入华十年，一家互联网外企的“另类”视频广告模式

▌业务合作流程

AI科技大本营：客户投放广告时与 FreeWheel 的合作是怎么展开的？

孙大伟：合作主要分为两部分。一是接入流量端，如 ABC、NBC、ESPN、Comcast 等优质媒体，他们将广告流量导入我们的系统。我们支持其自有广告（O&O，Owned & Operated）投放，针对高端视频内容，广告价值高，适合品牌广告招标售卖，客户可在平台上按定制需求投放[k]。

另一部分是程序化交易市场。当流量缺乏匹配广告时，我们引入程序化交易机制，允许程序化广告与品牌广告竞争，实现收益最大化。这是当前广告交易的两大方向[k]。

牛励诚：FreeWheel 早期定位为媒体方广告服务器，如今平台已升级为全栈服务，既服务于 ABC 等自有客户，也接入非 FreeWheel 客户的第三方流量。通过对接上游互联网广告交易平台或第三方卖方平台（SSP），购买方可触达更广泛受众，提升广告投放机会[k]。

在需求端，我们支持客户通过平台直接预购广告、管理订单，也支持程序化方式对接更多买方平台（DSP），提升供应方的流量货币化效率。未来，我们计划构建自营广告市场，整合多源流量并自主决定投放策略，进一步提升运营灵活性[k]。

该模式将带来收费机制的变革：传统以 CPM 固定比例收费，未来可根据流量变现效果提升提成比例[k]。

AI科技大本营：广告呈现形式是怎样的？

孙大伟：我们采用“X-event”模型，将用户行为泛化，优化目标包括可视化曝光（Viewable impressions）等指标。预测系统与广告服务器协同，向用户投放更感兴趣或更高收益的广告，提升转化效果[k]。

▌与搜索广告、直播平台的竞争

AI科技大本营：与传统搜索广告相比，视频广告在技术与产品设计上有何不同？

孙大伟：搜索广告强调广告与用户兴趣的相关性，依赖推荐技术与协同过滤。而视频广告中，用户对视频和广告的整体沉浸度更高，广告效果更依赖观看连续性，因此我们更多采用逻辑回归、GBDT（Gradient Boosting Decision Tree）等技术[k]。

在曝光率方面，视频广告曝光率达 80%-90%，可视化曝光超 60%，远高于搜索广告不足 10% 的点击率。这意味着优化空间更小，例如从 60% 提升至 65% 仅为 1/12 的相对增幅，技术调优难度更高[k]。

此外，视频流量规模小于搜索广告，正负样本分布更均衡，技术实现受规模限制较小，部分在搜索场景无法实施的技术在视频中具备可行性。总体技术框架一致，细节策略存在差异[k]。

AI科技大本营：开拓国内市场，主要竞争对手是视频与直播平台，有何技术差异？

牛励诚：FreeWheel 客户遍布全球，需在全球部署多数据中心，带来运维与数据同步复杂度提升[k]。

我们接入的终端类型多样，包括台式机、移动设备、OTT 及有线电视，不同终端集成方式差异大，尤其直播场景依赖流媒体技术，系统需高度兼容[k]。

在需求侧，我们支持直接售卖与程序化购买。程序化交易需实时对接 DSP 进行实时竞价（Real-time Bidding），系统不仅作为广告服务器，还承担 SSP 角色，需强大的连接管理能力[k]。

为整合 DSP 广告与客户自有广告，我们重构广告排期算法，实现统一竞价排序。同时，我们开发第三方 DSP 广告实时转码技术，确保广告在各类终端兼容播放[k]。

由于客户为优质内容提供商，对内容安全要求高，我们设有严格的第三方广告审核机制，确保广告安全后才投放[k]。

▌技术的高并发与高可用

AI科技大本营：FreeWheel 如何应对直播场景的高并发与实时性挑战？以超级碗为例说明。

牛励诚：高并发与实时响应需结合数据量级评估。FreeWheel 对广告请求的 SLA 为 300 毫秒，实际多数请求需在 20-30 毫秒内响应。以超级碗为例，客户 NBC 预估并发用户达 500 万，实际峰值达 300 万，远超历史最高 100 万，技术挑战显著[k]。

我们从垂直与水平两个维度进行系统优化。垂直扩容聚焦单点性能提升，除硬件升级外，重点优化服务端：采用非阻塞 IO、lock-free 数据结构、高效缓存等机制。同时针对业务特点优化广告定向算法，使响应时间降低约 30%。优化过程中注重平衡性能与代码可维护性，避免过度优化[k]。

