ما مدى جودة مشاركة الشاشة عبر WebRTC؟ اختبرت أربعة برامج ترميز.

لطالما راودني الفضول لمعرفة مدى توافق برامج الترميز المختلفة مع مشاركة الشاشة عبر WebRTC. لذلك، قررتُ أن أكتشف ذلك بنفسي من خلال اختبار أكثرها شيوعًا: VP8، وVP9، وH.264، وAV1. للتأكد من دقة النتائج، أجريتُ اختباراتٍ على مجموعة متنوعة من أنواع المحتوى وظروف الشبكة. لم أعتمد فقط على الانطباعات البصرية، بل استخدمتُ مقارناتٍ إطارية، وحسبتُ نسبة ذروة الإشارة إلى الضوضاء (PSNR)، وجمعتُ إحصاءات WebRTC مُفصّلة للحصول على رؤية واضحة ومستندة إلى البيانات. وللمضي قدمًا، قمتُ بإنشاء إضافة مخصصة لمتصفح كروم تتتبع استخدام وحدة المعالجة المركزية أثناء الترميز وفك التشفير. وقد أتاح لي ذلك رؤيةً واضحةً لكيفية تأثير كل برنامج ترميز على أداء النظام - فالجودة ممتازة، ولكن ليس إذا كان جهاز الكمبيوتر الخاص بك يعمل بكامل طاقته في محاولة مواكبة الأداء. لقد راجعتُ مقاييس رئيسية مثل معدل البت، ومعدل الإطارات، والدقة، والتكميم (QP)، ونسبة الإشارة إلى الضوضاء (PSNR)، وحمل وحدة المعالجة المركزية. بناءً على كل ذلك، توصلتُ إلى بعض التوصيات العملية لمساعدة أي شخص يحاول تحسين مشاركة الشاشة عبر WebRTC لحالات استخدامه الخاصة. حول التجربة لماذا مشاركة الشاشة ليست بهذه البساطة كما تبدو إذا سبق لك مشاركة شاشتك أثناء مكالمة فيديو ولاحظت انخفاض الجودة أو تقطع الفيديو، فأنت لست وحدك. الحفاظ على مشاركة الشاشة واضحة وسلسة أصعب مما يبدو. المشكلة؟ تكمن المشكلة في التنوع. بعض المحتوى يكون ثابتًا، مثل عرض شرائح أو مستند. وفي أحيان أخرى، تُشارك فيديوهات عالية الحركة. تتطلب هذه الأنواع المختلفة من المحتوى قدرات مختلفة تمامًا من برنامج الترميز. على سبيل المثال، يستهلك الفيديو سريع الحركة قدرًا هائلًا من عرض النطاق الترددي، بينما الصور الثابتة أكثر حساسية لتأثيرات الضغط التي قد تجعلها تبدو ضبابية أو متكتلة. أضف إلى ذلك مشاكل الإنترنت الواقعية، مثل فقدان الحزم أو انخفاض عرض النطاق الترددي، وستزداد الأمور تعقيدًا. لذلك، يُعد اختيار برنامج الترميز المناسب - وضبط آلية عمله - أمرًا بالغ الأهمية لضمان مشاركة شاشة عالية الجودة وسريعة الاستجابة. هناك بالفعل الكثير من الأبحاث حول أداء برامج ترميز الفيديو في سيناريوهات البث العام. لكن لمشاركة الشاشة خصائصها الخاصة. فالأمر لا يقتصر على مشاهدة الفيديو فحسب، بل يشمل التفاعل الفوري، وأنواع المحتوى متنوعة. هذا يعني أن الأبحاث المعتادة لا تنطبق دائمًا. ما الذي أعتزم القيام به أردتُ التعمق أكثر في حالة الاستخدام هذه. كان هدفي هو معرفة أداء برامج الترميز المختلفة عند مشاركة الشاشة، خاصةً في ظل القيود الواقعية، مثل تنوع أنواع المحتوى وظروف الشبكة غير المتوقعة. لتحقيق ذلك، صممتُ طريقةً لتقييم جودة مشاركة الشاشة بأقصى دقة ممكنة - ليس فقط بناءً على مظهرها، بل استنادًا إلى مقاييس وبيانات دقيقة. وخلال هذه العملية، تعلمتُ الكثير عن برامج الترميز الأنسب، وكيفية ضبطها بدقة لتحسين الأداء في تطبيقات الوقت الفعلي. سرعان ما اتضح أمر واحد: أداء مشاركة الشاشة يعتمد في الواقع على تشاركه. يختلف أداء الفيديو السريع تمامًا عن أداء مستند ثابت أو تصفح بطيء لصفحة ويب. ما لضمان عدالة وتناسق النتائج، حرصتُ على أن يُجرى كل اختبار بنفس الشروط - نفس الدقة، نفس نقطة البداية، ونفس المدة. بهذه الطريقة، كنتُ واثقًا من أن النتائج تتعلق بأداء برنامج الترميز، وليس بمتغير عرضي. لقد قمت بإنشاء حالتي اختبار مختلفتين لمحاكاة مواقف مشاركة الشاشة في الحياة الواقعية: - كان هذا مقطعًا حقيقيًا لراكبي دراجات نارية ينطلقون بسرعة عبر غابة. حركة سريعة، ومناظر طبيعية مفصلة، وبيئة بصرية متغيرة