次優(yōu)）的傳輸路徑

這里是的算法為Dijkstra算法 （翻譯為 迪杰斯特拉算法）

這是一個非常經(jīng)典的最短路徑算法，就不占篇幅介紹了，有興趣的同學可以自行搜索。

整體處理流程回顧

首先，收集訓練數(shù)據(jù)，使用zabbix數(shù)據(jù)、網(wǎng)絡測速數(shù)據(jù)、文件大小、當前時間信息為輸入，下載耗時為輸出，進行模型訓練，并對模型做持續(xù)的優(yōu)化。

使用當前的zabbix數(shù)據(jù)、網(wǎng)絡測速數(shù)據(jù)、文件大小、當前時間信息為輸入，使用訓練好的模型做計算，得到預期的下載結果。

相關節(jié)點，兩兩計算預期結果，構成一個傳輸網(wǎng)絡，使用Dijkstra算法計算傳輸網(wǎng)絡內(nèi)的最小路徑。

四， 未來展望

使用最大流算法進行文件分片下載

目前的算法針對的是整體文件進行下載，實際上，流媒體服務器早已經(jīng)實現(xiàn)了文件虛擬切割，http協(xié)議也有range請求，在此基礎上，把一個文件分割，通過多條鏈路同時下載，將提升下載速度，也將進一步提升網(wǎng)絡利用率。

具體可參考EK 算法，Dinic算法等。

使用最小費用最大流對最大流算法進行改進

考慮到每個機房，每條線路建設時，成本不一樣。

在最大流有多組解時，給每條邊在附上一個單位費用的量，在滿足最大流時的計算最小費用是多少，這樣對于成本使用將更精細，機房如需擴容也將做成指導。

在直播領域的應用

目前點播源站內(nèi)部分發(fā)，進行模型訓練采用的輸入數(shù)據(jù)是上述數(shù)據(jù)，結果是下載耗時；對于直播來說，可以使用和直播相關的數(shù)據(jù)進行組合與訓練，結果為QoS，生成新的模型，對直播回源的內(nèi)部調(diào)度預測最佳鏈路。