近日，快手與清華大學(xué)孫立峰團(tuán)隊(duì)聯(lián)合發(fā)表論文《Towards User-level QoE: Large-scale Practice in Personalized Optimization of Adaptive Video Streaming》，被計(jì)算機(jī)網(wǎng)絡(luò)領(lǐng)域的國(guó)際頂尖學(xué)術(shù)會(huì)議 ACM SIGCOMM 2025 錄用。該論文提出了一種創(chuàng)新的視頻流優(yōu)化系統(tǒng) —— 靈犀系統(tǒng)，這是業(yè)界首個(gè)成功部署在大規(guī)模生產(chǎn)環(huán)境中、面向用戶個(gè)性化體驗(yàn)的自適應(yīng)視頻流優(yōu)化系統(tǒng)。

• 論文：《Towards User-level QoE: Large-scale Practice in Personalized Optimization of Adaptive Video Streaming》
• 論文地址：https://dl.acm.org/doi/10.1145/3718958.3750526

ACM SIGCOMM 是全球計(jì)算機(jī)網(wǎng)絡(luò)領(lǐng)域歷史最悠久、聲望最高的旗艦學(xué)術(shù)會(huì)議之一。該會(huì)議對(duì)論文的質(zhì)量和創(chuàng)新性有著極為嚴(yán)苛的標(biāo)準(zhǔn)，每年錄用率極低。入選 SIGCOMM 的論文通常代表了網(wǎng)絡(luò)研究的最新突破和未來(lái)方向，不僅要求研究工作具有堅(jiān)實(shí)的理論基礎(chǔ)和系統(tǒng)性的實(shí)踐驗(yàn)證，更強(qiáng)調(diào)其對(duì)學(xué)術(shù)界和工業(yè)界的深遠(yuǎn)影響。歷史上，從奠定互聯(lián)網(wǎng)基石的 TCP/IP 協(xié)議到引領(lǐng)網(wǎng)絡(luò)變革的軟件定義網(wǎng)絡(luò)（SDN）等諸多里程碑式的技術(shù)，都曾在 SIGCOMM 上首次亮相，深刻推動(dòng)了全球網(wǎng)絡(luò)技術(shù)的發(fā)展與演進(jìn)。

視頻流體驗(yàn)的個(gè)性化優(yōu)化在學(xué)術(shù)界與工業(yè)界已進(jìn)行諸多探索。然而，現(xiàn)有的方法在真實(shí)的大規(guī)模生產(chǎn)環(huán)境部署中，常常面臨著一些根本性制約，如顯式用戶評(píng)分干擾用戶體驗(yàn)、控制帶寬進(jìn)行播放干預(yù)導(dǎo)致體驗(yàn)受損、優(yōu)化不連續(xù)以及難以規(guī)?；取ｌ`犀（LingXi）系統(tǒng)的設(shè)計(jì)初衷便是為了系統(tǒng)性地攻克這些難題，實(shí)現(xiàn)一個(gè)真正可部署、可持續(xù)、無(wú)打擾的個(gè)性化 QoE 優(yōu)化框架。如下表 1 清晰地展示了靈犀系統(tǒng)與既往方法的核心區(qū)別：

表 1：靈犀系統(tǒng)與既有工作的核心區(qū)別

一、背景：從傳統(tǒng) QoS 到個(gè)性化 QoE 的轉(zhuǎn)變

1. 系統(tǒng)級(jí) QoS 優(yōu)化的性能瓶頸

為了驗(yàn)證傳統(tǒng) QoS 優(yōu)化方法的局限性，我們進(jìn)行了一項(xiàng)為期數(shù)天的大規(guī)模線上 A/B 測(cè)試。實(shí)驗(yàn)組采用兩種不同的 QoS 優(yōu)化傾向：Alg2（基線）、Alg3（優(yōu)先保障視頻質(zhì)量）、Alg1（優(yōu)先降低卡頓）。如圖 1 所示，盡管各算法在具體 QoS 指標(biāo)（圖 1-a；1-b）和線性 QoE 模型（圖 1-c）上表現(xiàn)出差異，但在最核心的真實(shí)用戶體驗(yàn)指標(biāo) —— 總觀看時(shí)長(zhǎng)（圖 1-d）上，沒有任何算法表現(xiàn)出持續(xù)且具有統(tǒng)計(jì)顯著性的優(yōu)勢(shì)。這一結(jié)果證明，在現(xiàn)代視頻流系統(tǒng)中，僅提升系統(tǒng)級(jí)的 QoS 指標(biāo)已難以直接轉(zhuǎn)化為真實(shí)用戶體驗(yàn)的改善，傳統(tǒng)的優(yōu)化路徑已趨于飽和。