باستمرار - مثالية لتجاوز حدود الضغط. فيديو عالي الحركة - أنشأتُ صفحة HTML بسيطة تحتوي على نصوص وصور، ثم استخدمتُ جافا سكريبت لتمريرها بسرعة ثابتة. يُحاكي هذا استخدامًا شائعًا كمشاركة مستند أو قراءة صفحة ويب. نصّ يتم تمريره تلقائيًا لقد أعطاني هذان النوعان من المحتوى مزيجًا جيدًا لاختبار كيفية تعامل كل برنامج ترميز مع التحديات المختلفة - من مواكبة الحركة إلى الحفاظ على الوضوح في المشاهد الأكثر ثباتًا. كيف أقوم بإعداد كل شيء لاختبار برامج الترميز بشكل صحيح، كنتُ بحاجة إلى إعداد قوي يلتقط - سواءً ما يُرسل أو ما يُستقبل. بدأتُ باستخدام أداة تُسمى (يمكنكم التعرّف على هذه الأداة وغيرها الكثير في منشوري السابق: " ")، وهي أداة رائعة للتلاعب بالمكونات الداخلية لـ WebRTC. انتهيتُ بتعديلها بشكل كبير لتحسين مشاركة الشاشة والتأكد من إمكانية تسجيل كلٍّ من تدفقات الفيديو الصادرة والواردة. وفّر لي كل تشغيل تجريبي ملفي فيديو - أحدهما لما يُرسل والآخر لما يُستقبل - استخدمتهما لاحقًا للتحليل جنبًا إلى جنب. كل شيء webrtc-sandbox تعلّم WebRTC عمليًا: أفضل الأدوات والعروض التوضيحية لكنني لم أتوقف عند الفيديو، بل أردتُ أيضًا تتبُّع ما يحدث في الخفاء. لذلك، استخرجتُ إحصائيات WebRTC مُفصّلة مباشرةً من مُتصفّح Chrome. أتاحت لي هذه الإحصائيات فرصةً للاطلاع على أداء كل برنامج ترميز وسلوك الشبكة المُحاكاة خلال كل اختبار. كان أحد أهم العوامل المؤثرة، وقد اتضح أن ذلك كان صعبًا بعض الشيء. لا تسمح النسخة العادية من كروم للمكونات الإضافية بمراقبة استهلاك وحدة المعالجة المركزية لكل علامة تبويب على حدة، لذلك استخدمتُ إصدارًا تطويريًا من المتصفح وكتبتُ مكونًا إضافيًا خاصًا بي للتغلب على ذلك. استخدام وحدة المعالجة المركزية (CPU) ركزتُ تحديدًا على قياس استخدام وحدة المعالجة المركزية (CPU) من علامة التبويب التي كانت تُرسل أو تستقبل مشاركة الشاشة. بهذه الطريقة، استبعدتُ مهام العرض غير ذات الصلة من أجزاء أخرى من المتصفح. ولأن الإرسال والاستقبال حدثا في علامة التبويب نفسها، كانت الأرقام التي حصلتُ عليها عرضًا مُجمّعًا - ولكنه لا يزال قريبًا جدًا مما تراه في حالة استخدام واقعية. (ملاحظة: عادةً ما يكون تأثير التشفير على وحدة المعالجة المركزية أكبر من تأثير فك التشفير). جمع البيانات: بعد 157 اختبارًا لاحقًا... بعد أن أصبح الإعداد جاهزًا، حان وقت إجراء التجارب الفعلية - وقد أجريتُ العديد منها. كررتُ الاختبارات على نفس الجهاز مرارًا وتكرارًا، مستخدمًا ظروف شبكة وإعدادات ترميز مختلفة لاختبار مدى ثبات النتائج. في المجمل، جمعتُ ، مع التأكد من تمثيل جميع ظروف الاختبار بشكل جيد. 157 نقطة بيانات لقد منحتني هذه البيانات مجموعة بيانات متينة للعمل عليها، وسمح لي بإجراء تحليل متعمق لكيفية عمل مشاركة الشاشة في WebRTC في سيناريوهات مختلفة. إليك ما كنت أختبره تحديدًا: : لقد استخدمت نوعين من محتوى مشاركة الشاشة لتعكس حالات الاستخدام الشائعة: نوع الفيديو - لقطات من العالم الحقيقي مع الكثير من التغييرات في البكسل في كل إطار. فيديو عالي الحركة - صور ثابتة في الغالب، ولكن مع تغيير موضع البكسلات أثناء تمرير النص. نص يتم تمريره تلقائيًا : لقد قمت باختبار برامج الترميز الأربعة الأكثر شيوعًا لمشاركة الشاشة: الترميز AV1 H.264 نائب الرئيس 8 نائب الرئيس 9 : نظرًا لأن النطاق الترددي يلعب دورًا كبيرًا في جودة الفيديو (خاصةً في مكالمات الفيديو)، فقد قمت بمحاكاة مجموعة متنوعة من ظروف الشبكة لمعرفة مدى قدرة كل برنامج ترميز على التعامل مع النطاق الترددي الضيق أو المتقلب. عرض النطاق الترددي للشبكة من خلال مزج هذه المتغيرات ومطابقتها بطريقة منظمة، تمكنت من محاكاة سيناريوهات مشاركة الشاشة في العالم الحقيقي - النوع الذي قد تواجهه في مكالمة فيديو، أو أثناء عرض توضيحي مباشر، أو في جلسة تعاونية عن بعد. إصلاح الأخطاء: كيف جعلت الاختبارات أكثر موثوقية كما هو الحال في معظم التجارب، لم تسر التجارب الأولى بسلاسة كما كنت آمل. ظهرت مشكلتان رئيسيتان على الفور: في البداية، كنت أبدأ مشاركة الشاشة يدويًا - بالنقر على زرّ حرفيًا لبدء التشغيل. المشكلة؟ كان من شبه المستحيل مزامنة بداية التسجيل مع بداية محتوى الفيديو. هذا يعني أن كل اختبار تشغيل كان له توقيت مختلف قليلاً، مما أفسد المقارنات. بدء يدوي = توقيت غير دقيق. حتى مع التوقيت المناسب، فإن للفيديو المباشر خصائصه الخاصة. فبسبب التشفير وفك التشفير وتأخيرات الشبكة، لم تتطابق التدفقات المرسلة والمستلمة تمامًا. وهذا جعل مقارنة جودة كل إطار على حدة شبه مستحيلة. الإرسال مقابل الاستلام = عدم تزامن. ولحل هذه المشكلات، قمت بإجراء بعض التحسينات الرئيسية: : بدلًا من بدء كل شيء يدويًا، كتبتُ بعض الشيفرة البرمجية لمزامنة بداية الفيديو أو النص المتحرك مع عملية التسجيل. بهذه الطريقة، بدأ كل اختبار تشغيل في نفس اللحظة تمامًا من كلا الطرفين - وهكذا حُلّت المشكلة. المزامنة البرمجية : لمعالجة مشكلة عدم التزامن، أضفتُ رمز استجابة سريعة صغيرًا إلى الفيديو المُشارك. كان هذا الرمز الصغير بمثابة ختم زمني، حيث مكّنني من مطابقة الإطارات بين التدفقات المُرسَلة والمُستقبَلة بدقة. وفجأةً، أصبح تحليل الإطار بإطار ممكنًا (وبدقة أكبر بكثير). مطابقة إطارات رمز الاستجابة السريعة كان هناك أمرٌ آخر كان عليّ مراعاته: . من ميزات WebRTC الرائعة ضبط جودة الفيديو تلقائيًا بناءً على النطاق الترددي المتاح. لكن هذا الضبط لا يحدث فورًا، بل يستغرق بضع ثوانٍ للاستقرار. لذلك، أضفتُ مهلة قصيرة قبل بدء التسجيل الفعلي. هذا أعطى النظام وقتًا للاستقرار عند معدل البت المستهدف، وبالتالي ستعكس النتائج الجودة الفعلية التي ستحصل عليها بعد استقرار الأداء. معدل البت المتكيف في WebRTC لقد أدت هذه التغييرات إلى جعل التجربة أكثر موثوقية وأعطتني الثقة في أن البيانات التي كنت أجمعها تعكس بالفعل كيفية سلوك مشاركة الشاشة في العالم الحقيقي. ما قمت بقياسه (ولماذا هذا مهم) لقد قمت بجمع الكثير من البيانات أثناء هذه الاختبارات، ولكن للحفاظ على الأمور واضحة وسهلة المقارنة، ركزت على عدد قليل من المقاييس الأساسية التي تحكي قصة كيفية أداء كل برنامج ترميز في سيناريو مشاركة الشاشة. وهذا ما نظرت إليه: معدل الإطارات هذا يُخبرني بعدد الإطارات في الثانية التي تم ترميزها وإرسالها واستقبالها بالفعل. إنه مؤشر جيد على سلاسة بث الفيديو - فكلما ارتفع معدل الإطارات، زادت سلاسة التجربة. دقة تعتمد الدقة على مدى الحفاظ على التفاصيل البصرية. تتبعتُ عدد البكسلات لكل إطار في كل مرحلة (إرسال واستقبال) لمعرفة ما إذا كانت برامج الترميز تحافظ على جودة الصورة أم تتراجع لتوفير النطاق الترددي. جودة الفيديو لقد استخدمت هنا عددًا من المقاييس الرئيسية: - معامل التكميم المنخفض يعني عمومًا جودة أفضل. معامل التكميم (QP) - تُعطي هذه النسبة دلالة رقمية على مدى اختلاف الفيديو المُستقبَل عن الفيديو الأصلي. كلما كانت أعلى، كان ذلك أفضل. نسبة الإشارة إلى الضوضاء القصوى (PSNR) استخدام وحدة المعالجة المركزية أداء برامج الترميز لا يقتصر على ما تراه، بل يتعلق أيضًا بما يفعله جهازك خلف الكواليس. قمتُ بقياس مقدار طاقة وحدة المعالجة المركزية المستخدمة للترميز وفك التشفير خلال كل اختبار، مع معايرة هذه الطاقة بمرور الوقت، لمعرفة أي برامج الترميز خفيفة الوزن وأيها تستهلك موارد الجهاز. باستخدام هذه المقاييس، تمكنتُ من مقارنة برامج الترميز ليس فقط من حيث الجودة، بل أيضًا من حيث السلاسة والكفاءة ومتطلباتها. ساعد ذلك في كشف مواطن تميز كل برنامج ترميز - ومواطن ضعفه - في ظروف مشاركة الشاشة الواقعية. وأخيرا وصلنا إلى النتائج ما مدى أهمية نوع المحتوى؟ أكثر بكثير مما تظن من أكثر النتائج المدهشة التي توصلتُ إليها من تجاربي مدى تأثير المحتوى الذي تُشاركه على أداء مشاركة الشاشة، سواءً من حيث جودة الفيديو أو استهلاك الموارد. وقد انطبق هذا على برامج الترميز التي اختبرتها. نوع جميع الفكرة وراء ذلك بسيطة للغاية: عندما يتغير عدد أكبر من البكسلات من إطار لآخر (كما في فيديو سريع الحركة)، يضطر النظام إلى العمل بجهد أكبر. هذا يعني الحاجة إلى نطاق ترددي أكبر، وضرورة بذل وحدة المعالجة المركزية (CPU) جهدًا أكبر لمواكبة هذا التغير. لنأخذ كمثال. عندما استخدمته لمشاركة شاشة بدقة 1.5 ميجابكسل، اختلف عرض النطاق الترددي المطلوب اختلافًا كبيرًا تبعًا لما تتم مشاركته. في إحدى الحالات، حيث كان المحتوى أكثر ديناميكية، اضطر AV1 إلى دفع بيانات أكبر بكثير للحفاظ على سلاسة البث. وقد وثّقتُ ذلك في ، الذي يوضح مدى تأثير تعقيد المحتوى بشكل كبير على استخدام عرض النطاق الترددي. AV1 الرسم البياني التالي ولكن الأمر لا يتعلق فقط بالنطاق الترددي - بل إن جهازك يشعر به أيضًا. يوضح كيفية تغير استخدام وحدة المعالجة المركزية بناءً على المحتوى المُشارك. وباستخدام AV1 كمثال، يمكنك أن ترى بوضوح أن الرسومات الأكثر تعقيدًا تتطلب طاقة أكبر بكثير من وحدة المعالجة المركزية للحفاظ على نفس معدل الإطارات والدقة. الرسم البياني التالي هذا ليس مجرد أمر يخص AV1. تعتمد جميع برامج الترميز على نفس المبادئ الأساسية لترميز الفيديو وفك ترميزه، لذا يُتوقع منها أداءً متشابهًا - لكن البيانات تُظهر نتيجة مختلفة. لا يتغير حمل وحدة المعالجة المركزية (CPU) بتغير المحتوى فحسب، بل يتغير أيضًا بناءً على المستخدم. برنامج الترميز لتسهيل المقارنة، أعددتُ ، الذي يوضح مقدار استهلاك كل برنامج ترميز لوحدة المعالجة المركزية (CPU) عند بث فيديو بدقة 1.5 ميجابكسل بمعدل حوالي 24 إطارًا في الثانية - وهو إعداد نموذجي لمشاركة الشاشة بسلاسة. تُبرز النتائج بعض الاختلافات الرئيسية في كفاءة كل برنامج ترميز عند استخدام أجهزتك. الجدول التالي برنامج الترميز/وحدة المعالجة المركزية AV1 H264 نائب الرئيس 8 نائب الرئيس 9 حركة 287% 213% 270% 364% نص 175% 130% 179% 198% لذا، إذا كنت تُنشئ أو تُحسّن شيئًا يعتمد على مشاركة الشاشة عبر WebRTC، فالخلاصة واضحة: المحتوى واختيارك لبرنامج الترميز مهمان للغاية. مواجهة الترميز: معدلات الإطارات، وحمل وحدة المعالجة المركزية، والتكاليف الحقيقية للجودة عند مشاركة الشاشة، أول ما يُلاحظ هو سلاسة (أو عدم سلاسة) الفيديو. وهنا يأتي دور . إذا كنت تُشارك محتوى عالي الحركة، مثل تشغيل الفيديو أو الرسوم المتحركة، فإن معدل الإطارات الأعلى ضروري لتجنب البث المتقطع الذي يصعب مشاهدته. معدل الإطارات في هذا الجزء من التجربة، ركزتُ على أداء معدل الإطارات عبر برامج ترميز مختلفة، مع الحفاظ على ثبات جميع العوامل الأخرى: نفس الدقة (حوالي 1.5 ميجابكسل) ونفس المحتوى لكل اختبار. استخدمتُ إعداد WebRTC لضمان ثبات الدقة في جميع الاختبارات. contentHint في ، يمكنك رؤية كيفية تعامل برامج الترميز المختلفة مع المحتوى عالي الحركة مع زيادة عرض النطاق الترددي. على المحور السيني: معدل البت (ميغابت في الثانية). على المحور الصادي: معدل الإطارات (إطارات في الثانية). الصورة التالية وهنا ما برز: لقد تقدمت تقنيتا و عندما وصل النطاق الترددي إلى 2 ميجابايت في الثانية أو أكثر، حيث قدما كلاهما أكثر من 20 إطارًا في الثانية - وهي تجربة سلسة يمكن