简介： 随着 5G/ 芯片 / 区块链等等新技术的一直成熟、云计算的遍及和云原生时代带来的诸多便捷，开发者和架构师们眼前的挑战也不再只是 0-1 的建设问题，技术如何更多地带来业务价值成为了一个值得探讨的话题。阿里巴巴团体研究员，阿里云智能视频云业务负责人林昊（花名毕玄），在 QCon 寰球软件开发大会上曾发表了主题演讲《5G 和云原生时代的技术下半场》，以 5G 典型场景音视频为例，探讨相干技术和技术人的下半场，以下内容为演讲整顿。

作者 | 毕玄
起源 | 阿里巴巴云原生公众号

导读：随着 5G/ 芯片 / 区块链等等新技术的一直成熟、云计算的遍及和云原生时代带来的诸多便捷，开发者和架构师们眼前的挑战也不再只是 0-1 的建设问题，技术如何更多地带来业务价值成为了一个值得探讨的话题。阿里巴巴团体研究员，阿里云智能视频云业务负责人林昊（花名毕玄），在 QCon 寰球软件开发大会上曾发表了主题演讲《5G 和云原生时代的技术下半场》，以 5G 典型场景音视频为例，探讨相干技术和技术人的下半场，以下内容为演讲整顿。

很多人可能听过，比方阿里巴巴团体董事局主席逍遥子在很多场合都会讲到，当初世界最大的确定性的变动是数字化，意思是将来大的变动少数是“数字化的减速进行”。而在数字化的趋势中，咱们看到“视频化”有着更大的确定性。

5G+ 云原生，给业务带来什么变动

5G 跟业务零碎关联性最大的两局部是延时更低、带宽更宽。

当初的支流网络比方 4G，延时大略在 10ms～100ms，它的延时范畴还是比拟大。而 5G 通常来讲延时会降到 1～10ms，它的指标是 10ms。那么，当延时变得越来越低、带宽变得更宽的时候，业务上咱们会看到什么样的变动？

上图次要显示的是当带宽变得更大、延时变得更低的时候，会有哪些典型的案例。比方当初特地火的话题——云游戏。游戏对延时要求是特地高的，像赛车类、竞技类等，4G 网络自身曾经不可能让延时再低，但在 5G 场景如果延时压到 50ms 以下，很多业务就有可能变成事实。

所以从 5G 的业务层面，咱们关注的是，什么业务须要更大的带宽，什么业务须要更低的延时。

说到云原生，它的确是当初特地火的一个话题。在去年的双 11，咱们说最大的变动是所有的外围零碎都上云，而往年双 11 咱们对外讲的是所有外围零碎开始云原生化。

但咱们也说，每个人心目标云原生可能都不一样，谁都不晓得什么叫云原生。

对阿里来讲，咱们为什么十分激进地推动云原生？我以前是负责阿里整个外围零碎上云的架构师，我感觉整个业务的演进过程，最重要的是所有的业务开始从基于一个关闭自主的技术体系走向一个凋谢的技术体系，这便是云原生带来最重要的变动。

云原生当前，整个社会建造业务零碎的自有体系会越来越凋谢、越来越公共化。这对很多业务翻新来讲，是有很大帮忙的。因为以前很多货色得本人做，但当初很多货色可能能够基于一个绝对比拟成熟的技术去做。就像阿里看到有一些业务在云原生化当前，对咱们整个业务翻新的速度、业务迭代的速度产生十分大的帮忙。

最典型场景：视频

像后面说到，5G 带来低延时和大带宽，云原生带来的是走向一个凋谢公共的自在体系。那 5G + 云原生当前，最典型的场景到底是什么？什么样的场景对 5G 和云原生有特地大的诉求？

从目前来看，咱们十分确定的是视频。因为疫情起因，往年视频如同忽然就成为了整个行业特地火的业务翻新以及技术创新畛域。但其实视频技术曾经倒退很多年了，只是往年看起来再度暴发。

我想很多人有这样一些感触：以前少数业务零碎外面其实是没有视频的，但当初大多数业务零碎，都开始或多或少地引入视频。短视频、直播以及音视频通信是以后最火的几个场景。

咱们认为从场景层面来讲，视频是十分典型的 5G+ 云原生的场景，起因是：所有做视频业务的，不论是直播业务、短视频业务、还是音视频通话业务，关注的第一要点就是体验。

