火山引擎总裁谭待解析超视频时代音视频架构建设与演进

6月28日，火山引擎总裁谭待受邀参加Science与Intel联袂推出的《架构师成长计划2.0》，解读了火山引擎视频云在超视频时代的音视频架构建设与演进。本文基于演讲内容整理。

根据中国网络视听节目服务协会的数据，截至2020年6月，互联网视频用户规模已达9亿。随着视频用户规模和使用时长逐步见顶，“传统”行业也诞生出新视频场景。视频云步入下半场，来到了超视频时代，这个时代有以下两大特点：

• 互联网用户对视频有更极致的需求。用户不再仅仅满足于清晰、流畅的观看体验；对高清化、交互性、沉浸式体验有了更多诉求；

• 视频云渗透到更多“传统”行业。在电商、工业、教育、医疗不断涌现更多落地场景，这些场景对音视频架构带来功能、性能和安全层面不同的挑战。

火山引擎在字节跳动内部服务了抖音、西瓜等亿级DAU应用，不断打磨技术；同时对外服务游戏、教育、零售、汽车等行业头部客户，加深行业理解。

火山引擎视频云团队针对超视频时代打造了端云一体的大规模存储、处理、分发架构。如上图所示，架构主要包含三层：

• 基础设施底座：在边缘云底层网的能力上，覆盖数据中心、城市边缘、用户边缘和终端，实现从1ms 到 40ms的广域网络接入和边缘数据处理能力；在这之上，再通过云原生边缘操作系统，实现云边协同，能够一张大网混合调度；

• 数字基础服务：一方面在底层基础设施上，实现边缘计算、存储、网络和安全的平台封装；另一方面，在中心机房层面，也构建出对应的计算、存储系统，以及重要的数据分析平台。并在数据面和控制面进行打通；

• 视频云解决方案：在这个层面，将底层基础设施和技术平台进一步封装为3个中台：智能媒体生产中台、处理中台和播放中台，满足视频场景的端到端需求。然后再针对业务场景，在中台能力上提供点播、直播、RTC、云游戏等具体产品和解决方案，打造高清化、沉浸式、交互性的视频体验。

低延时与新应用的基础

“一张网调度”是火山引擎边缘系统的最大特点。通过大规模的基础设施覆盖和边缘云原生操作系统，可以让用户实现按需灵活调度分发和计算，满足点播、直播、实时互动、富媒体消息、云游戏、视联网等不同场景需求，为亿级用户提供服务。

通过一张网调度，实时互动可以实现全球 400ms 延时，达标率 ≥99.5%；基于超低延时直播协议信令标准，可以使大规模直播分发延时最快达到500ms。这种方式非常容易扩展到新场景，比如智慧城市和工业制造领域。和互联网应用不同，这些场景的上行流量远大于下行流量，而且需要边缘端大量的计算处理。基于一张网调度，视联网方案就可以解决这些问题。

• 在基础设施层，按边缘算力的分布层级，火山引擎优选全国各省市丰富的边缘资源和运营商网络，并按地理层级部署优质的单线、多线和BGP的节点。结合多种架构的硬件设备，如：X86、ARM服务器、智能网卡、GPU等，实现面向异构算力的边缘基础底座；

• 基于边缘基础设施底座，自研云原生边缘平台，提供边缘自治管理、核心系统组件管理，以及面向大规模部署的镜像服务能力。云原生边缘平台非常关键，有了这一层，才能灵活管理异构的计算和网络资源，真正实现边缘一张网调度；

• 在上层的边缘计算资源服务，火山引擎将边缘能力模块化，提供VPC、弹性IP、高性能负载均衡、防火墙等能力。并搭建了边缘计算资源服务层，按需提供不同的算力单元。比如：虚拟机、容器、网络、函数、渲染等一系列服务；

• 场景应用层纵向维度，配合云边管理和数据管理，实现业务的全域智能调度和实时数据分析。

超大规模、实时处理， 中心架构的新挑战

AI与视频云的结合将是未来的方向。编解码等大量的计算需求，对集中式的计算和存储方式带来延迟和带宽过大的挑战。火山引擎应对超大规模的实时处理需求，基于ROI编码，对计算与存储架构进行了不断迭代。

ROI编码，其基本原理是用户对显著性区域的视频质量比较敏感，希望通过检测+编码来提升显著性区域画质，进而提升用户体验。ROI本身已经被广泛地研究和使用，火山引擎有两个核心优势。