تحقيقها حتى مع اتصال 3G لائق. H.264 AV1 لم يُوفق و في تحقيق هذا الأداء. فقد ظلا يعملان بنصف معدل الإطارات تقريبًا في نفس الظروف، وكانا بحاجة إلى سرعة 4 ميجابت في الثانية أو أكثر ليشعرا بالكفاءة - وهو أمر غير واقعي دائمًا على الشبكات منخفضة الأداء. VP8 VP9 ثم انتقلت إلى - صفحة نصية تتحرك ببطء - لمعرفة كيفية أداء برامج الترميز عندما لا يتغير الكثير بين الإطارات. محتوى الحركة المنخفضة ليس من المستغرب أن يكون أداء كلٍّ من و أفضل في هذا السيناريو، حيث . يعود الفضل في ذلك إلى ميزة " ، التي تُمكّن AV1 من تخطي إعادة ترميز أجزاء الشاشة التي لم تتغير. إنها فعّالة للغاية لمشاركة الشاشة الثابتة أو شبه الثابتة. H.264 AV1 تفوّق AV1 نسخ الكتلة الداخلية" في ، يمكنك رؤية مدى كفاءة AV1 في التعامل مع مواقف الحركة المنخفضة هذه، مع الحفاظ على استخدام النطاق الترددي منخفضًا بشكل مثير للإعجاب مع الحفاظ على جودة بصرية عالية. الرسم البياني التالي ولكن هناك مقايضة. قد يوفر AV1 صورًا وضغطًا أفضل، ولكنه . توضح ذلك بوضوح: يزداد استخدام وحدة المعالجة المركزية في AV1 باستمرار مع زيادة معدل البت، متفوقًا على H.264 بفارق كبير. يتميز H.264 هنا بميزة كبيرة بفضل واسع النطاق، مما يحافظ على انخفاض حمل وحدة المعالجة المركزية واستقراره. يستهلك أيضًا قدرًا أكبر من وحدة المعالجة المركزية الصورة التالية تسريع الأجهزة من المثير للاهتمام يستهلك وحدة معالجة مركزية من AV1، متبعًا نفس النهج، ولكن بذروات أعلى. يعتمد كلٌّ من VP9 وAV1 على خوارزميات معقدة لتقديم جودة عالية، ولكن هذا يأتي بثمن: فهما يُثقلان كاهل معالجك. أن VP9 أكبر حدث مفاجأة عند إعادة النظر في . هذه المرة، بدت فعالتين للغاية - حيث استخدمتا وحدة معالجة مركزية أقل من AV1، كما هو موضح في . محتوى الحركة المنخفضة VP8 وVP9 الرسم البياني التالي على الرغم من تصميم AV1 مع مراعاة مشاركة الشاشة، إلا أنه لا يزال يستهلك معظم وحدة المعالجة المركزية. لماذا؟ كل هذه التحسينات التي تُساعده على ضغط مقاطع الفيديو عالية الحركة تُضيف أيضًا تكلفة إضافية - حتى مع عدم وجود الكثير من الأحداث على الشاشة. ما هو السبب الرئيسي وراء ذلك؟ . مع أن فك التشفير سهل نسبيًا، إلا أن الترميز لا يزال يُجرى في الغالب برمجيًا - وهي مهمة تتطلب الكثير من وحدة المعالجة المركزية، خاصةً في سيناريوهات الوقت الفعلي مثل مشاركة الشاشة حيث يحدث كلٌّ من الترميز وفك التشفير باستمرار. لا يزال AV1 يفتقر إلى دعم واسع النطاق للترميز عبر الأجهزة هنا تكمن الصعوبة في مثل أجهزة الكمبيوتر المحمولة والأجهزة اللوحية. فبدون تسريع الأجهزة، قد تستنزف برامج الترميز مثل AV1 الطاقة وتستهلك الموارد بسرعة، وهو أمر غير مثالي للاستخدام أثناء التنقل. وإلى أن يصبح دعم الأجهزة الأفضل أكثر شيوعًا، فإن ميزات AV1 المتقدمة تأتي بتكلفة أداء ملحوظة. الأجهزة المحمولة برامج الترميز والدقة: ماذا يحدث عندما تعطي الأولوية لمعدل الإطارات؟ حتى الآن، جاءت النتائج التي شاركتها من اختبارات حافظت على ثبات الدقة. عند انخفاض عرض النطاق الترددي، كان النظام يستجيب بخفض - وهو أمر منطقي لأشياء مثل المحتوى الثابت أو النصوص. ولكن ماذا لو كان الهدف هو ، حتى لو كان ذلك يعني التضحية بالدقة؟ معدل الإطارات الحفاظ على سلاسة الحركة لاستكشاف هذا، أجريتُ مجموعة جديدة من التجارب حيث تم ضبط WebRTC لإعطاء الأولوية . تم ذلك باستخدام إعداد في WebRTC، والذي يتيح لك تحديد ما هو الأهم - دقة عالية أم حركة سلسة. لمعدل الإطارات contentHint كنتُ أهدف إلى الحفاظ على معدل إطارات ثابت عند ، وهو المعدل المعروف على نطاق واسع بأنه الأمثل لمشاهدة سلسة ومريحة. كان تحقيق هذا المعدل الثابت صعبًا - فالبث التكيفي يعني وجود بعض التقلبات دائمًا - لكن النتائج قدمت رؤية قيّمة حول كيفية تعامل كل برنامج ترميز مع هذا التوازن. 