直播 QoE 监控体系设计与落地（四）：端智能驱动的基于 AI 卡顿预测与优化

在直播应用中，卡顿问题一直是影响用户体验的重大障碍。传统的卡顿优化方法大多是被动修复：当卡顿发生时，才通过降低视频质量、增加缓存等手段进行处理。这些方法往往反应滞后，无法提前预防卡顿的发生，且优化过程存在一定的局限性。

为了更加智能地解决这一问题，基于 AI 的自学习模型应运而生。AI 自学习模型通过分析历史卡顿数据，学习不同环境下可能引发卡顿的因素，从而提前预测并优化卡顿发生的概率和影响，实现在用户体验受到影响之前进行调整。这不仅仅是被动修复，而是主动避免卡顿的发生，从根本上提升用户体验。

AI 自学习模型的概念

AI 自学习模型通过数据驱动的方式，系统能自动学习并预测未来可能发生的卡顿情况。通过大量历史数据的积累，模型能识别出导致卡顿的关键因素，并作出预测。最终，系统可以在卡顿发生之前，提前采取措施，从而减少卡顿发生的频率。

自学习模型的基本原理

通过历史数据进行训练，模型能够自动学习不同因素（如设备负载、网络波动等）与卡顿发生之间的关联。通过算法模型（如决策树、神经网络等），基于数据训练，调整模型参数，提升预测准确度。训练完成后，模型可以在端侧进行实时推理，根据实时数据预测卡顿发生的可能性，并提前采取预防措施。

如何实现卡顿预测

1. 数据采集

数据是 AI 模型的基础。需要从以下几个层面收集数据：

• 设备信息：包括 CPU 占用率、内存使用情况、温度、GPU 占用等。

• 网络状态：网络带宽、延迟、丢包率、波动等。

• 播放器状态：解码延迟、帧率、渲染延迟、缓冲状态等。

2. 特征提取与标签

根据这些数据，可以提取出如下关键特征：设备负载超过 80% 时，卡顿发生的概率更高；网络带宽波动超过 30% 时，卡顿的可能性增大；解码延迟超过 500ms 时，卡顿可能发生。同时将卡顿事件和无卡顿事件进行标签化，以便在训练时作为目标输出。

3. 模型训练

一旦收集了足够的标注数据，便可以开始模型训练。常见的算法模型包括：决策树（用树形结构决定卡顿是否发生）；支持向量机（SVM，通过高维数据分类和回归判断卡顿发生）；神经网络（尤其是深度学习模型，能够捕捉复杂的非线性关系）通过训练，调整模型的超参数，提升其在不同场景下的预测准确性。

如何将 AI 预测应用到实时优化

1. 预测与实时反馈

AI 模型能够基于实时输入数据（例如设备状态、网络状况等）预测卡顿的可能性。如果预测到卡顿即将发生，系统可以采取以下优化措施：

• 动态调整缓存策略：通过增加缓冲区大小，预加载更多数据，确保播放器可以平滑播放。

• 降低分辨率/帧率：自动调整视频质量，减轻系统负担，避免卡顿发生。

• 切换解码方式：当设备负载过高时，自动切换到硬解模式，减少 CPU 占用，提升系统性能。

• 丢帧：帧缓存队列过多，音画不同步时，根据测量丢帧，保留关键帧或用户体验更好的帧

• 动态码率：网络较差时，可动态调整用户的码率，保证流畅性

这些优化措施可根据预测结果和系统当前的资源状态进行动态调整。

2. 端侧推理与实时应用

为了确保实时优化，AI 模型需要在端侧进行快速推理，这意味着需要将模型部署到设备上（通过 MNN、TensorFlow Lite 等框架），以便快速响应实时数据。

推理过程包括：获取设备的实时状态数据；将数据输入到训练好的模型中进行预测；根据预测结果调整系统设置，避免卡顿发生。

3. 实时模型部署

在端侧进行实时推理时，模型必须非常轻量化，以保证推理速度和资源占用。通过将模型转换为 MNN、TensorFlow Lite 或其它适合嵌入式设备的格式，可以让模型快速执行，而不影响应用的流畅性。

在我们的直播平台中，AI 自学习模型已经得到应用。通过实时预测卡顿发生的概率，系统能够在网络波动和设备负载较高的情况下，提前采取措施，避免卡顿影响用户体验。最后，卡顿发生率减少了 20%+，NPS 得到提升，系统稳定性进一步提高。

这些结果表明，AI 自学习模型能优化卡顿，可以大幅度提高用户体验。

总结与未来展望

AI 自学习模型为直播平台的卡顿优化提供了一个全新的思路。通过训练模型，系统能够提前预测卡顿并自动采取优化措施，从而减少卡顿的发生频率，提升用户体验。

在本篇博客中，介绍了如何利用 AI 自学习模型对卡顿问题进行预测与优化。AI 模型不仅能够实时监测和分析数据，还能基于预测结果自动调整系统设置，从而大幅度提升用户的观看体验。在未来，随着技术的不断进步， AI 自学习模型将在提升 QoE 和优化直播体验方面发挥更大的作用。