跳到主要內容

17 Media 直播技術大解密

亞洲即時互動媒體龍頭 17 Media 歡慶成立四周年,透過深厚的即時互動工程技術底蘊、絕佳使用者體驗、流暢不中斷的優質直播內容在全球交出漂亮的成績單。17 Media 定期舉辦直播技術分享會 17 Tech Night( 17 科技之夜),邀請工程技術團隊現身分享 17 直播的開發旅程。

後端工程團隊合作無間,打造無時差的順暢直播體驗

17 Media 全球註冊用戶數達4,200萬、簽約的內容創作者近20,000人,近期更將內容生產、直播娛樂的版圖拓展至香港、日本、美國及馬來西亞等地。而為加強即時互動性、讓尖峰時段的直播流量不中斷,作為 17 Media 穩定運作的強力後盾,工程技術團隊結合了多種先進的軟體開發流程,不斷地優化和改良後台系統與產品設計,才能讓 17 Media 的優質內容流暢不間斷。

17 Media 後端工程部總監陳義雄表示,直播平台的順暢度是 17 Media 的首要目標,無論在不同時區的尖峰時刻,都需在開啟直播間之後的 0.3 秒內進入直播畫面;或是當有數百名直播主一起開播的線下活動、與電視台合作的直播益智互動節目進行時,都會為平台帶來瞬間流量以及可能的畫面延遲問題。陳義雄也分享,「技術團隊在克服所有裝置的畫面延遲上,有許多維運細節,即使只有1%的用戶服務出問題,17 Media 的工程技術團隊也能早一步預警並快速協助各供應商調整並維護。這些細節都是經過我們工程技術團隊在系統背後的無數次打磨,才能無時差的將優質的直播畫面提供給用戶、讓直播主與用戶順利互動。」

SRE 團隊作為產品幕後推手,自動化追蹤系統運作,維持 17 Media 競爭力

為因應 17 Media 的跨國直播服務,直播流量尖峰已不僅限於特定時段,17 Media 工程技術團隊首重靈活調整,以應付各種負載需求。17 Media 的工程團隊分工中,除了有後端工程師團隊負責開發、測試新功能外,17 Media 亦設有 SRE(Site Reliability Engineering,網站可靠性工程)團隊,管理 17 Media 複雜的基礎架構、資料庫、建置開發環境等,共同提供安全、可靠、具擴充性(Scalable)的解決方案,用快和穩定來維持競爭力。

17 Media 資深 SRE 工程部經理林毅民也分享:「17 Media SRE 團隊建立了24小時的 On-Call 制度,負責非常細緻的系統運作監控,追蹤數百項系統數據、制定量化的指標,做為系統發布警報的標準並每日發布,讓團隊能快速了解當前基礎架構的運作狀況,讓系統運行穩定並且提供開發人員能極大化產出速度的開發環境。」

iOS 團隊建立一套自動化整合及部署流程,降低直播 App 送審時被拒的風險

17 直播 App 做為公司產品本身,iOS 團隊深負重任,在後端穩定平台營運時,持續提供最新的功能給用戶,並提升 App 穩定性與優化使用者體驗,用深厚的開發經驗降低產品送審時被拒的風險、讓優質內容和創作者能持續被看見。

17 Media 資深 iOS 系統總監王瑞璽分享,「17 直播 App iOS 端用戶眾多,也意味著是一項艱難的挑戰。」17 直播在 AppStore 嚴謹的審查條款下曾在初期遭下架,近期更因拓展的國家、語系不斷增加,讓 17 直播 App 在全球持續「符合審查規範」並維持「每週一次更新」的任務更顯艱鉅。

17 Media iOS 工程技術團隊分享,人為疏忽如部署錯誤版本、使用不合規的關鍵字、圖片或描述等,都可能造成送審被拒、App被下架,造成營運上的混亂和用戶的困擾。王瑞璽表示,「為解決這個問題,17 Media iOS 團隊發展出一套自動化流程,整合 17 Media 自己的開發流程、團隊溝通平台 Slack 與第三方系統,讓系統能自行針對 AppStore 的送審流程進行自動化驗證和嘗試,自動化翻譯、整合素材、最後一鍵打包並送審,讓原本繁瑣的手動操作簡化成一條簡單的指令,增加團隊效率同時有效降低17 直播 App 送審時被拒絕或下架的風險。」

17 Media iOS 團隊導入 Apple 新技術,創作者一秒變虛擬主播!

虛擬主播(V-Liver)風潮從日本吹進台灣,17 Media 自去年起加入近百位虛擬主播,成台灣第一個可透過直播和虛擬主播互動的原生平台。虛擬主播廣受粉絲歡迎,也吸引許多創作者想要加入虛擬主播的行列,迎上二次元的 V-Live 風潮。

Apple 在全球開發者大會 WWDC 15 上公布了 ReplayKit,是一個讓直播主及創作者們可以串流手機螢幕畫面、即時分享到不同平台的框架,17 Media iOS 團隊看到後立即著手研究和導入。王瑞璽指出,「在過去,創作者要打造虛擬主播,只能透過電腦上的 OBS 影音串流直播工具來進行,隨著日漸增加的手機直播需求,我們也希望能讓虛擬主播有更便利的開播方式,因此 17 Media iOS 團隊即投入研究並導入 Apple 的此項新技術,現在創作者只要用一支手機就可以化身虛擬主播、一鍵開播!」

在同一支手機上,只要透過一個第三方 App 來製作虛擬化人像、變身後的影像可以直接在 17 直播 App 上開播,過程簡單快速,讓虛擬主播上手更容易、也讓用戶能有更多虛擬與現實融合的娛樂新體驗。

17 Media 團隊擁抱創新,開發開源軟體,號召技術人才一起打造優質直播環境

首屆 17 Tech Night 邀請 17 Media 工程技術團隊與業界分享後端技術,深獲聽眾好評。第二屆 17 Tech Night 則邀請與使用者第一線接觸的 iOS 工程團隊,分享團隊使用的各項技術以打造使用者最佳的即時互動體驗,進而完美呈現用戶眼前的 17 直播 App。

17 Tech Night 已成為每季舉辦的盛會,並期待有更多新世代技術人才加入 17 Media,一起打造更好的使用者體驗、可信賴的直播環境,帶給用戶更多價值、協助更多人透過直播完成夢想。

17 Media 人才招募訊息:https://www.jobs.17.media/?lang=zh

留言

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...