函数计算：音视频处理最佳实践

应用场景和优势

随着越来越多的强交互应用场景的出现，例如社交直播、在线课堂以及远程医疗等，互联网流量正在向实时、准实时的趋势演进。视频平台通常要将原始视频内容根据码率、分辨率、渠道贴片、播放平台等维度，以1∶N的方式转码输出多种分发视频格式，以服务不同网络质量、各种播放平台的观看者。视频转码是视频生产分发中的关键一环，理想的视频转码解决方案需要在成本（人民币/流）和功率效率（瓦/流）方面具有成本效益。

在不同的应用场景下，函数计算提供的GPU实例与CPU相比所具备的优势如下。

• 实时、准实时的应用场景

  提供数倍于CPU的转码效率，从而快速将生产内容推向终端用户。

• 成本优先的GPU应用场景

  提供弹性预留模式，从而按需为您保留工作GPU实例，对比自购VM拥有较大成本优势。

• 效率优先的GPU应用场景

  屏蔽运维GPU集群的繁重负担（驱动/CUDA版本管理、机器运行管理、GPU坏卡管理），使得开发者专注于代码开发、聚焦业务目标的达成。

GPU实例的更多信息，请参见实例类型及使用模式。

性能对比

函数计算GPU实例基于的Turing架构支持以下编码和解码格式：

• 编码格式

  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

• 解码格式

  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

原始视频信息如下表所示。

CPU和GPU的测试机器指标如下表所示。

视频转码（1∶1）

性能测试：1路输入、1路输出

视频转码（1∶N）

性能测试：1路输入、3路输出

转码命令

• CPU转码命令

  • 单路转码（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

  • 多路转码（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. 参数说明

  参数	说明
  -c:a copy	无需任何重新编码即可复制音频流。
  -c:v h264	为输出流选择软件H.264编码器。
  -b:v 5M	将输出比特率设置为5 Mb/s。

• GPU转码命令

  • 单路转码（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

  • 多路转码（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. 参数说明

  参数	说明
  -hwaccel cuda	选择合适的硬件加速器。
  -hwaccel_output_format cuda	将解码的帧保存在GPU内存中。
  -c:v h264_nvenc	选择NVIDIA硬件加速H.264编码器。

准备工作

• GPU实例仅支持通过容器镜像方式部署。

• 在GPU实例所在地域，完成以下操作：

  • 创建容器镜像服务的企业版实例或个人版实例，推荐您创建企业版实例。具体操作步骤，请参见创建企业版实例。

  • 创建命名空间镜像仓库。具体操作步骤，请参见步骤二：创建命名空间和步骤三：创建镜像仓库。

• 将需处理的音视频资源上传至在GPU实例所在地域的OSS Bucket中，且您对该Bucket中的文件有读写权限。具体步骤，请参见控制台上传文件。权限相关说明，请参见修改存储空间读写权限。

通过函数计算控制台部署GPU应用

1. 部署镜像。

   1. 建容器镜像服务的企业版实例或个人版实例。

      推荐您创建企业版实例。具体操作步骤，请参见创建企业版实例。

   2. 创建命名空间和镜像仓库。

      具体操作步骤，请参见步骤二：创建命名空间和步骤三：创建镜像仓库。

   3. 在容器镜像服务控制台，根据界面提示完成Docker相关操作步骤。然后将上述示例app.py和Dockerfile推送至实例镜像仓库，文件信息，请参见通过ServerlessDevs部署GPU应用时/code目录中的app.py和Dockerfile。

      

2. 创建GPU函数。具体操作步骤，请参见创建Custom Container函数。

3. 修改函数的执行超时时间。

   1. 在目标函数的配置页签，在左侧导航栏，选择运行时，然后单击运行时右侧的编辑。

   2. 在运行时面板，修改执行超时时间，然后单击确定。

   说明

   CPU转码耗时会超过默认的60s，因此建议您修改执行超时时间为较大的值。

4. 配置GPU预留实例。关于配置预留实例的具体操作，请参见配置预留实例。

   配置完成后，您可以在规则列表查看预留的GPU实例是否就绪。即当前预留实例数是否为设置的预留实例数。

5. 使用cURL测试函数。

   1. 在函数详情页面，单击触发器管理页签，查看触发器的配置信息，获取触发器的访问地址。

   2. 在命令行执行如下命令，调用GPU函数。

      • 查看线上函数版本

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

      • 使用CPU进行转码

        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进行转码

        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}