视频下载加速，2.5倍优化

原创搜狐视频刘壮搜狐技术产品

本文字数：4723字

预计阅读时间：12分钟

视频下载加速，2.5倍优化

背景

视频缓存已经成为各大视频App的标配，并且从功能使用数据来看，每个月使用的量都很大。所以，做好缓存功能的优化，对提升用户体验有非常重要的作用。

搜狐视频iOS端的缓存和爱奇艺的有区别，并没有多个视频同时缓存的产品功能，而且缓存分片是串行下载的。即m3u8文件缓存下来后，顺序下载ts地址对应的文件，导致网络利用率不高。

为了提升用户体验，提升缓存速度，我对缓存进行了速度优化，提升了网络利用率。具体方案如下。

方案设计

分析

缓存方案的核心在于，最大程度的提升网络利用率。但并非单纯的扩大并发缓存数量，这样会导致设备发烫、网络资源抢夺等很多问题。应该根据网速和设备性能等因素，动态决定分片数量。所以，设计一套合理的测速方案，以及缓存方案就非常重要。

由于我们的网络使用的quic协议，所以在网络层面已经没有太大的提升空间，只能通过上层进行优化。

缓存方案

如果是新建的缓存任务，没有测速数据或数据已过时。数据已过时指的是两次缓存不是连续的，例如暂停后再继续缓存，或重启后缓存。则根据网络环境做判断，来决定并行下载数量。流量环境并行数量为2，WiFi并行数量为4。这个值是测试的一个经验值。

并发数量并不是固定的，从第一次下载开始，每次缓存的过程都会进行测速，并根据测速结果动态修改并发数量，并且持续利用缓存的速度数据进行测速，来修改并发数量。当网络环境发生改变后，这时候需要重新进行测速，从第一步重新开始。

在网络的部分，底层quic使用的cronet库作为实现。cronet没有长连接的概念，是通过cronet线程处理的并发，同一端口最多6条线程，最多不超过16条线程。所以，需要上层逻辑控制并发数，并不能直接设置并发数。

由于项目中大多数的视频都是m3u8格式，缓存加速只对m3u8的视频缓存做了加速，drm和mp4格式的视频并没做处理。而且，drm和mp4目前是流式下载，如果想加速需要后端对视频文件做切片。

测速方案

测速需要考虑下面几个核心因素。

网络环境，WiFi和流量的平均网速相差比较大，WiFi下可以更充分的利用网络资源。
网速，最核心的因素，网速慢的话，什么方案都没用。
设备性能，同样的网速，在不同设备上表现可能不一样。低版本设备并发数太多，可能会导致卡顿或发热严重。
视频类型，电影单个剧集ts数量较多，缓存时间长且连贯，所以可以适当增加并发数。

并发数需要控制在一个合理的区间，如果下载并发数太多，会造成请求拥堵，从而触发timeout。如果下载并发数过少，会导致网络利用率不高。

并且，不只要考虑缓存部分，还需要考虑是否会抢夺其他请求的资源。否则会导致其他非缓存的请求，由于缓存占用带宽过多，导致请求变慢或大量触发timeout。

测速方案经过实践验证，根据上述因素设置不同的权值。在考虑因素的过程中，还需要防止手机发烫的问题，所以需要多次测试才能决定权值。方案的核心在于，最大限度的利用用户的带宽，以及设备性能，并且和发热保持一个良好的平衡。温度适中，并且不会影响fps。

下图是整个缓存方案的一个流程图，看图比较直观。

测试数据

测试方法

由于还未上线，所以数据来源于控制台日志，但经过多次以及不同网络环境下的测试。缓存类型为电影和电视剧，表格中前两列为电影，后两列为电视剧。

测试方法，在同一时间缓存同一剧集，相同清晰度，对比线上版本和缓存加速版本的差别，分别测试WiFi和流量环境。在测试阶段，设备始终在前台。

从数据来看，电影由于文件比较大，在网速快的情况下提升比较明显。电视剧由于网速刚上来就下载完了，数据没有这么明显，但也有50%左右的提升。

同时对下半年缓存数据进行了下统计分析，流量环境下的缓存的只占二十分之一左右，可以看出WiFi环境下是占绝大多数的。所以，WiFi环境下加速，可以更好的让用户享受到缓存加速带来的优化体验。

鉴于使用缓存功能的用户，大多数都是在WiFi环境下使用，所以主要还是以WiFi的数据为准。WiFi环境分别测试了公司WiFi，和我家里的WiFi，可以代表很多WiFi网络环境了。下面是不同网络环境下，多次测试的平均结果。

WiFi

经过多次测试，平均提速为2.35倍。

流量

经过多次测试，平均提速为1.50倍。

播放流畅性

为了防止缓存抢夺过多网络资源，从而影响播放的流畅性，对WiFi和流量环境下，缓存电视剧和电影进行了测试。测试结果表明，不同网络环境下缓存电视剧和电影，不会对播放流畅性造成影响，播放视频始终在60的fps。