• ROI的分析模块：火山引擎基于字节跳动丰富的视频内容，包括PGC以及带有各种特效、滤镜的UGC内容，创建了自研的多场景数据库用于算法训练，叠加自建数据库和有效AI训练。ROI检测达到了很高的准确率。同时在性能成本上做了诸多优化，例如在GPU上1ms每帧的处理速度，在CPU上3ms每帧处理速度，实现多场景覆盖。

• ROI编码算法：集成在自研的高效编码器上，有很好的压缩性能，能够达到非常好的效果。目前全面应用于字节跳动的视频业务，不仅取得带宽成本的收益，用户指标，包括平均观看时长等等也有显著的提升。

在ROI编码理念下，火山引擎打造了对应的计算与存储架构，如上图所示：

• 橙色系块为计算平台：
• • 计算平台的设计初衷：
• • • 调度要足够快，做到毫秒级
• • • 有调度超大规模算力的能力，大于百万级核数
• • • 系统要足够稳定
• • • 能充分压榨已有算力，也能快速纳入额外弹性资源
• • 因此计算平台使用了多级调度架构，能够在server、client和executor中并发执行，并且支持多云架构，充分利用弹性。
• 蓝色系块为存储系统相关：
• • 应对海量的业务请求，快速响应，高可用
• • • 对存储的视频及视频衍生物提供足够灵活的元数据支持
• • • 解决好多IDC、多云和跨境数据的迁移，复制和治理
• • • 抹平对底层存储系统的依赖
• • • 存储系统的核心：

计算和存储本身密不可分，相互配合。

数据驱动极致视频体验

火山引擎视频云团队以用户体验为核心，但由于用户体验不能量化，很难优化。因此火山引擎基于QoS、QoE指标，客观反馈客户真实体验。

QoS 是从服务或者功能的视角统计服务质量，包括起播时间、百秒卡顿、画质指标、延时等；而QoE 则是从用户视角反映问题，通常是用户播放时长和频次等相关的聚合指标，以反映用户使用意愿。火山引擎在实践过程中，逐渐从最初的关注 QoS 指标，过渡到现在以 QoE 指标为主。

基于这个数据体系，火山引擎打造了数据策略系统。从数据的采集、挖掘、模型的训练到策略的下发，到串联A/B测试平台反馈，最终建立体验指标与业务指标的关联关系，消除元无知。例如，经过大量实验发现，针对短视频feed流的首帧时间，210ms是一个留存率提升边界效应的明显分界点；在秀场直播下，延迟每增加4秒，人均看播时长降低1.3%。有了这些量化数据，就能更好地选择优化目标和优化方式。

面向超视频时代，火山引擎不断进行技术探索，来满足更高清、更交互、更沉浸的视频技术需求。

更高清

今年北京冬奥会上，实现了大规模的8K超高清转播。8K甚至更高分辨率的视频，对视频编码和传输始终是个巨大的挑战，如果压缩能力跟不上，虽然可以牺牲画质在受限带宽下实现8K传输，但这样的体验其实是“高不清”。

火山引擎的端云一体H.266视频解决方案，相比目前主流的265编码方案，能节省30%-50%的码率，可以大大降低超高清视频应用的门槛，加速推进体验升级的进程。

更交互

在业务的发展中，新的交互将会带来新的商业突破。技术的优化可以让更多的互动玩法和商业场景成为可能。

例如在语音沙龙等场景，之前由于架构限制，控制房间内“主播”的数量，一般为20—50；这方面，火山引擎的RTC技术通过订阅逻辑的改造升级，让产品逻辑更加灵活，实现了单房间超千人上麦，这给更多玩法带来了想象空间。

更沉浸

高清和交互是沉浸的两个先决条件，另外两个要素是自由度和虚实融合。

未来更多的视频应用场景将提供更多的自由度，实现可探索、可交互。例如，在全景视频中，可以体验到更广阔的视野；通过多机位拍摄实现的自由视角技术，可以获得多视角体验；而把二者结合，再通过推理、渲染和体感技术，就可以实现真正的六自由度XR视频体验。

火山引擎相信很快会有杀手级的XR应用出现，给视频的呈现和体验模式带来代际的革新。例如，通过VR设备和技术，我们可以实现虚拟场景中，实现更多样化、更沉浸的社交活动。