(a) 目標(biāo) 3 實(shí)現(xiàn)了最高的視頻質(zhì)量

(b) 目標(biāo) 1 實(shí)現(xiàn)了最低的卡頓時(shí)間

(c) 目標(biāo) 1 實(shí)現(xiàn)了最高的線性 QoE 分?jǐn)?shù)

 (d) 沒有算法可以取得明顯的觀看時(shí)長(zhǎng)提升

圖 1：A/B 測(cè)試中具有不同優(yōu)化目標(biāo)的算法獲得的 QoS 和 QoE

2. 識(shí)別關(guān)鍵 QoE 影響因子：聚焦 “卡頓”

為了尋找新的優(yōu)化突破口，我們必須理解不同 QoS 指標(biāo)對(duì)用戶行為的真實(shí)影響。我們以 “用戶退出率” 作為衡量 QoE 的細(xì)粒度指標(biāo)，分析了上百萬(wàn)條真實(shí)播放軌跡。

(a) 視頻質(zhì)量

(b) 視頻流暢性

(c) 整體卡頓時(shí)間

(d) 復(fù)合效應(yīng)下的卡頓時(shí)間

圖 2：QoS 指標(biāo)對(duì)退出率的影響

如圖 2 所示，我們發(fā)現(xiàn)不同 QoS 指標(biāo)對(duì)退出率的影響存在顯著的量級(jí)差異：

• 視頻質(zhì)量 (圖 2-a)：影響量級(jí)在 10?3。
• 視頻平滑度 (圖 2-b)（碼率切換）：影響量級(jí)在 10?2。
• 卡頓時(shí)長(zhǎng) (圖 2-c)：影響量級(jí)在 10?1，是前兩者的 10 倍乃至 100 倍。

結(jié)論 1：在所有 QoS 指標(biāo)中，卡頓事件是影響用戶體驗(yàn)的最主要負(fù)向因素。由于其影響的權(quán)重遠(yuǎn)超其他因素，且用戶行為本身存在大量與 QoS 無(wú)關(guān)的噪聲，因此，對(duì)影響較小的指標(biāo)進(jìn)行個(gè)性化建模極易被噪聲淹沒。一個(gè)有效的個(gè)性化 QoE 優(yōu)化系統(tǒng)，必須將建模的重心放在用戶對(duì)卡頓的響應(yīng)上。

3. 驗(yàn)證個(gè)性化優(yōu)化空間：用戶感知的 “千人千面”

在確定卡頓為核心優(yōu)化目標(biāo)后，我們進(jìn)一步探究了用戶對(duì)卡頓的感知是否存在個(gè)體差異。

(a) 平均可容忍卡頓時(shí)間的累積分布

(b) 用戶在遇到不同卡頓時(shí)間時(shí)的案例

圖 3：卡頓的個(gè)性化感知。

如圖 3 (a) 所示，用戶平均可容忍卡頓時(shí)長(zhǎng)的累積分布函數(shù)表明，用戶間的卡頓容忍度差異巨大，并且具有一定穩(wěn)定性。同時(shí)，圖 3 (b) 展示了不同用戶的真實(shí)反應(yīng)曲線，清晰地呈現(xiàn)出三種模式：敏感型（卡頓輕微增加，退出率即飆升）、閾值敏感型和不敏感型。

結(jié)論 2：用戶對(duì)卡頓的感知和容忍度存在顯著的、穩(wěn)定的個(gè)體差異性與時(shí)間動(dòng)態(tài)性。這為實(shí)現(xiàn)用戶級(jí)的個(gè)性化 QoE 優(yōu)化提供了堅(jiān)實(shí)的理論基礎(chǔ)和巨大的優(yōu)化空間。

二、算法設(shè)計(jì)：靈犀系統(tǒng)的三大核心組件

基于以上洞察，我們?cè)O(shè)計(jì)了靈犀系統(tǒng)。它并非一個(gè)全新的 ABR 算法，而是一個(gè)可以與任何現(xiàn)有 ABR 算法兼容的動(dòng)態(tài)優(yōu)化目標(biāo)調(diào)整模塊。靈犀系統(tǒng)的模塊化架構(gòu)使其能夠便捷地集成到現(xiàn)有傳輸系統(tǒng)中，不對(duì)播放過(guò)程進(jìn)行干預(yù)保證了生產(chǎn)環(huán)境安全，基于用戶自然觀看行為無(wú)需顯式反饋避免打擾用戶體驗(yàn)，同時(shí)通過(guò)實(shí)時(shí)追蹤用戶偏好變化實(shí)現(xiàn)持續(xù)的個(gè)性化優(yōu)化。靈犀系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)如圖 4 所示。

