视频直播秒开背后的技术与优化经验

在视频直播中，首屏打开速度直接关系到用户体验，而这背后蕴含着许多技术点与实践经验，其中Group of Picture(GoP)设置、缓存参数优化格外关键。本文根据迅达云SpeedyCloud工程副总裁李雨来在见云沙龙的分享整理而成。

　　使用常见的视频直播服务器，比如Nginx-RTMP做一个简单的Demo环境。我们用OBS往Nginx-RTMP上推流，随便找一个播放器播放。一般情况下，我们会看到一个黑屏，然后过一会之后，它才会出现图像。我们对比一下，如果我们看手机直播，像陌陌直播，映客，我们点一下播放按纽之后，一秒钟之内视频直接就出来了。今天我们要讲的内容就是这个差别是怎么形成的，背后的原理是什么。出现黑屏的原因很简单，就是解码器没有得到能解码出视频图像的数据，那么导致这个问题的原因就很容易定位了：

　　比较搞笑一点的说法就是你家的网络比较慢;

　　视频直播服务器没有打开关键帧缓冲。

　　那么就这些了吗?我想对于这个问题来说确实是这样。为了探究其中的原委，接下来我们需要往下去挖掘一下视频到底是怎么播放的。

　　视频是如何播放的

　　视频要播放它肯定是有视频数据，把视频数据放到编码器，然后编码器把这个视频数据解码出来，解成图片，然后播放到显示器上，这是一个基本的播放流程。一般来讲，大家现在主流的用H.264编码。对于H.264编码来说，我们会有三个不同的帧，所谓帧是什么呢?就是你看到的每一个图像。我们看到动态的视频，大家知道电影最开始用胶片拍的时候，每秒是25帧，是每秒25个图片在切换。对于H.264来讲，我们常见的有I帧，P帧，和B帧。

　　1.I帧，I-Frame也有人会叫Inter Frame，那么它的意义是什么?

　　(1)它是一个自描述帧，你可以理解为它就类似一个jpg图片，它里头所有的数据，你解出来之后，它就是一整张图片。

　　(2)无其他帧引用，它不需要去做前置和后置的引用。

　　(3)它压缩比是最小的，因为它要包括整个图片所有的数据在里头。

　　2.P帧，P-Frame也就是说预测帧，它的预测帧是怎么回事呢?大家有没有用过版本管理软件，比如git或SVN，这样可能大家会比较好理解，P帧就是保留变的部分，不变的部分你去上一个或者几个帧里面找就行。P帧只是负责向前引用，也就是任何一个P帧，它只看它往前的这些帧的数据。P帧的好处是什么呢?因为它只存一些变化信息，所以它大概的压缩比是I帧的50%。这个数据哪来的?大家可以去翻一下维基百科，那里会有一些介绍。

　　3.B帧，B-Frame，前后双向引用预测。

　　B帧比较特别，它要引用前面P帧某一部分的图像数据同时B帧后面的数据也会引用，这个是B帧的特点，它要引用前面的数据，也要引用后面的数据。那么它的优势就是压缩比比P帧还大，大概是I帧的25%，也就是我们B帧用的特别多的话，它会把视频的大小降的比较低，因为它的压缩比更大一些。

　　I帧，B帧，P帧它是怎么组成一个视频流呢?我们管这个东西叫Group Of Picture，简称叫GoP。

　　视频解码器，看到GoP它是怎么放呢?那很简单，编码器会有一个缓冲，然后它会保留从I帧开始，当然现在说是I帧，其实这个I帧还有个特殊的类型。从I帧开始，他会把数据缓存到解码器的Buffer里，当他遇到下一个P帧，或者再下一个B帧的时候，它会从它Buffer里找到它之前引用的那个帧，然后把这个数据解出来，最终播放到显示器上。那么缓冲区开始的第一个帧肯定是I帧，这个毋庸置疑。另外还有一个比较特别的点，B帧和P帧并不会只引用当前GoP里的帧，他可能会往前去引用上一个GoP中的帧。既然它有这么一个特性的话，我们什么时候去清空这个缓冲区呢?这里就要介绍一个新的概念，叫IDR帧。

　　IDR帧

　　IDR帧是I帧，但I帧并不一定是IDR帧，所谓IDR帧是什么?它就是拿到这个帧之后，播放器可以直接从这个帧开始往后播放，它保证后面的P帧和B帧的引用不会跨越这个IDR帧，那么看到IDR帧，编码器就可以把当前的Buffer清空，从当前这IDR帧开始解码往Buffer里边放，后续帧就可以从Buffer里的数据引用，然后解码，也就是说编码器可以从任何一个IDR帧开始解码。大家可以联想到，当我播放一个视频文件的时候，我可以拖动，但是我拖动的任何一个点，它肯定是一个IDR帧，当然它也是I帧，但是并不一定说每一个I帧我都能让它作为一个拖动的点。

　　IDR帧有时也有它不太学术的叫法：关键帧。在做编解码程序的时候，我们可能会看到FFmpeg的数据结构里会标着PTS和DTS，那么PTS和DTS是什么呢?