做视频最重要的是体验，比方看直播是不是足够晦涩、画面的清晰度怎么样，短视频亦然，音视频通话就更加是了——比方大家开视频会议最关注的是能不能听分明对方在说什么，另外是画面够不够晦涩。

所以一旦做这个业务当前，第一要关怀的话题是体验，而视频业务的体验要做得好，面临的第一个问题就是视频能不能很好地散发到离各个用户比拟近的一个点。

说实话，少数中小型守业公司甚至很大规模的公司都很难解决这个问题。通常来讲，为了把整个体验做得十分好，少数业务上来就须要依赖背地一张微小的网络，而这个网络通常只有云厂商公司会提供，因为其余公司要构建这张网络是须要十分大的投入。

所以，从体验上来讲，视频是十分典型的、会更多地思考到应该去应用云原生的服务，而不是本人从头构建。

除了体验，视频业务开始做之后面临的第二个比拟大的问题是老本。视频跟很多业务不一样，这些业务规模如果没有上来，付出的代价兴许不是太大，可能只是做几台计算资源的机器、一点存储、一点数据库。当然，如果是做大数据和 AI，绝对投入就更大一些。

然而，一做视频就会在带宽上面临十分大的挑战，因为带宽“上来就是钱”。除了带宽以外，视频略微做大一点，还会面临存储老本，因为要存下来，而视频的文件显然比以前所有的货色都大。

有了存储当前，视频还会面临计算耗费的问题，因为可能要对视频做一些解决，比方做一些编解码或其余货色，导致计算资源整体会有比拟大的耗费。所以整体来看，视频除了解决体验问题以外，还会面临微小的老本耗费的问题。而为了解决老本问题，可能会产生各种问题。所以咱们能够看到，对于很多团队来讲，基于视频的云原生服务是一个绝对来讲比拟好的抉择。

讲下我本人的另外一个感触，我感觉 视频业务是须要在根底技术畛域投入十分大的技术畛域。比方要让视频在散发的过程中、播放的过程中将带宽管制得更好，咱们可能要去解决的问题是怎么让少数用户看到的视频画面质量不怎么扭转的状况下，怎么把带宽老本降下去，管制码率。对很多公司来讲这是十分重要的，因为在大多数公司的业务中，多数视频占了最多的带宽费用，但又不能把大量视频的品质降下去。因为品质如果降下去，会影响用户体验。

为了解决这个问题，咱们可能须要投入大量的人员去做编解码优化。当然开源也是有的，开源的品质也不差，但如果想在开源根底上做得更好，这个投入就十分大了。

另外大家可能也听过，在看一段视频的时候，视频内容其实是间接决定了哪些地方是须要十分清晰、哪些地方绝对来讲是不那么重要的，这可能就要联合 AI 做视频内容的了解，而后 做动静的编码优化，基于你感兴趣的点去做优化，背地可能波及各种各样的团队，编解码的团队、AI 的团队、算法的团队，所以为了一点点的晋升，背地可能有十分大的投入。

让延时再低些

延时变得更低到底能来什么益处，简略给大家举几个例子。

第一个是在线教育。最早的时候在线教育是录播的，老师提前录完视频而后再放进去，其他人再点开看。但对很多客户来讲，比方对家长来说这是不太能承受的，因为跟老师不能有很好的互动。起初在线教育就更心愿能让老师跟学生之间有更强的实时互动，而不是录播的毫无互动。

为了做到互动，最要害的是延时。传统直播技术通常大略延时在 5 秒左右。当然，像电视直播等延时会绝对长一点，但那是因为其余的要求，技术层面大略都在 5 秒范畴，这是受协定束缚的后果。而在线教育是心愿把延时降到几百毫秒，这样音视频互动能力更好地进行。

第二个是电商，这方面阿里有十分强的感触。阿里最早做开始手淘直播的时候，也是采纳比拟传统的技术，场景上面临的最大问题是：主播上来通知大家，“我要开始卖一个货色了”，而后他要上链接，还要做音讯互动。但这时候有可能会呈现的是：主播谈话与用户观众发消息的两个过程是有延时的，但音讯的延时跟视频的延时又可能不一样，音讯可能在 1 秒，视频可能在 5、6 秒。

