淘宝直播三大核心技术揭秘
王立波(庄恕)2020-09-17

阿里巴巴淘系技术部 高级算法专家王立波(花名:庄恕)受邀参加LiveVideoStackCon 2020线上峰会的分享,为大家带来「淘宝直播窄带高清技术」,本文将结合现场演讲,从直播背景、直播痛点分析、窄带高清、云视频技术趋势几方面为大家详细介绍如何在确保用户体验QOS不变的前提下,实现淘宝直播的技术架构升级和成本大幅缩减。


讲师介绍:

王立波(庄恕),淘系技术部高级算法专家,毕业于上海交通大学少年班、应用数学系。现为淘宝直播音视频算法负责人,是S265编码器的核心成员,参与完成的项目《编码摄像关键技术及应用》获得2019年国家科技进步二等奖。


关注「淘系技术」微信公众号,后台回复:直播  即可下载本场PPT 内容!



本文分享内容主要分为四个部分:


  • 全民直播大时代的背景介绍
    直播痛点分析
    淘宝直播窄带高清技术
    音视频技术趋势探讨



背景-全民直播大时代



image.png


在疫情的影响下,直播从传统的秀场应用逐渐渗透到行业的各个领域。包括在线课堂,旅游,政企,房车销售等等,可以说是全民直播时代已经到来。


image.png


在这样的一个大背景下,过去一年淘宝直播得以快速发展。2019年,淘宝直播拥有了4亿+的年度用户规模,有100万+年度主播入驻,2000亿+年度直播成交以及4000万+直播商品。春节期间,钉钉在线课堂更是有350万+的教师主播,为1.2亿+中小学生提供了在线课程服务。



直播痛点分析



image.png


在这么大的一个业务体量下,我们将会面对非常多的难点与挑战。总的来说,包含以下三个部分,首先是成本,包括带宽、存储和转码三个方面。其次是用户体验,例如画质,音质,秒开、卡顿和延时。最后是效率方面,例如开播的效率、审核的效率和理解分发的效率。接下来我们就来看一下淘宝在成本和体验优化方面做了哪些工作。



淘宝直播窄带高清技术


淘宝直播窄带高清


image.png


淘宝直播有三大核心技术,第一大核心技术是端上窄带高清。我们采用HEVC编码实现了720p,25fps,800kbps的压缩,并且PSNR> 43db/VMAF>90。端上窄带高清技术主要应用有三个方面:第一是音视频增强,采用基于AI的图像增强、美颜和语音增强来提高生产质量。第二是感知处理,采用信源信道联合自适应编码。第三是S265编码器,S265编码器是业界领先的HEVC编码器。


第二大核心技术是零转码系统,我们实现了端到端原始流生产的和播放,成功的解决了两个核心的痛点问题:不同网络速度的兼容和不同播放设备的兼容,后者主要通过高性能解码器实现iOS,Android和H5三端的100%解码。


第三大核心技术是低延时技术,我们实现了端到端秒级延时。主要依靠两个技术,一个是基于RTC的实时直播系统,第二个是S265低延时编码技术。


淘宝直播系统架构


image.png


如图所示淘宝直播的系统架构,从生产侧来看,有采集、增强、感知处理、S265编码四个环节。云端我们有边缘的接入,有中心接入、切片录制和CDN分发以及边缘分发。在播放端有拥塞控制、解码、渲染和显示。除此之外,在云端还有内容审核,质量监控,内容理解和智能分发。


端上窄带高清


image.png


生产侧的第一个环节是图像增强,为了提升主观质量,我们引入了图像增强技术,对编码前的视频做去噪、去抖、纹理增强以及美颜、美型的功能。除此以外,在后处理部分,我们还引入了适时超分和HDR技术来提高观看质量。在美颜、美型以及图像处理等方面,我们引入了GPU的技术,包括内存带宽优化、shader优化、Pipeline优化等等以减少GPU的开销。


image.png


针对音质的优化,我们采用了智能降噪技术。无论是在STO还是PESQ的指标上都显著高于传统WebRTC算法,在性能和包大小方面也都可以实现普通设备的覆盖。下面播放的三段音频,分别是原始音频、RTC降噪和阿里降噪音频。原始音频我们可以明显听到马路上车呼啸而过的声音非常强烈。RTC降噪音频中降噪产生了一定的效果,但是汽车飞驰而过的呼啸声还是非常明显。而在阿里降噪音频中,我们可以听到汽车呼啸而过的声音已经基本消失。


image.png


生产的第二个环节是感知处理。我们采用信源信道联合自适应编码技术。感知处理分为5个方面。

首先是ROI区域的感知,我们基于PixelAI人脸检测加商品检测,对ROI区域进行提取和重点编码。

第二是场景的感知,不同的场景适合不同的编码参数,我们通过对场景进行分类,对于不同的场景赋予不同的编码参数来提高压缩质量。

第三个是智能码控CARC,我们采用机器学习的码率控制,对简单场景赋予较低的码率,对复杂的场景赋予较高的码率来实现对带宽的节省。

第四个是网络带宽的感知,在网络比较好的时候,我们会采用比较高的码率来实现画质的提升,在网络不太好的时候,会降低码率,避免发生带宽拥塞,由于cdn采用峰值收费,峰谷时间段还可以采用不同码率策略。

