Function Compute：音視頻處理最佳實務

應用情境和優勢

隨著越來越多的強互動應用情境的出現，例如社交直播、線上課堂以及遠程醫學等，互連網流量正在向即時、准即時的趨勢演化。視頻平台通常要將原始視頻內容根據碼率、解析度、渠道貼片、播放平台等維度，以1∶N的方式轉碼輸出多種分發視頻格式，以服務不同網路品質、各種播放平台的觀看者。視頻轉碼是視頻生產分發中的關鍵一環，理想的視頻轉碼解決方案需要在成本（人民幣/流）和功率效率（瓦/流）方面具有成本效益。

在不同的應用情境下，Function Compute提供的GPU執行個體與CPU相比所具備的優勢如下。

• 即時、准即時的應用情境

  提供數倍於CPU的轉碼效率，從而快速將生產內容推向終端使用者。

• 成本優先的GPU應用情境

  提供彈性預留模式，從而按需為您保留工作GPU執行個體，對比自購VM擁有較大成本優勢。

• 效率優先的GPU應用情境

  屏蔽營運GPU叢集的繁重負擔（驅動/CUDA版本管理、機器運行管理、GPU壞卡管理），使得開發人員專註於代碼開發、聚焦營運目標的達成。

GPU執行個體的更多資訊，請參見執行個體類型及使用模式。

效能對比

Function ComputeGPU執行個體基於的Turing架構支援以下編碼和解碼格式：

• 編碼格式

  H.264 (AVCHD) YUV 4:2:0

  H.264 (AVCHD) YUV 4:4:4

  H.264 (AVCHD) Lossless

  H.265 (HEVC) 4K YUV 4:2:0

  H.265 (HEVC) 4K YUV 4:4:4

  H.265 (HEVC) 4K Lossless

  H.265 (HEVC) 8k

  HEVC10-bitsupport

  HEVCB Framesupport

• 解碼格式

  MPEG-1

  MPEG-2

  VC-1

  VP8

  VP9

  H.264 (AVCHD)

  H.265 (HEVC) 4:2:0

  *H.265 (HEVC) 4:4:4

  8 bit

  10 bit

  12 bit

  8 bit

  10 bit

  12 bit

  8 bit

  10 bit

  12 bit

原始視頻資訊如下表所示。

CPU和GPU的測試機器指標如下表所示。

視頻轉碼（1∶1）

效能測試：1路輸入、1路輸出

視頻轉碼（1∶N）

效能測試：1路輸入、3路輸出

轉碼命令

• CPU轉碼命令

  • 單路轉碼（1∶1）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg -y -i input.mp4 -c:v h264 -vf scale=1920:1080 -b:v 5M output.mp4

  • 多路轉碼（1∶N）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg \
    -y -i input.mp4 \
    -c:a copy -c:v h264 -vf scale=1920:1080 -b:v 5M output_1080.mp4 \
    -c:a copy -c:v h264 -vf scale=1280:720 -b:v 5M output_720.mp4 \
    -c:a copy -c:v h264 -vf scale=640:480 -b:v 5M output_480.mp4

  表 1. 參數說明

  參數	說明
  -c:a copy	無需任何重新編碼即可複製音頻流。
  -c:v h264	為輸出資料流選擇軟體H.264編碼器。
  -b:v 5M	將輸出位元速率設定為5 Mb/s。

• GPU轉碼命令

  • 單路轉碼（1∶1）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg -y -hwaccel cuda -hwaccel_output_format cuda -i input.mp4 -c:v h264_nvenc -vf scale_cuda=1920:1080:1:4 -b:v 5M output.mp4

  • 多路轉碼（1∶N）

    docker run --rm -it --volume $PWD:/workspace --runtime=nvidia willprice/nvidia-ffmpeg \
    -y -hwaccel cuda -hwaccel_output_format cuda -i input.mp4 \
    -c:a copy -c:v h264_nvenc -vf scale_npp=1920:1080 -b:v 5M output_1080.mp4 \
    -c:a copy -c:v h264_nvenc -vf scale_npp=1280:720 -b:v 5M output_720.mp4 \
    -c:a copy -c:v h264_nvenc -vf scale_npp=640:480 -b:v 5M output_480.mp4

  表 2. 參數說明

  參數	說明
  -hwaccel cuda	選擇合適的硬體加速器。
  -hwaccel_output_format cuda	將解碼的幀儲存在GPU記憶體中。
  -c:v h264_nvenc	選擇NVIDIA硬體加速H.264編碼器。

準備工作

• GPU執行個體僅支援通過容器鏡像方式部署。

• 在GPU執行個體所在地區，完成以下操作：

  • 建立Container Registry的企業版執行個體或個人版執行個體，推薦您建立企業版執行個體。具體操作步驟，請參見建立企業版執行個體。

  • 建立命名空間鏡像倉庫。具體操作步驟，請參見步驟二：建立命名空間和步驟三：建立鏡像倉庫。

• 將需處理的音視頻資源上傳至在GPU執行個體所在地區的OSS Bucket中，且您對該Bucket中的檔案有讀寫權限。具體步驟，請參見控制台上傳檔案。許可權相關說明，請參見修改儲存空間讀寫權限。

通過Function Compute控制台部署GPU應用

1. 部署鏡像。

   1. 建Container Registry的企業版執行個體或個人版執行個體。

      推薦您建立企業版執行個體。具體操作步驟，請參見建立企業版執行個體。

   2. 建立命名空間和鏡像倉庫。

      具體操作步驟，請參見步驟二：建立命名空間和步驟三：建立鏡像倉庫。

   3. 在Container Registry控制台，根據介面提示完成Docker相關操作步驟。然後將上述樣本app.py和Dockerfile推送至執行個體鏡像倉庫，檔案資訊，請參見通過ServerlessDevs部署GPU應用時/code目錄中的app.py和Dockerfile。

      

2. 建立GPU函數。具體操作步驟，請參見建立Custom Container函數。

3. 修改函數的執行逾時時間。

   1. 在目標函數的配置頁簽，在左側導覽列，選擇運行時，然後單擊運行時右側的編輯。

   2. 在運行時面板，修改執行逾時時間，然後單擊確定。

   說明

   CPU轉碼耗時會超過預設的60s，因此建議您修改執行逾時時間為較大的值。

4. 配置GPU預留執行個體。關於配置預留執行個體的具體操作，請參見配置預留執行個體。

   配置完成後，您可以在規則列表查看預留的GPU執行個體是否就緒。即當前預留執行個體數是否為設定的預留執行個體數。

5. 使用cURL測試函數。

   1. 在函數詳情頁面，單擊觸發器管理頁簽，查看觸發器的配置資訊，擷取觸發器的訪問地址。

   2. 在命令列執行如下命令，調用GPU函數。

      • 查看線上函數版本

        curl -v "https://tgpu-ff-console-tgpu-ff-console-ajezot****.cn-shenzhen.fcapp.run"
        {"function": "trans_gpu"}

      • 使用CPU進行轉碼

        curl "https://tgpu-ff-console-tgpu-ff-console-ajezot****.cn-shenzhen.fcapp.run" -H 'TRANS-MODE: cpu'
        {"result": "ok", "upload_time": 8.75510573387146, "download_time": 4.910430669784546, "trans_time": 105.37688875198364}

      • 使用GPU進行轉碼

        curl "https://tgpu-ff-console-tgpu-ff-console-ajezotchpx.cn-shenzhen.fcapp.run" -H 'TRANS-MODE: gpu'
        {"result": "ok", "upload_time": 8.313958644866943, "download_time": 5.096682548522949, "trans_time": 8.72346019744873}