这时候就会呈现音讯跟视频不在同一个画面的问题——主播可能都曾经切到下一场，而买家还在跟他交换上一场的问题。

所以在手淘场景里，咱们一直跟手淘团队一起尽可能把延时往下推动。比方在往年双 11 里，手淘大量采纳了低延时直播，大略把直播的延时降到 1 秒左右，管制在 1 秒范畴内之后，咱们能够看到它对整个 GMV 的转化有很大的帮忙，因为主播跟观众之间有了更强的互动关系。

在所有直播体系里咱们都看到了对于延时的诉求，当初直播都心愿走向强互动直播，而不心愿是原来那种比拟单向的行为，因为观众也心愿有更强的互动。

最初一个是大家疫情期间感触最为强烈的场景，视频会议。当初视频会议的延时在技术上可能做到几百毫秒，所以当初大家广泛能开视频会议。尽管以前是电话会议多一些，但当初很显然视频会议的比率在回升。毕竟任何人的交换都更加心愿能看到人，而不纯正只是电话传递的声音。

举另外一个例子，很多公司的面试到决定性或者很要害的一轮时，都会把候选人邀请到本地，而后面对面地实现这轮面试。这是因为感觉在仅通过电话面试、看不到人的状况下，很多货色是难以判断的，须要见到自己。然而有了视频会议当前，一些面试就能够无需把人邀请到现场进行。

所以延时技术在视频畛域的作用是非常明显的，从几秒到几百毫秒催进了十分多视频场景的翻新。

但对视频来讲，这仍然不够。比方视频会议，之前一个学术机构的钻研报告显示，其实像视频会议这样存在几百毫秒延时的场景，比照人跟人的当面交换，还是存在很大区别。

大家开视频会议应该都有这样的感触：在视频会议的场景下，依然会呈现抢话状况，你说了一句话，可能还没有说完对面就曾经抢话，这是肯定会呈现的，因为人跟人当面交换的延时并没有几百毫秒。

在视频场景里，咱们是有十分强的能源去思考怎么把延时往下推得更低，让大家有更实在的体验，包含当初很多公司做很多货色都是为了让大家在近程会议上，能够有跟当面交换比拟靠近的体验。对咱们来讲，延时如果可能越来越低，是一个十分好的事件，能够在这根底上做更多业务层面的翻新。

音视频传输提早引入剖析

音视频整体技术可能跟零碎层面技术有一些差异，咱们来看一下延时。比方直播，音视频中比拟典型的场景，你拿一个手机开始拍，这是采集的过程，把一个视频影像留下来，去采集，而后编码，少数可能是在端上去做。这个延时，当初大略在 60ms 左右的范畴。

采集完之后会把这个流（比方直播、摄像流）间接推到远端，少数是云端或者本人服务器端。在云端之后，通常还会做一些解决，比方直播通常要做内容审核，内容须要过一遍审核解决，有些略微简单点的直播可能还要做其余事件，比方加 logo，做一些镜头的剪辑和镜头的切换。

如果有多个摄像头机位，还会波及到直播的时候选用哪个机位的问题。另外是散发，怎么把服务器端推到很多的点。而后是把客户端流拉到本地，拉完当前开始解码和播放。

从整个工夫耗时看，以前是 3-5 秒的提早，主体工夫少数耗在拉流那一端，这是协定决定的。RTMP 是比拟规范的协定。当初业界比拟风行的低提早直播，是把直播提早从 3 秒推到 1 秒，推到 1 秒当前，咱们给它的名词都叫低提早直播，相比以前更低延时一点。

大家看上图中的整体优化，更多是把协定层开始做替换，当初少数公司的低延时直播都会基于 RTC 协定，就是 Google 开源的 webRTC 协定去做。能够看到，当基于 RTC 推流、RTP 散发，后面协定层都在替换，差不多能够把拉流这端开始压到 1 秒以内。当初阿里手淘的直播，整体延时在 1～1.2 秒范畴，1～1.2 秒在音讯类互动场景曾经足够了。主播跟观众如果是用音讯互动，发一条音讯或者打赏什么的，大家都不会有太长的延时感觉。能够看到，这种场景下，咱们能够通过协定替换把整个延时往下拉低。

但也能够看到，其实还有很多延时是整个网络造成的。如果是网络造成的，当初其实是没有太多很好的解决方案，就十分地难。而规范的 RTC 能够做到 200-300ms 的工夫，就是这样一个情况。