　　PTS和DTS是什么

 

　　PTS，Presentation Time Stamp也就说这个帧什么时候会放在显示器上;DTS就是Decode Time Stamp，就是说这个帧什么时候被放在编码器去解。那么如果全是I帧和P帧，PTS和DTS都是单调递增的，那么如果我们有B帧，会出现什么情况?因为大家都知道，对于B帧来讲，它会引用前面的帧和后面的帧。

　　我们看这个例子，就是当B帧进来的时候，因为它要引用后面的P帧，也要引用前面的I帧，可以看到DTS的顺序，一三四二，然后PTS顺序，一二三四。B帧它会根据它编码时候的特性，它会自动的把它的DTS时间戳往后挪，把它引用的帧先放到前面去，等它引用的帧解完了，数据解完了之后，才会把B帧去解，否则的话，我先把B帧放进去，它引用后面的P帧，P帧的数据还没有，B帧解不出来。所以说这点上给大家讲一下，B帧，P帧，I帧它们整个放在一个视频流里面，它的解码顺序和编码顺序，当然后续的话，我们可能会根据这个有一些开放性的思考。

　　为什么直播会等待

　　对于直播来讲，它是一个流，它不像点播，大家都从0秒开始，任何一个视频文件，0秒第一个帧肯定都是关键帧。那么对于直播来讲，我是一个随机的时间点接到这个视频流进行播放，那么我接入的这个时间点的帧有可能拿到的第一个帧的数据是I帧，也有可能是B帧，也有可能是P帧。这是一个随机的。在这种情况下，我们大概率会出现一个黑屏的状态。因为我拿到的是个P帧，对于P帧来讲，解码器面那个Buffer是空的，它不知道这个P帧如何进行解码，所以它只能丢弃这个帧。

　　对于直播来讲，我一秒钟的帧数是固定的，只能等到我下一个关键帧到来的时候，我才能开始去播放。当然正好赶巧了的话，接入那瞬间得到的数据正好是个I帧。就可以达到秒开的效果。

　　关键帧缓冲如何工作

　　其实是在cache服务器上，它会去预先解一下这个帧，然后去看它到底是个I帧，还是个B帧，还是个P帧，当它发现是I帧的时候，它会放在它的程序的内存里头，当你每一次打开这个视频流的时候，cache服务器会把内存中的I帧发送给客户端比如当前播放到了P帧，那我把P帧前面的I帧和P帧全波放到cache的内存里，然后当客户端接入之后先把内存里的数据发送给客户端解码器，然后再从这个B帧往后给。对于这个解码器来讲，它很舒服，它接到第一个数据流的第一个包肯定是I帧，那么它就可以直接播放了。

　　如何去做到秒开?

　　没有什么好的方法，任何人做这种事时候都是一个笨的方法，就是去看文档，没有什么捷径。大家可以翻阅FLV视频文件格式文档，它会告诉你package里头，它任何一个Video里的package有一个Video TagHeader，对它是有一个Frame Type，Frame Type如果把它解出来，它是1的时候，它管这个叫key Frame，咱们看后面这个AVC，a seekable Frame你可以理解为它是个IDR帧，它并不一定就是I帧。

　　几个问题

　　1.开放性的解决问题，GoP Cache是从当前的这个GoP帧开还是从上一个GoP开始

　　这个问题比较有意思的是我从上一个GoP放的话，我拿过来的肯定是直接可以放了。因为有时我也预见过一些比较特殊的编码，会导致我从当前这个GoP的第一个I帧拿播放器放出来，我这样可能会提高编码器的兼容性，但是它会有一个问题，就是如果GoP开的特别大的话，那么我的延时自然而然就会上去。因为我上一个GoP如果是十秒，等于说我拿的是十秒之前的数据，也就是你看到的是10秒之前他说的话，他做得表情，他做的动作。那么我从当前这个GoP开始，它肯定是有一定的延迟，但是不会大到超过你整个GoP。对于视频直播来讲，我们GoP size多少合适，换一句话讲如果GoP size设成0，所有都是I帧，不存在任何GoP cache问题，但是码率来讲会很高，因为所有的都是I帧，我们知道它压缩比会比较低，那么反过来，就是我需要设一个GoP的Size是多少呢?