30 إطارًا في الثانية للمساعدة في تحليل هذا السلوك، قدمت مقياسًا جديدًا: عدد البكسلات المرسلة في الثانية = معدل الإطارات × الدقة يُعطي هذا صورةً أكثر شمولاً من مجرد النظر إلى عدد الإطارات في الثانية أو الدقة فقط. فهو يُظهر مقدار البيانات المرئية التي يُرسلها برنامج الترميز فعلياً في الثانية الواحدة في ظل ظروف مُختلفة. في مجال الفيديو عالي الحركة، وبفارق ملحوظ. حتى عند معدلات بت منخفضة، نجح في نقل عدد بكسلات أكبر بكثير في الثانية مقارنةً بأي برنامج ترميز آخر. يُظهر هذا بوضوح مدى كفاءة AV1 في التعامل مع المحتوى الديناميكي عند ضغط النظام للحفاظ على معدل إطارات مرتفع. يُرجى الاطلاع على : تصدّر AV1 مجددًا الرسم البياني التالي عندما انتقلتُ إلى محتوى منخفض الحركة - مثل صفحة ويب ذات نص متحرك - أصبح مستوى الأداء أكثر تكافؤًا. أصبح أداء جميع برامج الترميز أكثر تناسقًا كما هو موضح في . مع ذلك، ، خاصةً عند معدلات البت الأعلى. ساعدته تحسينات الضغط في الحفاظ على إنتاجية عالية دون زيادة كبيرة في استهلاك الموارد. الصورة التالية حافظ AV1 على تفوقه ماذا يعني كل هذا عمليا؟ حسنًا، إذا كانت حالة الاستخدام الخاصة بك تتضمن صورًا ديناميكية عالية الحركة - مثل مقاطع الفيديو التوضيحية أو الرسوم المتحركة المباشرة أو بث الألعاب - ، ويثبت AV1 أنه قادر بشكل خاص في هذه البيئة. فإن إعطاء الأولوية لمعدل الإطارات يمكن أن يحدث فرقًا كبيرًا حتى مع المحتوى ذي الحركة البطيئة، يُظهر AV1 أداءً قويًا. مع أن الفرق قد يكون أصغر، إلا أنه يُرسل باستمرار بيانات بصرية أكثر، ما يعني جودة أفضل بنفس النطاق الترددي أو أقل، وذلك بفضل استراتيجيات الضغط المتقدمة. في كلتا الحالتين، أثبت مقياس فائدته في فهم كيفية موازنة برامج الترميز بين الدقة ومعدل الإطارات عند محدودية النطاق الترددي. ويعزز أداء AV1 في هذه الظروف من مكانته كأفضل خيار، شريطة أن يتمكن نظامك من تلبية متطلبات وحدة المعالجة المركزية الإضافية. "عدد البكسلات المرسلة في الثانية" ما مدى نقاء الصورة؟ لنتحدث عن PSNR إلى جانب معدلات الإطارات والدقة واستهلاك وحدة المعالجة المركزية، هناك عامل مهم آخر في عملية مشاركة الشاشة: وهنا يأتي دور . ما مدى تقارب الصورة المستلمة مع الصورة الأصلية؟ نسبة الإشارة إلى الضوضاء القصوى (PSNR) نسبة الإشارة إلى الضوضاء (PSNR) هي مقياس شائع الاستخدام لقياس جودة الفيديو المضغوط. فهي تُبيّن مقدار التشوه - أو "الضوضاء" - المُدخل أثناء الترميز. تُقاس ، والقاعدة العامة بسيطة: . تعني نسبة الإشارة إلى الضوضاء (PSNR) العالية أن الصورة تبدو مطابقة تقريبًا للأصل؛ بينما تعني الدرجة المنخفضة وجود تدهور أكثر وضوحًا. بالديسيبل (dB) كلما زادت، كان ذلك أفضل لوضع هذا في سياقه، اختبرت قيم PSNR عبر برامج الترميز في حالتين مختلفتين: الأولى حيث تكون هي الأولوية، والثانية حيث يكون هو الأولوية. استخدم كلا الاختبارين نفس للحفاظ على الاتساق. الدقة معدل الإطارات محتوى الفيديو عالي الحركة في هذا الإعداد، حيث يكون الوضوح هو المحور (حتى لو انتهى الفيديو ببعض التقطع)، ، حيث قدم صورًا واضحة مع أدنى حد من التشوه. إنه خيار قوي عندما لا تكون السلاسة بالغة الأهمية. كان أداء H.264 ممتازًا عندما يتحول الهدف إلى الحفاظ على سلاسة الحركة، ، خاصةً عند معدلات البت العالية. فهو يحافظ على جودة الصورة حتى أثناء الضغط الشديد للوصول إلى أهداف معدل الإطارات. يتفوق AV1 رغم أن اختلافات نسبة الإشارة إلى الضوضاء (PSNR) بين برامج الترميز ليست دائمًا كبيرة، إلا أنها تُبرز التي تُقدم عليها عند اختيار