在視頻直播中，首屏打開速度直接關系到用戶體驗，而這背后蘊含著許多技術點與實踐經驗，其中Group of （GoP）設置、緩存參數優化格外關鍵。本文根據迅達云工程副總裁李雨來在見云沙龍的分享整理而成。
使用常見的視頻直播服務器，比如Nginx-RTMP做一個簡單的Demo環境。我們用OBS往Nginx-RTMP上推流，隨便找一個播放器播放。一般情況下，我們會看到一個黑屏，然后過一會之后，它才會出現圖像。我們對比一下，如果我們看手機直播，像陌陌直播，映客，我們點一下播放按紐之后，一秒鐘之內視頻直接就出來了。今天我們要講的內容就是這個差別是怎么形成的，背后的原理是什么。出現黑屏的原因很簡單，就是解碼器沒有得到能解碼出視頻圖像的數據，那么導致這個問題的原因就很容易定位了：
比較搞笑一點的說法就是你家的網絡比較慢；
視頻直播服務器沒有打開關鍵幀緩沖。
那么就這些了嗎？我想對于這個問題來說確實是這樣。為了探究其中的原委，接下來我們需要往下去挖掘一下視頻到底是怎么播放的。
視頻是如何播放的
視頻要播放它肯定是有視頻數據，把視頻數據放到編碼器，然后編碼器把這個視頻數據解碼出來，解成圖片，然后播放到顯示器上，這是一個基本的播放流程。一般來講，大家現在主流的用H.264編碼。對于H.264編碼來說，我們會有三個不同的幀，所謂幀是什么呢？就是你看到的每一個圖像。我們看到動態的視頻，大家知道電影最開始用膠片拍的時候，每秒是25幀，是每秒25個圖片在切換。對于H.264來講，我們常見的有I幀，P幀，和B幀。
1.I幀，I-Frame也有人會叫Inter Frame，那么它的意義是什么？
（1）它是一個自描述幀，你可以理解為它就類似一個jpg圖片，它里頭所有的數據，你解出來之后，它就是一整張圖片。
（2）無其他幀引用，它不需要去做前置和后置的引用。
（3）它壓縮比是最小的，因為它要包括整個圖片所有的數據在里頭。
2.P幀，P-Frame也就是說預測幀，它的預測幀是怎么回事呢？大家有沒有用過版本管理軟件，比如git或SVN，這樣可能大家會比較好理解，P幀就是保留變的部分，不變的部分你去上一個或者幾個幀里面找就行。P幀只是負責向前引用，也就是任何一個P幀，它只看它往前的這些幀的數據。P幀的好處是什么呢？因為它只存一些變化信息，所以它大概的壓縮比是I幀的50%。這個數據哪來的？大家可以去翻一下維基百科，那里會有一些介紹。
3.B幀，B-Frame，前后雙向引用預測。
B幀比較特別，它要引用前面P幀某一部分的圖像數據同時B幀后面的數據也會引用，這個是B幀的特點，它要引用前面的數據，也要引用后面的數據。那么它的優勢就是壓縮比比P幀還大，大概是I幀的25%，也就是我們B幀用的特別多的話，它會把視頻的大小降的比較低，因為它的壓縮比更大一些。
I幀，B幀，P幀它是怎么組成一個視頻流呢？我們管這個東西叫Group Of ，簡稱叫GoP。
視頻解碼器，看到GoP它是怎么放呢？那很簡單，編碼器會有一個緩沖，然后它會保留從I幀開始，當然現在說是I幀，其實這個I幀還有個特殊的類型。從I幀開始，他會把數據緩存到解碼器的里，當他遇到下一個P幀，或者再下一個B幀的時候，它會從它里找到它之前引用的那個幀，然后把這個數據解出來，最終播放到顯示器上。那么緩沖區開始的第一個幀肯定是I幀，這個毋庸置疑。另外還有一個比較特別的點，B幀和P幀并不會只引用當前GoP里的幀，他可能會往前去引用上一個GoP中的幀。既然它有這么一個特性的話，我們什么時候去清空這個緩沖區呢？這里就要介紹一個新的概念，叫IDR幀。
IDR幀
IDR幀是I幀，但I幀并不一定是IDR幀，所謂IDR幀是什么？它就是拿到這個幀之后，播放器可以直接從這個幀開始往后播放，它保證后面的P幀和B幀的引用不會跨越這個IDR幀，那么看到IDR幀，編碼器就可以把當前的清空，從當前這IDR幀開始解碼往里邊放，后續幀就可以從里的數據引用，然后解碼，也就是說編碼器可以從任何一個IDR幀開始解碼。大家可以聯想到，當我播放一個視頻文件的時候，我可以拖動，但是我拖動的任何一個點，它肯定是一個IDR幀，當然它也是I幀，但是并不一定說每一個I幀我都能讓它作為一個拖動的點。