　　2.视频直播的GoP Size设置成多少合适

　　一般来讲，对于手机直播，一到两秒可能是比较合适的，因为它本身的GoP时间也不会很长，我这边缓冲，一旦出现问题大概一到两秒这个视频也能出来。有一个不太好的地方就是它码率会稍微高一些，也就说同样的东西，如果我把GoP改成十秒，我可能是500K，但是我改成一秒，有可能变成一个六七百K的样子，这个还是跟编码有关系，具体的比例是多少，可能跟实际相关。

　　另外如果是点播的话，不关心首屏打开时间，只要是客户端下来速度快，CDN给力，那么我可能要求更小的范围。告诉大家一个实践过程中得出的结果，大家用过OBS?比如说做主播的话，大家用OBS会比较多，OBS它有一个问题就是它默认的话，如果你不调它的特性，GoP就是10秒，10秒的意思就是说GoP size。如果比较点背的话，看的是10秒之前的，如果是比较大的话，它的码率，码流的大小会小点，但是延迟会稍微高一些，CDN开了几个cache，有些情况下，我们也可以做些转码，强行把它的GoP size压小，整个CDN层面上加一个转码的话，它可能会增高这个延迟，这块一个开放性问题，大家可以根据自己的场景去思考，这个GoP Size配成多大比较合适。

　　3.你在视频直播中到底用不用B帧

　　我有时候在搜相关的资料，也有做直播的不用B帧，所以这一块我并没有什么结论，就是说给大家一个点，让大家去想一想。鉴于B帧之前看的DTS和PTS的PPT，也知道B帧在解码的时候，它是要打乱每一个帧传入解码器的顺序，如果丢包或者一些特殊情况，它可能会影响解码器的运行的特点。

　　一个数学故事

　　我不知道有多少人听说过这个事，就是1943年以前，二战的时候，因为英国被德国打的都已经找不着北了，他希望美国在后面支持英国，然后去做一些物资上的支持，那么就会有很多的商船，运输船把它的物资源源不断的从美国送到英国，德国人反制方式是什么?它的狼群潜艇在大西洋里逛。对于军事学家来讲，他们可能想不出来一些什么好的办法，他们就请来一些数学家问我这个商船怎么开比较合适，能保证一个是我的损失最小，另外一个我物资运送最大，碰到狼群的次数越低。这些数学家根据概率统计的概率论，然后得出一个结论，就是一定数量的船队编队规模越小，编次流越多与敌人相遇的概率就越大，换句话来讲，就是我这个船队肯定是攒足了，比如说我原来有一百艘船的货运量，那么我每一次发一艘船过去，那么我可能遇到狼群的概率会大一些，但是我把这一百艘船变成一个编队，然后我把我的护航编队做到足够好，我把我这一群送过去，我碰到的狼群概率很低的情况下，我可能效率更高一些。

　　数据包与网络抖动之间的斗争

　　我们从这个数学故事发散去考虑一个问题，我们把视频的数据保管好，运维的数据保管好，当成我们的运输舰，把网络走动，丢包，我们想成是一个狼群，就是德国的潜艇在整个大西洋上跑。我们就可以根据这个数学结论去考虑一个特殊的点，我们的发包节奏是什么样的。

　　因为我发一个包，比如说我发出一个数据包过去，你可以理解为，我从美国发了一批货运船，带了一行护行舰队去往英国，那么我们到底是有数据就往外发，还是我们攒一波数据之后往外发?这个就我刚才说的，你发包频率应该是有讲究的，看怎么去发比较合适。

　　另外，可不可以换一种思路，使用类似TCP慢起动这样的算法，我最开始为了保证首屏时间，我以最快的发包速率往上发，等我发到一定的程度的时候，换成慢包率发送，把时间拉长一点，拉倒一个可以接受的范围，然后逐渐的去调整这个东西，当然这可能是比较传统的，朴素的方式。最终的效果呢大家还得自己去根据这个特性自己想，这也是一个开放性的问题。谢谢大家。