这三种延时，除了技术层面的差异以外，另外的层面是当采纳这些技术当前，整体的老本是有很大变动的。当你延时要做得越来越低的时候，其实老本是会回升十分多的。像 RTC 相比传统直播延时，有可能老本大略是在 7 倍以上。像低延时直播，当初各家公司在一直致力尽可能让这两者老本开始靠近。

为了很好地管制延时，推流最重要的是协定的替换。因为协定替换当前，从 TCP 到 UDP 当前，很多货色须要本人来做了。

各视频厂商关注的最重要的指标是抗丢包，少数公司谋求当丢包在 50%、60%、70% 的时候，在不同场景去满足诉求。比方视频会议如果只是为了散会，最大的诉求其实是在音频端——音频清晰度和晦涩度，而画面如果有一点卡顿，咱们勉强还能承受。当然，如果那个视频会议是讲 PPT，那就不能承受了，那优先级可能变成视频的清晰度。所以，不同场景须要有各种各样不同的策略。

比方大家如果去看直播场景和视频会议类型的场景，它面临最大的不同是什么呢？直播场景的话，比方我是主播，其实只有摄像头跟我、以及我跟服务器的链路整体没有太大问题，基本上观众之间相互是没什么影响，这个观众看的时候会卡，另外一个观众有可能是不卡的，因为观众之间没有什么影响。但如果是视频会议类型的场景就齐全不一样了，比方当初有十个人在散会，这十个人里任何一个人，呈现卡了或者视频、音频不大失常，就会影响整场会的效率。

在这样的场景里，为了要保障延时，同时又要保障晦涩度的时候，抗丢包层面须要做十分多的事件，包含综合的策略。

咱们去看很多音视频公司，它们很大的竞争力在于对端的适配能力。因为每个端的情况不大一样，比方有人用苹果，有人用安卓，尤其是安卓，安卓手机有无数种，每种手机的音频能力、视频能力有很大差异，还有大家所处的网络环境，比方当初连了 Wi-Fi，走动的时候可能 Wi-Fi 点会切换，还有可能从 Wi-Fi 切到 4G，这外面网络点怎么去解决也是十分要害的。

所以当整体延时越来越往下探的时候，它的技术门槛在一直地升高，咱们怎么样做好卡顿的管制，是各家公司去做这类型业务上面临的最大的一个问题。

这里次要讲的关键技术，一是推流，二是散发，三是整个拉流层面为了管制延时做的一些事件。推流次要是协定层面和抗丢包，散发层面次要是背地整张网络的散发。

很多公司做视频业务，通常有几种办法，一是间接基于云厂商的 CDN 构建整张音视频网络，还有一种是基于边缘计算节点构建一张本人的音视频网络，但这都是有一个问题要解决的。不论用什么计划，都有这样一个问题解决：这么多的节点要怎么更好地调度？这波及到非常复杂的调度问题，因为每个节点的带宽能力、计算资源能力可能不一样，怎么依据用户的状况去做整张网络的调度。

超高清是将来，但还有很多技术侧问题要解决

带宽层面，从目前来看，大家都在想 5G 带宽变大了当前，到底找谁把带宽用起来，总得有人把带宽用起来。就像 4G，其实是视频用起来的，短视频把 4G 视频带宽撑起来。当初互联网一大部分流量，主体都是视频形成的。5G 时代也是一样，咱们为什么须要更大的带宽耗费，必定要从业务侧看到很大的变动。

图中可能是大家常常看到的一些清晰度，咱们当初少数场景里能看到的 720p 视频、1080 4K 和 8K。8K 其实很少看到，因为 8K 对屏幕要求十分高，根本要很大的屏能力展示 8K 的成果。

阿里已经在几年前冬奥会的时候做过一个 demo，叫 5G+8K 看冬奥会的滑雪现场，它的运动感十分强，所以是非常明显的。而当初特地火爆的 VR/AR 是须要更高的清晰度，当初很多 VR 还是 4K，所以导致咱们会感觉颗粒感很强，但当 VR 联合 8K 的时候，就会感觉颗粒感的问题好了很多，画面比拟靠近实在。