IDR幀有時也有它不太學術的叫法：關鍵幀。在做編解碼程序的時候，我們可能會看到的數據結構里會標著PTS和DTS，那么PTS和DTS是什么呢？
PTS和DTS是什么
PTS， Time Stamp也就說這個幀什么時候會放在顯示器上；DTS就是 Time Stamp，就是說這個幀什么時候被放在編碼器去解。那么如果全是I幀和P幀，PTS和DTS都是單調遞增的，那么如果我們有B幀，會出現什么情況？因為大家都知道，對于B幀來講，它會引用前面的幀和后面的幀。
我們看這個例子，就是當B幀進來的時候微信中的flv文件打不開，因為它要引用后面的P幀，也要引用前面的I幀，可以看到DTS的順序，一三四二，然后PTS順序，一二三四。B幀它會根據它編碼時候的特性，它會自動的把它的DTS時間戳往后挪，把它引用的幀先放到前面去，等它引用的幀解完了，數據解完了之后，才會把B幀去解，否則的話，我先把B幀放進去，它引用后面的P幀，P幀的數據還沒有，B幀解不出來。所以說這點上給大家講一下，B幀，P幀，I幀它們整個放在一個視頻流里面，它的解碼順序和編碼順序，當然后續的話，我們可能會根據這個有一些開放性的思考。
為什么直播會等待
對于直播來講，它是一個流，它不像點播，大家都從0秒開始，任何一個視頻文件，0秒第一個幀肯定都是關鍵幀。那么對于直播來講，我是一個隨機的時間點接到這個視頻流進行播放，那么我接入的這個時間點的幀有可能拿到的第一個幀的數據是I幀，也有可能是B幀，也有可能是P幀。這是一個隨機的。在這種情況下，我們大概率會出現一個黑屏的狀態。因為我拿到的是個P幀，對于P幀來講，解碼器面那個是空的，它不知道這個P幀如何進行解碼，所以它只能丟棄這個幀。
對于直播來講，我一秒鐘的幀數是固定的，只能等到我下一個關鍵幀到來的時候，我才能開始去播放。當然正好趕巧了的話，接入那瞬間得到的數據正好是個I幀。就可以達到秒開的效果。
關鍵幀緩沖如何工作
其實是在cache服務器上，它會去預先解一下這個幀，然后去看它到底是個I幀，還是個B幀，還是個P幀，當它發現是I幀的時候，它會放在它的程序的內存里頭，當你每一次打開這個視頻流的時候，cache服務器會把內存中的I幀發送給客戶端比如當前播放到了P幀，那我把P幀前面的I幀和P幀全波放到cache的內存里，然后當客戶端接入之后先把內存里的數據發送給客戶端解碼器，然后再從這個B幀往后給。對于這個解碼器來講，它很舒服，它接到第一個數據流的第一個包肯定是I幀，那么它就可以直接播放了。
如何去做到秒開？
沒有什么好的方法，任何人做這種事時候都是一個笨的方法，就是去看文檔，沒有什么捷徑。大家可以翻閱FLV視頻文件格式文檔，它會告訴你里頭，它任何一個Video里的有一個Video ，對它是有一個Frame Type，Frame Type如果把它解出來，它是1的時候，它管這個叫key Frame，咱們看后面這個AVC，a Frame你可以理解為它是個IDR幀，它并不一定就是I幀。
幾個問題
1.開放性的解決問題，GoP Cache是從當前的這個GoP幀開還是從上一個GoP開始
這個問題比較有意思的是我從上一個GoP放的話，我拿過來的肯定是直接可以放了。因為有時我也預見過一些比較特殊的編碼，會導致我從當前這個GoP的第一個I幀拿播放器放出來，我這樣可能會提高編碼器的兼容性，但是它會有一個問題，就是如果GoP開的特別大的話，那么我的延時自然而然就會上去。因為我上一個GoP如果是十秒，等于說我拿的是十秒之前的數據，也就是你看到的是10秒之前他說的話，他做得表情，他做的動作。那么我從當前這個GoP開始，它肯定是有一定的延遲，但是不會大到超過你整個GoP。對于視頻直播來講，我們多少合適，換一句話講如果設成0，所有都是I幀，不存在任何GoP cache問題，但是碼率來講會很高，因為所有的都是I幀，我們知道它壓縮比會比較低，那么反過來，就是我需要設一個GoP的Size是多少呢？