圖 4：靈犀系統(tǒng)概覽

其核心架構(gòu)由三個(gè)協(xié)同工作的組件構(gòu)成：

1. 在線貝葉斯優(yōu)化 (Online Bayesian Optimization, OBO)：參數(shù)的動(dòng)態(tài)探索者

由于用戶 QoE 與 ABR 參數(shù)之間的函數(shù)關(guān)系是未知的 “黑盒”，并且用戶偏好會(huì)隨時(shí)間動(dòng)態(tài)變化?；谶@一背景，我們需要一個(gè)樣本效率高、能處理黑盒問(wèn)題并適應(yīng)動(dòng)態(tài)環(huán)境的算法，即在線貝葉斯優(yōu)化 (Online Bayesian Optimization, OBO)。靈犀系統(tǒng)會(huì)為每個(gè)用戶獨(dú)立運(yùn)行 OBO 過(guò)程，利用歷史 “參數(shù) - 體驗(yàn)反饋” 數(shù)據(jù)點(diǎn)，構(gòu)建高斯過(guò)程代理模型來(lái)擬合未知的目標(biāo)函數(shù)。通過(guò)最大化采集函數(shù)（Acquisition Function），OBO 能夠智能地在 “探索”（嘗試不確定性高的參數(shù)）和 “利用”（選擇當(dāng)前最優(yōu)的參數(shù)）之間進(jìn)行權(quán)衡，為每個(gè)用戶持續(xù)迭代尋找當(dāng)前最優(yōu)的 ABR 參數(shù)（如卡頓懲罰因子）。

2. 蒙特卡洛采樣 (Monte Carlo Sampling)：決策的未來(lái)模擬器

當(dāng) OBO 給出一個(gè)候選參數(shù)后，靈犀系統(tǒng)會(huì)啟動(dòng)蒙特卡洛模擬。它基于用戶歷史網(wǎng)絡(luò)狀況建立帶寬模型，并從當(dāng)前播放器狀態(tài)開始，進(jìn)行多次獨(dú)立的虛擬播放。在每次模擬中，系統(tǒng)都使用該候選參數(shù)驅(qū)動(dòng) ABR 進(jìn)行決策，并利用退出率預(yù)測(cè)器計(jì)算每個(gè) segment 的退出概率。最終，通過(guò)匯總所有模擬軌跡的平均退出率，來(lái)評(píng)估該候選參數(shù)的長(zhǎng)期影響，從而實(shí)現(xiàn)對(duì)短期和長(zhǎng)期 QoE 的對(duì)齊。

3. 混合退出率預(yù)測(cè)器 (Hybrid Exit Rate Predictor)：體驗(yàn)的精準(zhǔn)量化器

圖 5：混合退出率預(yù)測(cè)器神經(jīng)網(wǎng)絡(luò)架構(gòu)

卡頓是影響 QoE 的主導(dǎo)因素，且其與其他 QoS 指標(biāo)（如畫質(zhì)、觀看時(shí)長(zhǎng)）的交互效應(yīng)復(fù)雜且非線性。因此，我們?cè)O(shè)計(jì)了一個(gè)混合模型來(lái)捕捉這種復(fù)雜性，既保證對(duì)核心痛點(diǎn)（卡頓）進(jìn)行個(gè)性化精準(zhǔn)建模，還有效避免了在低影響因素上的個(gè)性化建模所可能引入的噪聲，從而實(shí)現(xiàn)了模型性能與魯棒性的平衡。

• 個(gè)性化神經(jīng)網(wǎng)絡(luò)：專門用于預(yù)測(cè)發(fā)生卡頓時(shí)用戶的退出率。該網(wǎng)絡(luò)（如圖 5 所示）輸入包括短期播放狀態(tài)（碼率、吞吐量、卡頓時(shí)長(zhǎng)序列）和長(zhǎng)期用戶狀態(tài)（歷史卡頓間隔、歷史卡頓 - 退出間隔），能夠捕捉復(fù)雜的非線性關(guān)系和用戶個(gè)體特征。
• 整體統(tǒng)計(jì)模型：對(duì)于未發(fā)生卡頓的場(chǎng)景，由視頻質(zhì)量、平滑度等影響較小的因素主導(dǎo)，我們使用從全體用戶日志中得到的統(tǒng)計(jì)模型進(jìn)行預(yù)測(cè)。

