点击上方“LiveVideoStack”关注我们
▲扫描图中二维码或点击阅读原文▲
了解音视频技术大会更多信息
//
编者按：随着Google Cloud等基础设施更加成熟，通过使用更加廉价的竞价实例，可以大幅的降低成本。通过开发新的基础设施管理平台——Falkor，Vimeo的运营成本也大幅降低了。
文 / Quentin Mazars-Simon
原文 / https://medium.com/vimeo-engineering-blog/riding-the-dragon-e328a3dfd39d
译 / 核子可乐
Vimeo发布新转码基础设施Falkor——降低成本的同时将速度推向极限。
Vimeo的下一代转码基础设施Falkor现已登场，标志性的形象是充满上个世纪80年代风格的狗头龙身。它不仅比前代方案更快、更可靠，也拉开了通往云原生未来的序幕。关于Falkor的一切，本文将为您一一揭晓。
从历史说起
Falkor的前任方案是Tron转码技术栈，这套技术栈可以追溯到2013年。Tron具有以下特点：
• 能输出带有音频和视频的渐进式MP4格式。
• 会将整个源文件下载到本地，将其转码为所需的profile，再将结果上传至云存储。
Tron是为前云时代的Vimeo所量身打造，当时我们还在运营自己的数据中心（也配合使用一部分竞价实例以优化运营成本）。但如今，我们已经全面转向Google Cloud。
尽管Tron已有10年历史，但我们并不打算让它彻底“退休”。某些Falkor无法处理的极端情况，还是要劳Tron的大驾。关于更多具体情况，我们将在后文中详细介绍。
为什么选择Falkor?
这套全新基础设施的雏形发源于2011年，甚至比Tron的诞生还要早。但我们直到2019年底才在这个方向上全面发力，希望借Falkor项目达成以下几个目标。
将原始源文件直接作为输入
这一点属于对Tron开发工作的延续，希望尽可能使用原始源文件作为转码输入，从而最大限度提升输出质量。毕竟夹层文件是转码的产物，而转码本身是个有损过程。所以跟直接使用原始源文件相比，使用夹层作为后续转码源会降低视频质量。
实现并行化和分布式转码
并行化与分布式转码的本质，就是把视频拆分成一个个更小的片段，分别在我们的服务器上进行转码。在完成所有转码之后，再把各片段组合起来以创建最终输出（参见图一）。这样不仅转码速度更快，从错误中恢复的能力也更强。
图一：并行化和分布式转码过程。
我们希望新的基础设施能继续使用成本低廉的临时竞价实例，延长旧有Tron设施的使用周期。竞价实例不提供容量保证，但成本比按需实例低得多，价格普遍在后者的50%以下，也有助于对可用资源的快速变化做出响应。在Vimeo的用例中，使用竞价实例意味着某些转码作业会被中途取消；但配合并行化与分布式转码，只需重新执行一小部分即可顺利完成视频转码。
此外，Google等云服务商大多支持按秒（首分钟之后）支付实例费用。也就是说，运行单一实例1个小时和运行10个实例各6分钟，其资源价格基本相当，但并行转码的总体耗时会短得多。
迈向云原生
之前提到，Tron是专为前云计算时代的Vimeo所设计，那时候的云环境还有很多问题，所以立足本地基础设施是个非常合乎逻辑的选择。但现在既然决定上云，我们当然要充分利用云服务商提供的方案。这样能大大削减需要自主管理的本地基础设施，但代价就是我们得提防别陷入供应商锁定的陷阱。一旦过度依赖当前云服务商的复杂技术体系，那么我们后续会很难迁移至其他云服务商。
尽可能使用竞价实例
如前所述，使用竞价实例有助于降低成本，同时不会显著影响转码时间。
将音频和视频分别存储，生成碎片化的MP4输出
将音频和视频分别输出，让我们得以轻松访问音频和视频流。
如果音频只需要被提取和存储一次（而非与视频混合或合并），那我们的打包压力就会小得多，也能节约存储成本。（传统上，音频和视频会被存储在同一文件内，导致不同视频质量或还原度版本中都要单独保存一份音频。）
使用碎片化视频，我们可以轻松将视频文件切割成多个片段，这种存储方式能降低打包程序的运行难度。
但这里也有新的权衡，音频与视频拆分会提高渐进式文件的交付难度，挑战我们将音视频即时合并的能力。
使用标准工具进行开发和部署
为团队和公司内其他部门提供一组类似的工具（语言、库、编排等）服务，确保我们的基础设施更易于维护、充分发挥其他服务和团队的产出成果，从整体上降低设施复杂性。
Tron仍依赖于Python 2等已被弃用的技术。
Falkor宏观架构解析
下面，我们用图文详解的方式聊聊Falkor的宏观架构。图二所示，为Falkor各组件与其他服务间的交互关系。
图二：Falkor组件。
图三所示，为Falkor作业的端到端流程。
图三：Falkor流程图。
下面是Falkor的具体转码步骤。
步骤1
客户端通知我们的视频API使用profile集列表，对视频数据进行转码。Profile集的确切列表视具体用例而定。例如，并非所有视频都可使用AV1格式。
步骤2
我们的视频API会执行一系列检查，包括获取视频源位置、要求Falkor API运行分析作业等。检查会返回元数据，包括视频时长、编解码器、帧率、视频是否为HDR等。这些元数据将被放入云存储，以供后续转码作业重复使用。
步骤3
视频API从分析作业处接收元数据，并确定需要运行哪些转码音频和视频profile：使用哪些分辨率、是否启用HDR等。这些profile各自拥有对应的新Falkkor API作业。
音频作业在音频转码工作器上运行，该工作器负责对源音频进行转码，而非在本地下载再将转码结果上传至云端。