برنامج ترميز. يُعطي بعضها الأولوية للوضوح، بينما يسعى البعض الآخر إلى سلاسة الحركة - وحسب حالة استخدامك، قد يكون أحدهما أنسب من الآخر. التنازلات ثم أجريت نفس الاختبارات مرة أخرى، هذه المرة باستخدام - وهو شيء يؤكد حقًا أهمية الدقة والوضوح. محتوى نصي متحرك عند إعطاء الأولوية للحركة، تبدو قيم PSNR لجميع برامج الترميز متشابهة إلى حد كبير. لا يتغير المحتوى كثيرًا، لذا فإن اختلافات استراتيجية الضغط لا تؤثر كثيرًا على جودة الصورة الإجمالية. هنا تبدأ الأمور بالإثارة. مع إعطاء الأولوية للدقة، ، خاصةً عند معدلات البت العالية. أداؤه هنا استثنائي. يتفوق AV1 على برامج الترميز الأخرى بفارق كبير لماذا؟ يتضمن AV1 تحسينات خاصة للتعامل مع المحتوى الثابت والمتكرر، مثل النصوص. هذه التحسينات تُمكّنه من الحفاظ على ، وتجنب العيوب، وضغط البيانات بكفاءة أكبر. هذا يجعل AV1 خيارًا رائعًا لحالات استخدام مثل مشاركة المستندات أو شرح التعليمات البرمجية - أي مكان تكون فيه . دقة أعلى للصور التفاصيل الواضحة والقابلة للقراءة مهمة حقًا باختصار، يُساعد معدل الإشارة إلى الضوضاء (PSNR) على إبراز بُعد دقيق ولكنه مهم في جودة مشاركة الشاشة. سواءً أكنت تُعطي الأولوية للحركة أم للحدة، فإن فهم كيفية عمل برامج الترميز تحت قيود مختلفة يُمكّنك من اختيار البرنامج الأنسب. ما هي مشكلة جودة الطباعة؟ فهم الضغط مقابل الجودة هناك عامل مهم آخر في جودة مشاركة الشاشة، وهو ما يُسمى ( . إذا تساءلت يومًا عمّا يتحكم في مقدار التفاصيل المفقودة أثناء الضغط، فهذا هو. بمعامل التكميم QP) بمصطلحات بسيطة، . يخبر QP المشفر بمدى قوة ضغط الفيديو إن يعني ضغطًا أقل وجودة صورة أفضل. QP المنخفض إن يعني المزيد من الضغط - مما يوفر النطاق الترددي، ولكن يمكن أن يجعل الفيديو يبدو أسوأ. ارتفاع QP بينما يُعطينا PSNR نتيجةً - مقدار جودة الصورة المُحافظ عليها - . لذا، راجعتُ كليهما. يُخبرنا QP بما كان المُشفِّر يهدف إليه في هذه الدراسة: تم سحب من مقاييس WebRTC القياسية. قيم QP تم قياس بعد ذلك عن طريق مقارنة كل إطار أصلي بإصداره المستلم. PSNR هنا بدأت الأمور تزداد إثارة. ، ما يعني أنه حافظ على جودة الصورة بشكل أفضل، ولكنه سجّل أيضًا من برامج الترميز الأخرى. قد يبدو هذا متناقضًا للوهلة الأولى. سجّل AV1 أفضل نتائج PSNR قيم QP أعلى بأربع مرات لكن المشكلة تكمن في ، لذا لا يُمكن مقارنة القيم مباشرةً. فقيمة QP ٥٠ في برنامج ترميز لا تعني بالضرورة نفس مستوى الضغط المُستخدم في برنامج ترميز آخر. أن كل برنامج ترميز يُعرّف ويُعالج QP بشكل مختلف مع ذلك، تُشير اتجاهات جودة الصورة إلى أمرٍ مفيد. لاحظتُ في جميع برامج الترميز أنه . وهذا منطقي، فمع زيادة عرض النطاق الترددي، تستطيع برامج الترميز تقليل الضغط وتحسين جودة الصورة. مع زيادة عرض النطاق الترددي، ينخفض جودة الصورة لذلك، على الرغم من أننا لا نستطيع ترتيب أرقام QP جنبًا إلى جنب عبر برامج الترميز، فإنها لا تزال تُظهر كيف يقوم كل برنامج ترميز بضبط الضغط بشكل ديناميكي استنادًا إلى ظروف الشبكة المتاحة. خلاصة القول: . لكن تتبع كيفية تغيرها مع عرض النطاق الترددي يُعطي فكرةً مفيدةً عن عمل المُرمِّز خلف الكواليس. وعند دمجها مع نسبة الإشارة إلى الضوضاء (PSNR)، تُعطي صورةً أكثر اكتمالاً عن سلوك المُرمِّز. جودة الإشارة (QP) ليست درجة جودة، بل هي إعداد الأفكار النهائية: ماذا يعني كل هذا بالنسبة لمشاركة الشاشة عبر WebRTC بعد التعمق في كيفية أداء WebRTC تحت الغطاء، هناك شيء واحد واضح: - والاختيار الأفضل يعتمد حقًا على أولوياتك وبيئتك. ليست كل برامج الترميز متساوية وفيما يلي أهم النقاط المستفادة من تجاربي: AV1: أفضل جودة وأعلى تكلفة قدّم AV1 باستمرار ، سواءً كنت أشارك مقاطع فيديو سريعة الحركة أو نصوصًا بطيئة التمرير. ضغطه وتحسيناته المتقدمة تجعله فعالًا للغاية، ولكن هذا له ثمن. AV1 ، ولأن دعم الأجهزة لا يزال في طور اللحاق بالركب، فهو ليس مثاليًا للأجهزة منخفضة الطاقة أو الأجهزة المحمولة . أفضل جودة بصرية يستهلك الكثير من موارد المعالج حتى الآن H.264: الجهاز الشامل القوي إذا كنت تبحث عن ، فلا يزال H.264 خيارًا ممتازًا. فهو مدعوم على نطاق واسع، ومُسرّع بالعتاد على معظم المنصات، ويُؤدي وظيفته بكفاءة في جميع السيناريوهات تقريبًا، خاصةً عندما تكون موارد النظام أو عمر البطارية مصدر قلق. توازن بين الأداء والكفاءة المحتوى أهم مما تعتقد يؤثر نوع المحتوى الذي تشاركه على الأداء. يتطلب الفيديو عالي الحركة استهلاكًا أكبر بكثير من وحدة المعالجة المركزية (CPU) ونطاق ترددي أكبر بكثير من المحتوى الثابت كالمستندات أو النصوص. اختيار برنامج الترميز المناسب والإعدادات المناسبة لمحتواك يُحدث فرقًا كبيرًا في الجودة واستهلاك الموارد. تأثيرًا كبيرًا استخدام وحدة المعالجة المركزية ليس مجرد حاشية سفلية بفضل إضافة كروم مخصصة صممتها، تمكنتُ من قياس استخدام وحدة المعالجة المركزية بدقة أثناء مشاركة الشاشة. أظهرت النتائج ، وهو أمر بالغ الأهمية على الأجهزة المحمولة أو في البيئات الحساسة للطاقة. اختلافات كبيرة في متطلبات كل برنامج ترميز ما التالي؟ إلى أين يمكن أن يتجه هذا البحث؟ فتحت هذه التجربة الباب أمام خطواتٍ قادمةٍ مثيرة. وهنا أعتقد أن الأعمال المستقبلية قد تُحدث تأثيرًا أكبر: الاختبار على الأجهزة المحمولة حتى الآن، أُجريت جميع الاختبارات على أجهزة الكمبيوتر المكتبية، ولكن مشاركة الشاشة شائعة بنفس القدر (إن لم تكن أكثر) على . سيُعطي اختبار أداء هذه الترميزات على الأجهزة المحمولة صورةً أكثر شمولاً، خاصةً من حيث الاستجابة واستهلاك الطاقة. الهواتف والأجهزة اللوحية كفاءة الطاقة بالحديث عن الطاقة، لا تستهلك برامج الترميز طاقة المعالج فحسب، بل تستهلك أيضًا . ينبغي أن تستكشف الأبحاث المستقبلية برامج الترميز ، خاصةً لجلسات مشاركة الشاشة الطويلة على الأجهزة المحمولة. عمر البطارية الأكثر كفاءة في استهلاك الطاقة ضبط الترميز المدعوم بالذكاء الاصطناعي تخيّل لو أن WebRTC قادر على ضبط إعدادات الترميز تلقائيًا بناءً على المحتوى الحالي وسرعة الشبكة. ، مُحققًا التوازن المثالي بين الجودة والأداء بشكل ديناميكي وفي الوقت الفعلي. يُمكن للذكاء الاصطناعي أن يُتيح ذلك اختتام الأمر اختيار برامج الترميز ليس مجرد قرار فني، بل يؤثر بشكل مباشر على . سواء كنت تُنشئ أداة لمؤتمرات الفيديو، أو منصة تعاون، أو تُحسّن سير عملك، فإن فهم كيفية عمل هذه البرامج في ظروف مختلفة يُساعدك على اتخاذ قرارات أكثر ذكاءً وفعالية. جودة تجربة مشاركة الشاشة وسلاسة أدائها واستهلاك الموارد مع استمرار تطور تقنية WebRTC، ستتطور الأدوات والتقنيات المتعلقة بها. آمل أن تساعد هذه المناقشة المعمقة الآخرين على فهم ما يجري خلف الكواليس بشكل أفضل، وكيفية تحقيق أقصى استفادة من مجموعة أدوات مشاركة الشاشة الخاصة بهم. هل تريد استكشاف البيانات بنفسك؟ إذا كنت مهتمًا بالبحث بشكل أعمق في النتائج أو إجراء تحليلك الخاص، فقد قمت بإتاحة مجموعة البيانات الكاملة من هذه الدراسة هنا: تنزيل مجموعة البيانات على Kaggle يتضمن مقاييس أولية لمعدل الإطارات، والدقة، ونسبة الإشارة إلى الضوضاء (PSNR)، ونسبة جودة الصورة (QP)، واستخدام وحدة المعالجة المركزية (CPU)، وغيرها - جميعها مُرتبة حسب برنامج الترميز، ونوع المحتوى، وحالة النطاق الترددي. لا تتردد في استخدامه لتجاربك الخاصة، أو لإجراء مقاييس الأداء، أو لمجرد استكشاف كيفية عمل WebRTC في سيناريوهات مختلفة.