网易视频云：浅谈视频云直播场景、技术及优化.docx

网易视频云:浅谈视频云直播场景、技术及优化

随着互联网视频化的发展,各类网络直播产品层出不穷,涌现出了秀场直播、游戏直播、教育直播、演唱会直播和监控直播等多个直播生态圈。这些生态圈形成的背后,是视频直播相关技术的不断发展,例如互联网带宽的日益增加,视频压缩标准的日渐完善,视频云技术的出现等。特别是视频云技术的出现,它降低了开发者的准入门槛,解决了视频企业的“三高”之痛,即技术门槛高、成本高、卡顿延时率高,为未来几年视频直播的大爆发奠定了坚实的技术基础。
所谓视频云直播技术,就是用云端模式,提供视频直播解决方案的技术,它涉及视频直播的各个环节,例如直播视频采样、编码、推流、转码、分发、拉流、解码和播放等。使用Iaas、Paas和Saas三种形式,视频云直播能为各种场景的直播应用提供接口级服务、平台级服务和产品级服务。依托视频云,直播开发者不在关心视频和网络的细节,他们只要把精力集中于产品应用层面即可。未来,网络直播产品将会表现为如下一种形态:上层多样化的直播模式+下层组件化的视频云模式。
深入视频云直播内部,会发现其具有复杂化、多样化和组件化的特点。所谓复杂化,是指音视频技术复杂和互联网环境复杂;所谓多样化,是指直播应用场景具有多样性;所谓组件化,是指直播技术各个环节的模块化和独立性。在视频云直播中,技术主线永远是音视频流的输入、传输和输出。但针对每一类直播场景,使用的具体技术和实现手段都不一样。随着直播量级的变化,必须对视频云各个环节进行优化,以化解流量暴增带来的压力。因此,视频云直
播的构建是一项艰巨的任务。接下来,本文将从场景、技术和优化三个角度,详细阐述视频云直播。

考虑如下一种场景:一个主播者坐在电脑前,通过前置摄像头和麦克风,把自己的音视频信息输出到网络上,多人在各地通过互联网实时观看主播者的表演。这就是经典的秀场直播。这里存在几个关键点:;;。
首先讲音视频传输,它又细分为三点:源端的音视频输出、网络端的流传输和播放端的音视频获取。第一点音视频输出,首先必须收集主播的声音和图像,就是所谓的音视频采集;采集后的声音和图像,需要转换成字节码、混合并压缩,最后封装成某种音视频格式,就是所谓的音视频编码;编码后的音视频格式,还不能在网络传输,需要转换成某种码流,如RTMP,然后推送到网上,即上传码流到服务器,就是所谓的推流。上述“采样-编码-推流”,构成了视频云直播端的核心功能。第二点音视频码流的网络传输,把主播者的音视频流分发传输给所有观看者;对于无法适配源端码流的观看者,在网络端转换码流,使其也能正常观看。上述“分发-转码”,构成了视频云服务端VDN(Video work视频分发网络)的核心功能。第三点播放端的音视频获取,首先从网络获取合适的音视频码流,就是所谓的拉流;然后对流进行解析,其中的音视频格式进行解封,就是所谓的解码;最后提取出单独的音频和视频,进行播放。上述“拉流-解码-播放”,构成了视频云播放端的核心功能。因此,如图1所示,仅秀场直播场景的音视频传输,就涵盖了视频云三个核心点:直播端、播放端和视频分发网络,实现技术门槛很高。

接着讲实时这一点,在直播场景中,延时性要求很高,基本不超过10秒。因此,传统的文件上传/下载模式,对于直播不可行。传统的内容分发网络(CDN)也不适用直播。视频云必须
开发独特的流分发网络,应对直播场景实时性。同时,经典秀场直播无实时交互需求,延时性不要求1秒之内。因此流媒体传输,一般选用基于TCP的RTMP协议,无需选择实现难度更大但延时更低的RTP类协议。
最后讲一对多模式,就是一人讲,多人听。这是一种视频云直播最擅长解决的模式。在互联网现实应用中,还有很多种其他模式,例如多对多模式,就是多人互动直播,即视频会议;二对多模式,就是两人互动,然后多人听,即连麦;一对一模式,就是两人视频互动,即实时视频聊天。各种模式,由于实时性要求不同,参与人数不同,实现难度各不相同。本文围绕的场景是一对多模式,该模式最常用。

如图2所示,视频云直播的总体框架分为三层:最上层是直播SDK、中间为API接口层、最下面为云端服务层。各层都有一些关键技术点,例如直播SDK层主要包含直播端推流和播放端拉流两个关键技术;API接口层主要涉及安全控制这一关键技术;云端服务层主要涉及VDN流分发这一关键技术。接下来,我们详细描述这些技术点。



直播端和播放端是视频云直播SDK的核心。直播端是直播应用的起点,负责采样、编码和推流。播放端是直播应用的终点,负责拉流、解码和同步播放。如图3所示,播放端的处理基本