只有更大的带宽，咱们才可能把清晰度更往前推动。对于清晰度，以前有人说，你去问很多人，他都会感觉当初的货色曾经够清晰了，不须要更清晰。但当你给了他一个更清晰的货色的时候，他会发现他须要更清晰的。最典型的是，苹果推视网膜屏，当视网膜屏推出当前，大家就有了更好的体验。

当初短视频厂商也在一直推动 4K。很多人以前都感觉短视频没必要那么分明，因为手机屏幕太小了，还不至于能看出 4K 的差异。

但从业界倒退看，咱们感觉这个趋势还是比拟显著的，整体朝更清晰化倒退，它必定是有诉求的。而为什么当初停顿比较慢？有很多起因，第一个是当清晰度要往前推动的时候，不光是前面播放侧的问题，还有很大的问题是制作侧。当然，当初很多摄像机可能是 4K，然而拍了当前怎么把 4K 视频做剪辑、解决，其实是非常复杂的，更不要说带宽耗费。带宽除了能不能放进去以外，还有一个问题是每放一次背地全副是带宽耗费，这个带宽耗费全是老本。

咱们感觉超清是一个很好的倒退方向，但怎么解决在超清的倒退过程中面临的很多问题，是技术侧都须要关注的。

超高清技术外面波及到很多货色，简略讲就是从视频输出开始，就是拍一段视频，而后到一段视频最初被用户看到的时候，到底咱们要做些什么。

大家可能听到过一些词，比方上图里的“超分”。简略来说，就是手机拍出一段 2K 视频，怎么把它超分成 4K 的视频，让你看到一个相似 4K 的成果，这样做是为了制作端的老本问题，因为很多制作端都不具备制作超高清的能力。

另外，大家可能听过窄带高清等技术，其实是为了解决给你一段高清视频，但怎么来管制整个带宽老本的问题。如果做高清业务，老本是十分重要的。长视频就十分典型，少数长视频会提供十分多种清晰度的抉择，少数公司会提供越来越清晰化和越来越好的体验，就像优酷本人，咱们会提供帧享的货色去让大家能看到更好的不同的体验。

还有很多场景的问题，比方拍不同场景，航拍和静止类的视频对清晰度的要求是比拟高的，尤其是静止类的视频就非常明显。阿里优酷做世界杯播放的时候，能显著地感触到，如果清晰度不够，很多时候可能连球在哪儿都不肯定能看到，近景的时候是比拟难的。在那段时间，大家在一直钻研怎么能让这个画面变得更加清晰。

所以我感觉，对于很多公司来讲超高清技术是须要往前演进，须要解决从制作到散发、解决到播放整个链条的问题。带宽是根底，只有带宽越来越大的时候，这个货色才有可能变成事实。

因为我当初跟视频接触得比拟多，从这 5G 和云原生这两个命题讲，我目前看到视频是联合最严密的技术。

5G 带来的更多是低延时和大带宽。咱们须要思考的是，当延时越来越低的时候，有可能带来什么新的业务翻新，翻新模式到底有什么扭转。延时越来越低，在视频场景咱们看到会带来越来越多业务上的变动，很多业务跟以前齐全不一样了。

因为视频的成熟，在疫情期间很多事件开始转向，以前必须线下的能够转向线上业务。当整个社会技术在提高的时候，所有业务零碎侧都要去思考，视频只是绝对来讲可能更显著一点。另外是带宽，有什么业务对带宽的耗费越来越大。

举另外一个例子，计算资源的耗费。最早少数计算资源是用来做在线业务零碎，比方交易系统等等，耗费了大量的机器。然而起初咱们看到很典型的变动是大数据，大数据变成了更主力的计算资源的耗费，再起初是 AI。

其实场景都在一直变动，在所有业务场景里应该去思考延时越来越低会带来什么，而后带宽的变动会带来什么，最初是基于云更疾速做业务翻新的机会到底在哪里，因为云原生更重要的是，我怎么更好地、更疾速地实现整个业务的迭代和翻新以及尝试，可能对所有做系统结构、做零碎架构技术的人来说，这是须要缓缓联合本人的业务去思考的一个话题。

如上文所讲，5G 和云原生时代的技术下半场，视频化是最新最大的确定性，从图文到视频，视频云促成了内容的视频化，从线下到线上，视频云改革了信息的交互方式。
原文链接
本文为阿里云原创内容，未经容许不得转载。