代码实现

下面是实现的核心逻辑的伪代码，主要为了体现测速的代码流程。

/// 计算当前并发数量，所有缓存任务用一个值，当网络发生变化或者重新开始时，使用默认值
/// 下面计算核心准则在于，最大程度利用真实带宽
- (void)calculateDownloadSpeedWithTask:(SVDownloadTask *)downloadTask {
    /// 根据网速设置并发下载数量，网速单位判断为：mb/s
    CGFloat currentSpeed = downloadTask.downloadingSpeed / 1024.f / 1024.f;
    NSInteger maxConcurrentCount = 4.f;
    
    /// 以电视剧为例，一个ts大小在1MB~2MB之间，也有少部分在这个区间之外，比例20%左右
    /// ts文件一半以上都在1MB~1.5MB之间，并发数和网速并不是直接关系的，核心在于提高网络利用率，真正能用到多少网速
    if (currentSpeed > 0.f) {
        /// 网速在1MB以下的情况在流量环境下是很常见的
        /// 阈值的区间设定应当遵从泊松分布，越小的部分越细
        if (currentSpeed < 0.5f) {
            maxConcurrentCount = 2;
        }
        else if (currentSpeed >= 0.5f && currentSpeed <= 1.f) {
            maxConcurrentCount = 4;
        }
        else if (currentSpeed >= 1.f && currentSpeed <= 2.f) {
            maxConcurrentCount = 5;
        }
        else if (currentSpeed >= 2.f && currentSpeed <= 3.f) {
            maxConcurrentCount = 6;
        }
        else if (currentSpeed >= 3.f && currentSpeed <= 4.f) {
            maxConcurrentCount = 7;
        }
        else if (currentSpeed >= 4.f && currentSpeed <= 5.f) {
            maxConcurrentCount = 8;
        }
        else if (currentSpeed >= 5.f && currentSpeed <= 7.f) {
            maxConcurrentCount = 10;
        }
        else if (currentSpeed >= 7.f && currentSpeed <= 10.f) {
            maxConcurrentCount = 12;
        }
        else if (currentSpeed >= 10.f && currentSpeed <= 12.f) {
            maxConcurrentCount = 16;
        }
        else if (currentSpeed >= 12.f && currentSpeed <= 16.f) {
            maxConcurrentCount = 18;
        }
        else if (currentSpeed >= 16.f) {
            maxConcurrentCount = 20;
        }
        
        NSInteger dataType = downloadTask.dataType;
        /// 如果在视频刚下载的时候，网速计算可能会低于实际网速，所以在前期阶段可以适当增加并发数，后期不适用
        if (downloadTask.downloadSuccessCount < 6 && currentSpeed > 0.3f) {
            maxConcurrentCount += 2;
        }
        /// 如果是电影，缓存持续时间长，可以在网速允许的情况下适当增加并发数
        else if (dataType == videoFeeFilm && currentSpeed > 1.f) {
            maxConcurrentCount += 2;
        }
    }
    
    /// 性能检测方案1：
    /// 根据不同设备创建一个映射表，根据设备型号考虑是否对并发数进行降级。但这个方案并不适合，因为需要维护一个远端的映射表。
    /// 性能检测方案2：
    /// 根据当前cpu和运行内存的使用情况，进行对应的降级策略，这种方案比较通用，不需要维护映射表，并且可以实时反映出硬件的使用情况。
    
    CGFloat cpuUsage = [UIApplication sharedApplication].cpuUsage;
    int64_t memoryActive = [UIDevice currentDevice].memoryActive / 1024 / 1024;
    CGFloat batteryLevel = [UIDevice currentDevice].batteryLevel;
    
    /// cpu的取值范围是0.f ~ 1.f，如果是1.f则表示100%，但cpu经常会超频，在测试过程中短时间的超频是很常见的，170%的超频都是有的
    /// 发现即便到1.f界面也不会发生卡顿，如果发生超频，就对缓存进行降速
    if (cpuUsage > 1.f && maxConcurrentCount > 4) {
        maxConcurrentCount -= 2;
    }
    /// 可用运行内存等于-1，表示获取有问题
    else if (memoryActive == -1) {
        /// nothing
    }
    /// 可用内存小于100MB，对并发缓存数量进行限制
    else if (memoryActive <= 100.f && maxConcurrentCount > 4) {
        maxConcurrentCount -= 2;
    }
    /// 可用电量等于-1，表示电量获取有问题
    else if (batteryLevel == -1) {
        /// nothing
    }
    /// 电量到达临界值，对并发缓存数量进行限制，防止出现卡顿
    else if (batteryLevel <= 0.02f) {
        maxConcurrentCount -= 2;
    }
    
    /// 极端情况下的兜底策略
    if (maxConcurrentCount < 2) {
        maxConcurrentCount = 2;
    }
    
    /// 最后再设置并发值，防止一个方法里赋值多次
    self.maxConcurrentDownload = maxConcurrentCount;
}