部署先進的網(wǎng)絡(luò)基礎(chǔ)設(shè)施不僅可以解決數(shù)據(jù)傳輸量激增的問題，而且還能在諸如邊緣、核心和云端等網(wǎng)絡(luò)的不同部分進行數(shù)據(jù)處理。不足為奇的是大部分?jǐn)?shù)據(jù)要么是視頻，要么是圖像，并且這些數(shù)據(jù)正以指數(shù)級速度增長，并將在未來幾年內(nèi)保持持續(xù)增長。因此，需要更多的計算資源來應(yīng)對數(shù)據(jù)的大量增長(如圖1所示)。

由于應(yīng)用的類型多種多樣，因此在數(shù)據(jù)中心中存在著各種各樣的視頻或圖像處理工作負載?；趯Ｓ眉呻娐?ASIC)的解決方案通?？商峁└叩男阅埽菬o法進行升級以支持未來的算法;基于中央處理器(CPU)的解決方案要比其更加靈活，但其時鐘主頻已經(jīng)固定，而且已不再可能大幅提升處理器性能;圖形處理器(GPU)是提供視頻/圖像處理解決方案的另一種候選方案，但其功耗明顯高于基于現(xiàn)場可編程邏輯門陣列(FPGA)的解決方案。FPGA在視頻處理和壓縮領(lǐng)域內(nèi)，是一種具有吸引力的選擇，因為它們提供了實現(xiàn)創(chuàng)新視頻處理算法所需的、平衡的資源。此外，F(xiàn)PGA提供了一種靈活的解決方案，可以縮短產(chǎn)品上市時間，并能在解決方案的整個生命周期內(nèi)實現(xiàn)持續(xù)升級和部署新的功能。

圖1：全球互聯(lián)網(wǎng)視頻數(shù)據(jù)流(來源：思科)

33% CAGR 2017-2022：2017-2022年間的復(fù)合年增長率33%

Exabytes per Month：每月的Exabytes數(shù)量

基于FPGA的視頻解決方案的示例

本白皮書將介紹三種典型的視頻應(yīng)用，以展示基于FPGA的解決方案在廣播行業(yè)中的優(yōu)勢。這些優(yōu)勢包括縮短處理時間、降低功耗，以及為服務(wù)提供商和終端用戶節(jié)省成本。

本白皮書將介紹基于FPGA的解決方案在以下三種應(yīng)用中的優(yōu)勢：

視頻流

使用視頻編輯軟件來創(chuàng)作視頻內(nèi)容

人工智能(AI)和深度學(xué)習(xí)–圖像識別是該應(yīng)用的主要部分，其需要高性能的計算資源

視頻流傳送

為了使媒體流變得快速和高效，對視頻進行轉(zhuǎn)碼的需求已急劇增加。目前大多數(shù)產(chǎn)品都采用了一種基于軟件的方法，但該方法無法滿足高帶寬、廣播級視頻流的處理要求。視頻流和/或云服務(wù)提供商面臨著由基于軟件的解決方案所帶來的低吞吐量、高功耗、長延遲和占用空間大等挑戰(zhàn)。根據(jù)思科的一份題為《思科可視網(wǎng)絡(luò)指數(shù)：預(yù)測與趨勢——2017-2022年白皮書》的報告，視頻流數(shù)據(jù)流量正在增加，并且到2022年時將占據(jù)整個互聯(lián)網(wǎng)數(shù)據(jù)流的82%。在包括視頻點播、流媒體直播和視頻監(jiān)控等所有應(yīng)用中，視頻數(shù)據(jù)流量將逐年穩(wěn)步增長。

諸如Netflix和YouTube等視頻流應(yīng)用的興起推動了對視頻轉(zhuǎn)碼的需求。傳統(tǒng)廣播和視頻流媒體之間最顯著的區(qū)別在于內(nèi)容量和頻道數(shù)。為了支持從電腦到智能手機等各種接收設(shè)備，內(nèi)容必須被轉(zhuǎn)碼成不同的分辨率和壓縮格式。因此，視頻流將消耗大量的計算資源。