最后是设备算力的感知,不同的设备拥有不同的算力,我们可以实时检测设备的算力情况及时调整编码的档次,以此来实现对算力和质量的平衡。


image.png


生产的第三个环节是编码,这又要讲到我们核心的S265编码器,得益于S265编码器的编码压缩技术,我们实现了淘宝直播的720p、800kbs、25fps编码,相比于业界常见的720p 1600kbps 节省了50%的带宽。

钉钉的在线课堂我们更是把码率压缩到了200kbs,并实现了43db以上的质量。S265是淘宝和阿里云共同发起的HEVC编码器,目前已经实现集团内部的开源,并落地在点播、直播会议等各个场景中。相比起业界优秀的HEVC编码器,S265在PSNR指标上有比较大的优势。首先在编码工具提升方面,我们做了大量工作,实现了HierarchyB、GPB、Bi-Search、Longterm、RDOQ、AdaptGOP等编码工具,并且对这些工具进行了大量的算法和速度优化。

我们还设计了50多种快速算法,比如说Deblock的优化,编码速度对比X265有1倍以上的提速。在工程上的优化,我们做了浮点转定点、位宽的缩减、SIMD的优化、冗余去除、访存效率提升及循环展开等等来提升我们的编码速度。

在框架方面,我们还做了线程调度优化等等。在码率控制方面,我们对帧级别码控和块级别码控分别进行了优化,并且对2pass编码进行了原创性的优化来提高2pass编码的质量。在块级别码控中,我们设计了新的CUTree和AQ算法。


image.png


下面来看一下S265的几个典型优化,首先是CU划分决策,我们把CU划分决策模块分成两个步骤,一是纹理强度决策,通过计算CU的纹理梯度来判别平坦块和复杂块,如果是平坦块就直接退出,如果是复杂块就继续向下划分。

第一步可以解决大部分块划分的决策问题,但是对于模棱两可的块,则需要依靠CNN模型来辅助划分。我们使用了一个5层网络的小模型把决策的准确度从72%提升到了96%;这个成果我们跟清华大学刘老师合作发表了一篇论文,在DCC会议上展示。

image.gif

第二个方面的优化是运动搜索方面的优化。运动搜索是从参考帧寻找最佳匹配块的过程,包含整像素搜索和分像素搜索,分像素需要做7抽头或8抽头插值滤波,计算量大;整像素搜索已经有比较多的快速算法,比如菱形搜索、六边形搜索及分层搜索,但分像素搜索一直没有什么好的方法。比如在图中矩形的整像素周围,分布着60个分像素点,如果要对分像素点进行全部搜索的话,需要60次,经过优化之后一般需要搜4个、8个或16个点,但搜索次数还是比较多的。

我们采用一个二元二次误差平面方程,用9个整像素点的预测误差来求解方程的5个系数,再对方程求偏导,可得到最佳分像素点的位置。只需对这个最佳分像素点计算1个1/4差值,就可以完成我们的搜索过程。这个技术在编码器的整个提速有12%,但bd-PSNR只有-0.016db。这些成果在VCIP 2016上可以看到。


image.png


第三个是我们的码率控制。ABR是较适合直播的一种码率控制方法。但HM中基于𝑅−𝜆模型的码率控制方法没有考虑图像块与块之间的参考强度,有些块会被后续帧参考有些不会,应该根据一个块被参考的强度来决定它的量化系数。x265,x264中引入了MB-Tree技术,但是由于帧的QP定制不合理,编码效率不高且码控准确度比较差,我们测过平均只有90%左右。

我们根据“每1个bit被分配到任何一个CU,产生的边际价值都相同”这样一个原则,对MB-Tree方法进行了理论创新,使得编码精度提升到了97%,且编码质量提升了0.65db,对应17%的码率节省。


这里有包含三个技术,第1个,I帧的QP推导,x265使用了一个经验值,没有考虑到视频本身的特性,这样做很不合理,我们用预分析中低分辨率图像的复杂度和目标码率,经过多次迭代搜索得到准确的QP;

第2个,随着时间的推移,历史帧的复权重越来越高,新产生的帧权重越来越低,导致其不能很快的响应复杂度的变化,我们根据新产生的帧的参考强度计算出一个𝜆 QP,跟原来的QP做加权得到真正的QP,可以及时的反应新产生帧及其后续帧的复杂度;