三、實(shí)驗(yàn)效果：大規(guī)模 A/B 測(cè)試的有力證明

我們?cè)诳焓制脚_(tái)上進(jìn)行了為期 10 天的大規(guī)模 A/B 測(cè)試，將靈犀系統(tǒng)與生產(chǎn)環(huán)境中經(jīng)過(guò)高度優(yōu)化的基線 ABR 算法進(jìn)行對(duì)比。

1. 整體 QoE 與 QoS 雙重提升

(a) 總觀看時(shí)長(zhǎng)

(b) 碼率

(c) 卡頓時(shí)間

圖 6：靈犀系統(tǒng)的 A/B 實(shí)驗(yàn)

實(shí)驗(yàn)結(jié)果顯示，靈犀系統(tǒng)在總觀看時(shí)長(zhǎng)（QoE）、平均視頻碼率（QoS）、總卡頓時(shí)長(zhǎng)（QoS）方向上均取得了全面且顯著的性能提升。這證明靈犀系統(tǒng)在優(yōu)化用戶主觀體驗(yàn)的同時(shí)，也協(xié)同改善了客觀服務(wù)質(zhì)量指標(biāo)。

2. 低帶寬長(zhǎng)尾用戶的顯著收益

靈犀系統(tǒng)更大的價(jià)值體現(xiàn)在對(duì)播放體驗(yàn)更敏感的低帶寬用戶上。

(a) 在線參數(shù)

(b) 卡頓時(shí)間

圖 7：不同帶寬下的靈犀系統(tǒng)性能

如圖 7 所示：

• 參數(shù)自適應(yīng)：在低帶寬（<2000 kbps）區(qū)域，卡頓風(fēng)險(xiǎn)高，靈犀自動(dòng)為用戶分配了更保守的 ABR 參數(shù)；在高帶寬區(qū)域，則采用更激進(jìn)的參數(shù)以追求更高畫質(zhì)。
• 卡頓優(yōu)化效果：在帶寬低于 2000 kbps 的場(chǎng)景下，靈犀系統(tǒng)使卡頓時(shí)長(zhǎng)減少了約 15%，極大地改善了弱網(wǎng)用戶的觀看體驗(yàn)。

3. 個(gè)性化優(yōu)化的直接驗(yàn)證

為了驗(yàn)證靈犀系統(tǒng)在 “因人而異” 優(yōu)化方面的效果，我們分析了用戶的卡頓敏感度與其對(duì)應(yīng)參數(shù)之間的關(guān)系。

圖 8：多日卡頓退出率與ABR參數(shù)關(guān)系分析

如圖 8 所示，用戶的卡頓退出率（衡量其對(duì)卡頓的敏感度）與系統(tǒng)為其分配的 ABR 參數(shù)之間存在明顯的負(fù)相關(guān)關(guān)系。即對(duì)卡頓越敏感（退出率越高）的用戶，系統(tǒng)分配的參數(shù)越保守，反之亦然。

四、總結(jié)

靈犀（LingXi）系統(tǒng)的成功實(shí)踐，標(biāo)志著自適應(yīng)視頻流優(yōu)化范式的一次關(guān)鍵演進(jìn)，即從以往追求單一、靜態(tài)的系統(tǒng)級(jí)優(yōu)化目標(biāo)，轉(zhuǎn)向了為成千上萬(wàn)個(gè)動(dòng)態(tài)、獨(dú)立的個(gè)性化用戶目標(biāo)提供量身定制的策略，實(shí)現(xiàn)了真正的 “千人千面”。

該系統(tǒng)通過(guò)混合預(yù)測(cè)器、蒙特卡洛模擬與在線貝葉斯優(yōu)化架構(gòu)，精準(zhǔn)量化并持續(xù)適應(yīng)每個(gè)用戶的獨(dú)特體驗(yàn)偏好。在覆蓋數(shù)千萬(wàn)用戶的生產(chǎn)環(huán)境驗(yàn)證中，這一用戶級(jí)優(yōu)化范式不僅帶來(lái)了整體 QoE 與 QoS 的雙重提升，更關(guān)鍵的是，它為長(zhǎng)期困擾行業(yè)的弱網(wǎng)用戶帶來(lái)了高達(dá) 15% 的卡頓減少，并直觀地展現(xiàn)了為不同敏感度用戶匹配差異化策略的能力。綜上，靈犀系統(tǒng)為大規(guī)模、用戶級(jí)的個(gè)性化 QoE 優(yōu)化提供了突破當(dāng)前行業(yè)瓶頸的關(guān)鍵路徑。