B. 智能运维 — 质量保障 — 用户体验 — 指标分析
视频分析 --- 相关系数/信息论
数据采集
客户端：客户端采集
数据规模：超过100万的用户，200万次的观看，以及主流的内容生产商
分析维度
指标类型
视频加载时间(Join time)
缓冲比 (BufRatio)
缓冲事件频率(RateBuf)
平均比特率(AvgBitrate)
视频渲染质量(RendQual)
用户观看时间
单指标
单视频被时间
用户观看
聚合指标
单视频被时间
用户观看
用户参与度评估
总的播放时间
视频播放数据
内容类型
长时点播
短时点播
现场直播
数据集
数据集划分
视频类型 + 视频提供商（发行商）
视频类型
长时视频
短时视频
现场播放：在线网络
视频提供商：5个主流的视频提供商
分析手段
CDF ( Cumulative Distribution Function)：分析单指标和用户参与度的关联关系
对于多指标数据，如何更精准的确定单指标的影响：Kendall相关系数
信息增益
视频分析 --- 决策树
数据处理
KPI指标离散化例如，我们可以根据用户观看视频的百分比，按照0-20%，20- 40%，40-60%，60-80%，80-100%的分类标准，将原始数据分为5类，并建立相应的预测模型
性能指标粗粒度离散化
离线训练
步骤
特征选取
决策树生成
剪枝：树的后剪枝策略：使用新的叶子节点替换子树，该节点的预测类由子树数据集中的多数类决定。通过这中方式可以使得生成的决策树变得更加简单，从而更具有指导价值。
实际解决方案
将混杂因素直接作为决策树模型输入参数，训练一个针对全部数据集的统一的模型
根据混杂因素对于数据进行分割，对不同混杂因素下的数据集，分别建立决策树模型。
视频网站流量切换（Pytheas） --- 强化学习
强化学习的优势
强化学习相比监督和非监督学习的最大优势是智能体(agent)可以通过与环境的交互，不断的探索学出最优的决策。
思路
关键特征学习：三个
ContentName：视频内容
ASN：网络提供商
CDN
模型训练 ：根据最新的关键特征训练预测函数，采用在线更新，30-60秒间隔。
实时预测：利用预测函数来实时预测，毫秒级别的响应速度。由于是简单的函数运算，所以预测的效率非常高。
难点
预测偏差：由于训练样本的偏差选择而导致的预测结果局部最优。
反应迟钝：基于预测的方法不能快速的适配网络的动态性
Pytheas的基本思路是
Session分组：首先删除决策无关的关键特征，以递归的方式将每个session分到不同的组。比如：当决策的结果是选择CDN或者视频码率时，由于关键特征”设备型号“跟CDN和码率无关，在这种情况下，当两个session分组的其他关键特征相同，只是“设备型号”不同时，就可以分到同一个组里。
每组独立运行E2：Pytheas通过Discounted UCB算法实时探索，并计算出最优的决策。针对每组的每个session，Discounted UCB算法会以一定的概率对每个可能的决策进行探索（比如说视频码率），根据探索的结果，实时计算出使奖励（QoE)最大的决策。这个思路就是最近非常流行的强化学习：在动态的环境中，通过实时获取环境参数做出当前最优的决策。
具体流程
Pytheas在全局将session分组，在每个前端服务器来运行实时的E2算法，其中用户和前端服务器的交互如图5(a)所示，
用户通过HTTP向前端的服务器请求决策的结果、上传测量数据（比如视频质量等参数）。前端服务器内部与后端服务器的消息交互如图5(b)所示，
主要使用Apache httpd和Spark Streaming实现这些交互，其中per-group logic模块通过UCB算法得出最优的决策结果。后端服务器实现了全局的session分组，如图5(c)所示。
MIT黑科技：增强学习让你的视频不再卡顿
核心思想
利用增强学习来做决策，即选择码率
再用深度神经网络做训练和状态表征。
具体细节
DASH中，我们需要解决的就是如何让用户在接下来的一段时间（比如到视频结束）所获得的整体的QoE达到最高，这里的QoE就是增强学习中的reward。
同过利用深度学习强大的表征能力，增强学习中的状态直接可以作为网络的输入，网络的输出就是决策该状态下的动作。