视频作业稍微复杂一些。根据用户所上传源视频的索引和其他元数据，Falkor API将确定视频的拆分位置，理想状态下是分割成时长约1分钟的片段。如果无法分割视频，则回退至Tron对源视频做整体处理（后文将讨论具体细节）。每个片段均由各视频转码工作器做并行转码，根据由源文件分配的视频片段获取所需的字节范围，之后将结果上传至云存储。
当所有片段均处理完成后，Falkor API会创建最终的合并作业。该作业会根据各片段的标题头生成视频标题头，例如moov和SIDX，再将此标题头与所有片段连接起来，最后将合并完成的视频存储在目标位置。在我们的云服务环境下，只需调用云存储API即可完成最后一步（详见下文）。
步骤4
以上步骤完成后，Falkor AIP会告知视频API工作已完成。视频API将新的音频或视频文件添加至视频管理系统，再将完成消息通知客户端。
每个单独作业都有自己的通知过程，可帮助客户决定如何按业务逻辑采取行动。例如，客户端允许在H.264视频组件之一和AAC音频组件之一准备就绪后，立即开始播放视频；或者，客户端也可以等待所有转码均完成后再行播放。客户端还可触发其他处理任务，例如为视频内容生成缩略图。
技术细节
从技术栈的角度看，所有作业均在Google Cloud三个美国区域的Kubernetes（GKE）上运行。在队列方面，我们使用的是PubSub。Falkor本身由Go编写，转码器则用C语言编写。
Falkor还用到了我们的作业调度程序Quickset，让我们能够通过以下两种方式降低成本：
• 能在可用的CPU和内存资源范围之内，有效将任务分配给各工作器，在尽可能减少CPU闲置的同时、仍为突发事件保留一部分空间。
• 能够自动缩放Kubernetes节点，并根据竞价实例优先级做任务安排，保证只在真正必要时才回退至非竞价实例。
但要让Quickset有效分配任务，必须保证各项任务的时长和所需的资源量大致相同。为了实现这一点，我们将任务排入不同队列。任务分析主要根据大小进行，因为我们找不到更好的近似值选项。音频任务按持续时间和编解码器做分析，这是因为我们不会对音频做片段拆分，所以不同文件的持续时长会有很大变化。视频任务则按还原度和编解码器划分，因为视频片段的持续时间是恒定的，每段大约一分钟。
发布流程
我们在整个发布过程中始终小心谨慎。毕竟在快速迭代的同时，我们也要保证尽量减少对用户体验的干扰。
我们首先将一小部分H.264 240p转码发送至新基础设施，原因如下：
• 这种还原度的视频不会通过UI或API向用户公开，仅面向内部播放器或外部播放列表，所以即使出现问题也不会造成太大影响。
• 我们可以借此引导流量并调整比例，不必担心突然对用户造成严重影响。
• 我们可以在此期间构建并集成零散的音频和视频数据管线，借此重新组合渐进式文件。
我们还做了一些微小调整，修复了一些bug并解决了缩放问题。当240p视频全部由新基础设施承载之后，我们开始向其发送AAC和Opus格式的音频，意味着Falkor开始处理部分实际业务流量。
之后我们转向H.264 1080p，这种还原度的视频能让我们轻松验证视觉质量是否符合预期，也是用户使用最多的视频格式。万一出现问题，我们会很快得到反馈。虽然我们在内部做了一遍又一遍测试，但每当实际处理用户上传的内容时，总会冒出意料之外的有趣极端案例。
在1080p之后，我们对新基础设施的规模伸缩和输出质量已经充满信心，于是决定引入全部其他H.264格式：4K、2K、720p、360p等，后续还将转移360º视频和用于HDR10及杜比视界的HEVC视频。
但在撰写本文的同时，我们还有不少转码任务没有迁往Falkor：
• 具有可变帧率源的视频。我们打算暂时搁置这部分极端案例，等到之后能轻松发现帧率问题时再迁移比较安全。
• AV1。其实这里没有任何技术障碍，我们只是不想过于贪多。除了极少数内部精选的视频外，我们还没有迁移AV1。事实也证明，这种格式确实需要投入更多精力来整理。
• 在网络上存量较少的源视频。对这部分视频，我们还是采取将源文件下载到磁盘上的老办法。
升级总结
我得说，这项工作推进得相当顺利。当然，期间也出现了一些与视频相关的bug（我们已经向上游发布了相关补丁）和基础设施问题。
首先，我们需要在单独的Kubernetes集群中运行AIP和工作器。这是因为一旦集群中的节点超过1000个，GKE Ingress就无法工作。但现在这个限制已经解除了。
第二，Google Cloud的VPC原生集群中，每个pod都有自己的IP地址。而且因为我们有很多很多pod，所以不想把这个集群与Vimeo的其余基础设施并列部署，毕竟我们已经占用了太多的10.x.x.x内部IP资源。但我们将Cloud NAT设置为仍能与基础设施的其余部分通信，例如我们的可观察性服务。
第三，我们的一部分状态机无法妥善处理重复消息。Google Cloud的Pub/Sub提供“at-least-once”（至少一次）交付保证，但并非“exactly-once”（严格一次）。所以我们被迫重写了一些代码块以使其更具弹性，并会在后续编写新代码时考虑到这个问题。
第四，为了保证可用性，我们在美国三个区域同时运行，所以拉高了出口成本。
升级的回报
简单来讲：成本下降、速度加快。在类似的用例下，Falkor的运营成本远低于Tron，而且我们还有更进一步的调优空间。
此外，虽然Falkor并没有解决所有问题（短视频的转码方式和用时仍跟过去一样），但长视频的转码速度确实大大加快。用户们纷纷给出好评，所以我们的“折腾”也就物有所值了。