Serverloses Videoverarbeitungs-Pipeline mit AWS MediaConvert
Die Videoplattform benötigte eine skalierbare, kostengünstige Methode, um variable Encoding-Workloads zu bewältigen, von ruhigen Perioden mit wenigen Uploads bis zu Spitzenzeiten mit Hunderten von gleichzeitigen Aufträgen.
Ihr Projekt besprechen
Die Herausforderung
Die Encoding-Infrastruktur mit fester Kapazität war entweder überdimensioniert (kostspielig) oder unterdimensioniert (langsam):
- Encoding-Workloads waren hochvariabel und unvorhersehbar
- Spitzenzeiten konnten das 100-fache des normalen Volumens bei Content-Starts erreichen
- Der Betrieb dedizierter Encoding-Server rund um die Uhr war in ruhigen Perioden teuer
- Auftragsfehler erforderten automatische Erkennung und Wiederholung ohne manuelles Eingreifen
Unsere Lösung
Wir haben eine serverlose Encoding-Pipeline unter Verwendung von AWS Lambda-Triggern und AWS MediaConvert fĂĽr eine elastische, nutzungsbasierte Videoverarbeitung implementiert.
Architektur
- Trigger: AWS Lambda-Funktion zur Ăśberwachung von S3-Upload-Events
- Encoding: AWS MediaConvert mit partnerspezifischen Job-Templates
- Messaging: ActiveMQ/STOMP fĂĽr asynchrone Auftragsstatus-Updates
- Monitoring: NestJS-Encoder-Backend zur Verfolgung des Auftragsfortschritts
- Speicher: AWS S3 fĂĽr Input-/Output-Assets
Pipeline-Fluss
- S3-Event – Video-Upload triggert Lambda-Funktion
- Job-Konfiguration – Lambda liest Partnerprofil und erstellt MediaConvert-Job
- Übermittlung – MediaConvert-Job mit geeigneten Output-Einstellungen übermittelt
- Fortschrittsverfolgung – STOMP-Nachrichten übermitteln Status an Encoder-Backend
- Abschluss – Output-Assets in S3 gespeichert, Metadaten in MongoDB aktualisiert
- Fehlerbehandlung – Fehlgeschlagene Jobs für Wiederholung mit exponentiellem Backoff in die Warteschlange gestellt
Hauptmerkmale
- Keine Leerlaufkosten – Lambda und MediaConvert berechnen nur die tatsächliche Nutzung
- Elastische Skalierung – Bewältigt 1 bis 1000+ gleichzeitige Encoding-Jobs
- Partner-Templates – Vorkonfigurierte MediaConvert-Job-Templates pro Partner
- Ereignisgesteuert – S3-Events lösen Encoding-Workflows automatisch aus
- Umfassendes Monitoring – Auftragsstatus, Dauer und Fehlerverfolgung
Ergebnisse
Technologie-Stack
caseStudyDetail.more Fallstudien
Entdecken Sie mehr unserer technischen Implementierungen
Clientseitige Anzeigeninsertion (CSAI) mit SCTE-35 Marker-Parsing & Multi-Plattform-Player-Integration
Eine Video-Streaming-Plattform musste die Clientseitige Anzeigeninsertion (CSAI) über Web-, Mobil- und Connected TV-Apps hinweg implementieren – was personalisierte, gerätespezifische Anzeigenerlebnisse mit vollständiger Unterstützung der Anzeigeninteraktion (anklickbare Overlays, Companion-Banner, Skip-Buttons) ermöglicht, die serverseitige Insertion nicht bieten kann.
SCTE-35 Ad-Marker-Signalisierung & Media-Trailer-EinfĂĽgepipeline
Ein Streaming-Medienunternehmen benötigte eine robuste, automatisierte Pipeline zur Injektion von SCTE-35 Ad-Markern in Live- und VOD-Streams sowie die Möglichkeit, Werbetrailer (Pre-Roll, Mid-Roll und Post-Roll) an präzise getimten Positionen einzufügen – um die Monetarisierung über FAST-Kanäle, Live-Events und On-Demand-Inhaltsbibliotheken zu ermöglichen.
Häufig gestellte Fragen
MicrocosmWorks designed a segmented processing architecture where Step Functions orchestrate the pipeline: Lambda functions split source videos into segments, AWS MediaConvert handles the actual transcoding without Lambda timeout constraints, and a final Lambda stitches the output. This hybrid approach keeps the serverless cost model while supporting videos of any duration.
MicrocosmWorks measured a 70-85% cost reduction for bursty video processing workloads compared to running dedicated EC2 encoding instances. The serverless pipeline incurs zero cost when idle and scales to hundreds of concurrent jobs during peak periods, with AWS MediaConvert's per-minute pricing eliminating the need to provision for peak capacity.
MicrocosmWorks configured AWS Step Functions with per-step retry policies and exponential backoff, ensuring that a failed transcode step retries automatically without restarting the entire pipeline. Each stage writes intermediate outputs to S3, so recovery resumes from the last successful checkpoint rather than reprocessing from the source file.
MicrocosmWorks optimized the pipeline for near-real-time use cases with cold start mitigation using provisioned concurrency on critical Lambda functions and MediaConvert reserved transcoding slots. For live workflows, the pipeline achieves 2-5 minute end-to-end latency from upload to delivery, which is suitable for clip extraction and highlights distribution.
MicrocosmWorks builds serverless video infrastructure at rates of $25-$45/hr, with a complete MediaConvert-based pipeline including Step Functions orchestration, S3 lifecycle management, and monitoring typically requiring 250-400 development hours. The architecture's pay-per-use model means clients only pay AWS costs proportional to their actual processing volume.
Bereit, Ihr Unternehmen zu transformieren?
Lassen Sie uns besprechen, wie wir ähnliche Lösungen für Ihre Herausforderungen anwenden können.