圖2：視頻轉(zhuǎn)碼工作流程

Acquisition：獲取

content creator dramatically growing：內(nèi)容創(chuàng)作者的數(shù)量在急劇增加

Editing：編輯

Uploading：上傳

Streaming Company：流媒體公司

Cloud Service Provider：云服務(wù)提供商

Transcoding：轉(zhuǎn)碼

different compression：不同的壓縮率

different resolution：不同的分辨率

different bitrates：不同的比特率

Distribution：發(fā)布

iPhone：iPhone手機

Andriod：安卓手機

PC Browser：電腦瀏覽器

流媒體和云服務(wù)提供商需要一種解決方案來緩解對計算需求的壓力。Achronix Speedster®7t系列FPGA器件中搭載了IBEX這種最先進的視頻處理半導(dǎo)體知識產(chǎn)權(quán)(IP)能夠解決這一重大問題。這種基于FPGA的解決方案可以提供高吞吐量的、低功耗的和占用空間小的系統(tǒng)，而且無需犧牲靈活性。盡管基于ASIC的解決方案功能強大，但只能支持在設(shè)計時定義的功能集，而不能支持現(xiàn)場更新。

視頻內(nèi)容創(chuàng)作

在過去，高清分辨率(HD)格式在視頻內(nèi)容創(chuàng)作中占據(jù)主導(dǎo)地位。最近，標(biāo)準(zhǔn)分辨率已被提升至4K，甚至到8K，這使得視頻編碼或解碼面臨挑戰(zhàn)。用于這些較高分辨率的壓縮格式主要有Apple ProRes、Avid DNx和SONY XAVC。由于這些壓縮格式是專有的，因此ASIC或GPU并不能原生支持這些格式，而且CPU提供的性能也不佳。因此，在較高分辨率下創(chuàng)作視頻內(nèi)容時，F(xiàn)PGA是最佳的解決方案。

圖3：視頻編輯工作流程

Import：導(dǎo)入

Editing Software：編輯軟件

Import(Decode)：導(dǎo)入(解碼)

Export(Encode)：導(dǎo)出(編碼)

Remote Edit：遠程編輯

Export：導(dǎo)出

在新的趨勢下，遠程后期制作的概念正變得越來越普遍。然而，現(xiàn)有的電腦并沒有足夠的能力來實時處理高分辨率的內(nèi)容(例如8K)。因此，編輯人員開始借助云基礎(chǔ)設(shè)施來獲得更好的計算性能。此外，由于需要保持社交距離，新冠肺炎疫情也加速了這一趨勢?；谠坪虵PGA的解決方案為編輯人員提供了巨大的好處。Achronix Speedster7t系列FPGA器件進行架構(gòu)創(chuàng)新，例如二維片上網(wǎng)絡(luò)(NoC)，使其特別適合于加速編碼和解碼算法。

人工智能與深度學(xué)習(xí)

人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)是眾所周知的領(lǐng)域，它們在過去幾年中得到了迅速的發(fā)展。除了這些領(lǐng)域，圖像識別也逐漸成為一個全新的重要領(lǐng)域，這得益于人工智能/機器學(xué)習(xí)(AI / ML)的創(chuàng)新。例如，先進駕駛員輔助系統(tǒng)(ADAS)使用深度學(xué)習(xí)算法來處理捕獲的圖像。安裝在車上的行車記錄儀使用H.264壓縮技術(shù)記錄視頻，然后將視頻流轉(zhuǎn)碼為諸如JPEG或PNG等合適的圖像格式，以用于深度學(xué)習(xí)圖像識別。根據(jù)應(yīng)用場景，可以同時完成丟幀、更改分辨率或其他圖像處理任務(wù)。

在零售業(yè)的安全攝像頭或物流業(yè)的包裹分揀中也有類似的應(yīng)用案例，其數(shù)據(jù)流與上述示例相同 —— 這些應(yīng)用中的攝像頭使用H.264或H.265等壓縮比相對較高的壓縮格式記錄視頻，然后將編碼的視頻流傳輸?shù)皆贫嘶驍?shù)據(jù)中心。在云端，視頻流由原始格式轉(zhuǎn)碼為適合深度學(xué)習(xí)的格式，將視頻文件轉(zhuǎn)換為圖像資料庫。