第3个,x265采用基于Viterb的P帧决策方法,每个帧都需要跟历史帧比较,复杂度很高,并在判决P帧时没有考虑QP的影响,准确率也不高。我们的算法只需要计算相邻帧的变化率,并引入QP来作为判决阈值,大幅降低了计算复杂度并提高了准确度。这个成果我们与清华大学刘老师合作发表在TIP 2019 05月期刊上。


image.png


第四点我们来看一下S265智能码控技术(CARC)。ABR追求码率控制的精准度,但是它忽略了场景的平均复杂度。如果设定一个统一的码率目标,简单的场景会出现码率过剩,复杂场景会出现码率不足。

另一个方面,人眼对失真的敏感度存在衰减效应,高于一定阈值敏感度下降,此时存在码率过剩。我们采用一个CNN模型对场景进行分类,计算出场景的复杂度因子,根据复杂度因子调节编码码率,可消除简单场景下的码率过剩( > 42db),并提高复杂场景的质量。

平均下来,我们可以节省15-30%的码率,以钉钉在线课堂为例,大部分时间画面是静止或慢速运动的,少数时间会播放教学影片,CARC可以保证播放影片时的质量,同时在静止场景节省大量码字,经过后台统计,钉钉在线课堂720p码率在200kps,且PSNR保持在43db以上。


image.png


最后,我们还有一个画质评价环节。业界常见的客观评价指标有PSNR,SSIM,VMAF,但这些指标只适合于有源场景;但淘宝内容存在大量的无源场景,比如商家上传的视频,手机硬编码的直播视频,这样的视频,都没有参考对象。针对这种场景,我们训练了基于CNN的VQA无源评价模型来对视频图像的质量进行评价,并实现对大盘质量的监控,此外,为了指导线下开发,我们还有一个主观评价系统。


image.png


接下来让我对淘宝的S265编码器做一个简单的总结。MSU国际编码器大赛是大家所熟知的一个比赛。在去年的比赛中有100个序列,同时有1080p和4k两种测试,有3种速度档次,还包括主观和客观测试。

我们用S265对MSU 2019 1080p的测试序列进行了测试,我们的PSNR的指标三个档次上平均节约了42.1%的码率,对比2019年第一名是37.3%,说明S265的PSNR指标在业界领先。下面的两张图片,左边是X265的结果,右边是S265的结果,S265在主观质量上也有比较大的提升,这里特别感谢清华刘老师在S265项目中给予的帮助。


零转码系统


image.png


淘宝直播的第二大核心技术是零转码系统。普通的有转码系统为了适应不同的网络环境,通常会在服务器集群上对上行码流进行各种分辨率、各种码率的压缩来应对各种网络环境,对于一个好的网络,可能更偏向播出一个高分辨率的视频,如果用户的网络不好,会选择播放低分辨率低码率的视频。

淘宝直播则实现了零转码,播放的是原始的生产流。这需要解决三个核心问题。

第一个是端侧生产,我们要生产出高质量低码率视频,这个得益于前面说的S265编码器以及前处理技术。

第二个就是H265的解码兼容性,目前H265在Web解码以及手机芯片解码的兼容上做得还不够好,我们在此做了大量的工作来解决这个问题。


第三个是网络环境的适应能力,我们可以通过SVC技术来适应客户不同的网络环境。


image.png


淘宝直播的零转码系统首先需要解决的是H265的百分之百解码。对于现在常见的高端芯片,例如iphone7以上的手机以及中高端以上的安卓手机都已经支持H265的解码,但还有大量的中低端设备并不能支持H265的硬解,所以我们开发了一个高性能H265解码器。

我们的解码器相比FFmpeg有140%的提速,比业界常见的libhevc也快了许多,相比竞品K也有10%以上的提速,可以实现低端机的软解。除此以外,Web端的解码一直是H265的一个痛点,我们实现了WebAssembly的解码方案,可以覆盖大部分pc解码能力。

除此之外,还有Webkit+Native的解码方式。通过这些努力,我们把H265的解码实现安卓、IOS以及web端百分之百的兼容从而完全去除转码的环节。


image.png


零转码系统需要解决的第二个核心问题是网络自适应技术。这项技术得益于三个方面。


第一个是我们低码率高质量的生产,我们生产的800kbps码流在 90%以上网络都可承载。

第二个是时域可分层SVC策略,如图,在用户网络较好时,淘宝直播会使用100%的下发帧率,如果用户网络不好,将会采用3/4抽帧来实现18帧的解码效果,如果用户网络效果还是不理想,会选择抽取1/2的帧来实现12.5fps的解码效果。除此以外还有一个基于A3C网络来综合用户的网络缓存以及用户当前的编码质量来实现QoE的最大化。


低延时技术


image.png


淘宝直播的第三个核心技术是低延时技术。我们实现了直播端到端秒级延时,还验证了低延时技术的业务价值;