2.視頻直播的GoP Size設置成多少合適
一般來講，對于手機直播，一到兩秒可能是比較合適的，因為它本身的GoP時間也不會很長，我這邊緩沖，一旦出現問題大概一到兩秒這個視頻也能出來。有一個不太好的地方就是它碼率會稍微高一些，也就說同樣的東西，如果我把GoP改成十秒，我可能是500K，但是我改成一秒，有可能變成一個六七百K的樣子，這個還是跟編碼有關系，具體的比例是多少，可能跟實際相關。
另外如果是點播的話，不關心首屏打開時間，只要是客戶端下來速度快，CDN給力，那么我可能要求更小的范圍。告訴大家一個實踐過程中得出的結果，大家用過OBS？比如說做主播的話，大家用OBS會比較多，OBS它有一個問題就是它默認的話，如果你不調它的特性，GoP就是10秒，10秒的意思就是說GoP size。如果比較點背的話，看的是10秒之前的，如果是比較大的話，它的碼率，碼流的大小會小點，但是延遲會稍微高一些，CDN開了幾個cache，有些情況下，我們也可以做些轉碼，強行把它的GoP size壓小，整個CDN層面上加一個轉碼的話，它可能會增高這個延遲，這塊一個開放性問題，大家可以根據自己的場景去思考，這個GoP Size配成多大比較合適。
3.你在視頻直播中到底用不用B幀
我有時候在搜相關的資料，也有做直播的不用B幀，所以這一塊我并沒有什么結論，就是說給大家一個點，讓大家去想一想。鑒于B幀之前看的DTS和PTS的PPT，也知道B幀在解碼的時候，它是要打亂每一個幀傳入解碼器的順序，如果丟包或者一些特殊情況，它可能會影響解碼器的運行的特點。
一個數學故事
我不知道有多少人聽說過這個事，就是1943年以前，二戰的時候，因為英國被德國打的都已經找不著北了，他希望美國在后面支持英國，然后去做一些物資上的支持，那么就會有很多的商船，運輸船把它的物資源源不斷的從美國送到英國，德國人反制方式是什么？它的狼群潛艇在大西洋里逛。對于軍事學家來講，他們可能想不出來一些什么好的辦法，他們就請來一些數學家問我這個商船怎么開比較合適，能保證一個是我的損失最小，另外一個我物資運送最大，碰到狼群的次數越低。這些數學家根據概率統計的概率論，然后得出一個結論，就是一定數量的船隊編隊規模越小，編次流越多與敵人相遇的概率就越大，換句話來講，就是我這個船隊肯定是攢足了，比如說我原來有一百艘船的貨運量，那么我每一次發一艘船過去，那么我可能遇到狼群的概率會大一些，但是我把這一百艘船變成一個編隊，然后我把我的護航編隊做到足夠好，我把我這一群送過去，我碰到的狼群概率很低的情況下，我可能效率更高一些。
數據包與網絡抖動之間的斗爭
我們從這個數學故事發散去考慮一個問題，我們把視頻的數據保管好，運維的數據保管好，當成我們的運輸艦，把網絡走動，丟包，我們想成是一個狼群，就是德國的潛艇在整個大西洋上跑。我們就可以根據這個數學結論去考慮一個特殊的點，我們的發包節奏是什么樣的。
因為我發一個包，比如說我發出一個數據包過去，你可以理解為，我從美國發了一批貨運船，帶了一行護行艦隊去往英國，那么我們到底是有數據就往外發，還是我們攢一波數據之后往外發？這個就我剛才說的，你發包頻率應該是有講究的，看怎么去發比較合適。
另外，可不可以換一種思路，使用類似TCP慢起動這樣的算法微信中的flv文件打不開，我最開始為了保證首屏時間，我以最快的發包速率往上發，等我發到一定的程度的時候，換成慢包率發送，把時間拉長一點，拉倒一個可以接受的范圍，然后逐漸的去調整這個東西，當然這可能是比較傳統的，樸素的方式。最終的效果呢大家還得自己去根據這個特性自己想，這也是一個開放性的問題。謝謝大家。
人物介紹
李雨來迅達云工程VP
2010年始涉足云計算行業，至今積累了大量架構、研發、運維、運營、管理等經驗，曾就職于、藍汛、等公司。2013年加入迅達云，現在負責技術的總體把控、技術可行性調研等工作。
見云社區
見云沙龍旨在傳播先進的云計算技術與應用實踐，幫助開發者及云計算服務使用者學習新技術，掌握新技能，提升效率，降低成本。