圖4：典型的深度學(xué)習(xí)圖像數(shù)據(jù)流

Transcoding：轉(zhuǎn)碼

Different compression：不同的壓縮率

Video=Image：視頻=圖像

AI：人工智能

Deep Learning：深度學(xué)習(xí)

Image Recognition：圖像識別

從歷史來看，F(xiàn)PGA一直擅長將電影轉(zhuǎn)碼為圖像。此外，使用FPGA中的深度學(xué)習(xí)算法對圖像預(yù)先進行預(yù)處理，不僅可以提高吞吐量，而且還能減少系統(tǒng)級的數(shù)據(jù)事務(wù)量。Achronix Speedster7t的創(chuàng)新架構(gòu)及其帶有的專用機器學(xué)習(xí)處理器(MLP)，使之成為實現(xiàn)定制的和既定的深度學(xué)習(xí)算法的理想選擇。

FPGA代表性視頻用例的性能

我們分別使用FPGA和CPU來實現(xiàn)上述三個典型應(yīng)用案例，并對一些關(guān)鍵指標(biāo)進行對比，如下表所示。

表注

↑ FPGA提供更佳的性能。

? FPGA和CPU提供同等的性能，但FPGA是卸載CPU負擔(dān)的首選解決方案。

↓ FPGA和CPU提供同等的性能，但CPU是首選解決方案。

視頻流傳輸

在視頻流傳輸應(yīng)用中，常用的壓縮格式是H.264或H.265，因為終端(接收端)設(shè)備原生支持這些格式。諸如位深或色度和分辨率等參數(shù)通常為8位、4：2：0和1920×1080或1280×720。在解碼器方面，基于FPGA的實現(xiàn)比基于CPU的系統(tǒng)提供更高的吞吐量。在數(shù)據(jù)層面，F(xiàn)PGA效率更高，因為如果將CPU用于純數(shù)據(jù)處理之外的其他任何與數(shù)據(jù)相關(guān)的任務(wù)時，它通常都沒有得到充分的利用。然而在編碼器方面，硬化的CPU編碼器內(nèi)核是專門針對這些典型參數(shù)而設(shè)計的，并提供了足夠的性能。

為了獲得兩全其美的效果，將FPGA和CPU解決方案相結(jié)合，并由FPGA來處理繁重的工作負載是理想的解決方案。FPGA上的高效功能可以被移植到可重新配置的硬件上去運行。例如，運動估計算法是一種適合FPGA的工作負載。另一方面，CPU更適合處理比特率控制算法。

一些服務(wù)提供商要求在軟件解決方案中實現(xiàn)與x264相同的視頻質(zhì)量和流媒體格式。FPGA和CPU的組合解決方案可以有效地滿足這些要求。使用這種方法，每種功能都被合理地分配，較繁重的處理負載被轉(zhuǎn)移到FPGA，與純軟件解決方案相比，這種方法能提供類似或更好的視頻質(zhì)量和流媒體格式，而且編碼時間顯著減少。

下表列出了使用這種方法的x264評測結(jié)果，第一行顯示了在FPGA上的運動估計函數(shù)(x264_8_me_search_erf)的結(jié)果。運動估計是CPU最繁重的工作負載之一，占據(jù)總處理時間的21.2278%。

視頻內(nèi)容創(chuàng)作

用于內(nèi)容創(chuàng)作的視頻編輯軟件支持多種壓縮格式，其中包括Apple ProRes、Avid DNx、Sony XAVC和Panasonic AVC-Intra，這些格式都帶有基于內(nèi)幀結(jié)構(gòu)的專有壓縮方案。此外，還有一些支持RAW模式的格式，諸如Apple ProRes RAW、RED RAW、ARRI RAW和Blackmagic RAW，這些格式都得到了攝像機制造商的支持。由于這些格式(以及新型的和不斷出現(xiàn)的格式)具有不斷變化的特性，因此基于ASIC的解決方案并不實用，而需要基于FPGA的解決方案。