除此之外,低延时还可以支持新业务形态,如拍卖直播、客服直播等。传统的HLS/FLV直播协议的延时,从生产侧来看主要有编码延时、网络延时、分发延时、切片缓冲和播放缓冲,整体加起来大概有10s左右的延时。Flv去除了服务器上的切片缓冲,可以把延时降低到5s左右,但延时时间还是比较长。

但淘宝直播的秒级延时采用了UDP的流媒体传输协议,WebRTC的拥塞控制及FEC、netEQ的拥塞控制算法来去除播放器缓冲,并且尽我们最大努力减少防抖缓冲的大小。在生产侧,我们还采用了低延时的编码技术来降低编码器的延迟。


image.png


这是我们在低延时编码上做的工作。编码延时主要来源三个方面:B帧、Lookahead以及Frame thread。以x265为例,编码效率在一定区间内与延时成正比。当延时降低到8帧时,编码效率下降20%,5帧的编码效率下降30%;优化后S265采用了短距Lookahead CU-tree传播代价以及运动强度,作为机器学习模型的训练数据,预测长距lookahead CU-tree传播代价来提高我们在低Lookahead下的编码质量。如图,S265在5个延时帧下,可达到95%以上的编码效率。


image.png


最后一起来讨论一下音视频技术的发展趋势。我个人觉得传统信号处理已经非常成熟,AI又有比较强的学习能力,所以怎么结合传统信号处理的优势和AI的学习能力来提高我们内容的生产以及内容理解、传输等等的效率是我们下一步的发展趋势。

主要包含五个方面,第一个是视频编解码,第二个是智能语音处理,第三个是图像增强技术,第四个是内容理解算法,第五个是高效传输技术。



基于音视频技术趋势探讨


视频编解码


image.gif首先来看一下视频编解码,视频编解码的第一个趋势是云边端一体编码系统。

硬编码主要面对的挑战是压缩效率。我们知道传统的手机芯片压缩都会考虑到PPA问题,所以会提供一个相对而言较低的压缩效率。


软编码的挑战主要是压缩速度,虽然有些像Intel的SVT技术可以把压缩速度提到比较高的水平,但是画质会有一些受损。


未来趋势个人觉得尽可能的利用到端侧的算力,采用高性能软编码器来缓解云端转码的成本压力 ,把手机芯片硬编码能力利用起来,但是移动端芯片硬编码的质量还不够好,如何优化移动端芯片硬编码质量是一个关键的点;

其次是云+边的统一的转码。现在越来越多的ASIC芯片和GPU芯片已经在努力优化编码的质量,包括FPGA芯片也有优化方案。所以云+边的转码会成为我们下一阶段研究的重点。


视频编解码的第二个趋势是下一代编码标准的应用。主要有H266、AV1、AVS3,这三个标准目前是各有自己的优势。H266在传统芯片的支持上比较好;AV1有先发优势,而且Web兼容性较好,在专利上也有些优势;AVS3经过大家的努力,已经拥有国内生态,且在实体清单的影响下AVS3的发展可能会加速。


第三个趋势是AI+编码。大家也注意到CVPR比赛的情况,AI压缩可以实现对比H266更好的压缩结果,但是在解码速度方面还是会有一些问题,端到端DL压缩在未来会是一个研究热点。除此以外,混合编码框架下的AI压缩也是一个研究热点;第三是场景自适应编码技术,能够根据场景选择编码也是一个很好的技术;第四个是无参考评价系统,在很多时候,有参考可以评价的比较客观,但很多时候,我们拿不到参考,这时候,无参考评价系统就会比较有优势。


智能语音处理


image.png


对于智能语音处理,总结下来主要也分为三个方面。

第一是前端3A处理,主要考察PESQ,STOI的指标以及处理和收敛速度,智能降噪,智能回声消除,盲源分离技术,自动增益技术也会是信号处理和AI的非常好的结合点;

第二是后端网络自适应,先考察丢包下的声音体验。这里有音频超分,智能PLC,自适应码率以及RSFEC、NACK来实现恢复与延时的平衡等等;

第三,音效与评价主要考察核声音的主观体验,如何做到智能美声、自动混响和无参考评价会是我们研究的方向。


图像增强、视频内容理解、高效传输技术


image.png


第三个方面是图像增强,即如何利用传统图像增强与AI结合达到智能去噪、暗光增强、智能选帧和拍摄辅助的效果。

第四个方面视频内容理解,可以用多模态技术来理解视频内容包括通用物体检测、文本语义理解、自然语言处理NLP、标签体系和大规模检索技术等等。

第五个方面是高效传输技术,5G的到来可以提供高带宽,低延时的传输,如何利用5G优势实现智能带宽预测,智能调度系统是我们在网络传输方面研究的一个方向。