水平扩容旨在提升集群吞吐量，通过增加广告服务器实现。关键在于实现服务无状态化，用户状态外置，日志输出至 Kafka 消息队列进行流式处理，为动态扩容提供基础[k]。

目前我们正推进广告投放服务迁移至 AWS 云平台，计划在世界杯期间启用混合云部署。扩容也带来依赖系统压力，如原使用 Memcached 作为缓存，其缺乏原生集群支持，运维成本高。因此我们迁移至支持原生集群的 Aerospike，实现集群扩容对业务透明[k]。

计费系统方面，原中心化架构在扩容后出现性能瓶颈。短期方案是在广告服务器与计费服务器间增加缓存，降低 CPU 压力；长期将探索去中心化计费架构，彻底解决单点瓶颈[k]。

FreeWheel 采用全球多数据中心、异地多活架构。服务器规模扩大后，数据中心间同步压力增加。我们通过优化网络 QoS，识别数据优先级，保障关键数据实时传输，非关键数据允许适度延迟[k]。

FreeWheel 公司北京研发中心团队[k]

▌实时监控平台

为应对直播场景下的高并发挑战，FreeWheel在架构上通过消除单点故障、实现服务冗余化、主备切换及分区容错来保障高可用性，并采用异地多活部署方案。针对超级碗等大型赛事，通过DNS技术灵活分配不同数据中心间的流量，提升流量调度能力[k]。

在资源隔离方面，借助负载均衡技术，可将特定客户流量快速隔离至独立硬件资源，避免跨客户流量干扰，确保服务稳定性[k]。事中则依赖监控系统与各类Metric指标实时评估系统健康状态，结合运行时降级接口与自动化工具，实现一键降级，应对性能或稳定性风险[k]。

数据平台承担着日志接收与处理的核心职能，支持实时广告投放反馈、系统级与业务级监控以及限时离线数据产品输出[k]。面对超级碗等缺乏历史数据参考的场景，团队基于离线压力测试预估流量峰值，并对Hadoop、实时流处理等系统进行水平与垂直扩容[k]。依托AWS的六个数据中心部署，通过带宽动态调配保障关键区域服务稳定[k]。

在过去一年中，FreeWheel重构了应用监控体系，采用插件化架构实现数据采集、存储与UI展示的灵活扩展，支持多种代理接入与InfluxDB等时序数据库存储，提升了监控系统的响应速度与可维护性[k]。该平台已与OPSGenie Noc系统集成，实现异常事件的分级告警与多通道通知（如电话、短信），并设有响应超时升级机制，显著增强应急响应能力[k]。

除应用监控外，业务级实时监控在超级碗期间发挥了关键作用。例如，系统识别出第三方CDN服务商在下半场出现20至50秒的延迟，导致用户端“黑屏”，从而帮助客户定位问题[k]。数据平台通过Spark Streaming从六大数据中心采集原始日志，支撑实时监控需求，同时系统正向灵活配置演进，以减少对数据平台代码修改的依赖[k]。

相较于超级碗以高并发（300万至500万并发）为主要挑战，冬奥会虽并发量较低，但存在多场比赛并行、请求分布均匀的特点[k]。其技术难点在于集成方式复杂，涉及十余种平台对接，需在20余天内7×24小时持续运维，并协调中美团队协同支持[k]。监控体系涵盖Time Series（InfluxDB）、业务数据平台及基于Kafka+ELK的日志Debug监控等多个层次[k]。

▌AI赋能互联网视频广告

FreeWheel已在多个业务环节引入人工智能技术，尤其在基于效果的广告计费模式中应用广泛[k]。通过AI识别视频广告中的业务信息，可简化客户录入流程，提升运营效率[k]。在广告排期方面，利用机器学习实现自动化排期，有助于提升小型电视台等客户的收益与投放效率[k]。

AI技术的应用主要体现在三个方面：一是提升预估准确性，为2B客户提供精准预测，支持广告计划与定价；二是优化投放算法，平衡保量广告与市场广告，最大化整体收益；三是改进内部及客户流程，降低运营成本[k]。

未来技术发展方向聚焦三大核心：弹性能力、服务化架构与AI深度应用[k]。在弹性方面，需实现广告服务器与后台数据处理系统的自动水平扩展，充分利用AWS的弹性计算资源应对百倍甚至千倍流量峰值[k]。

服务化方向则致力于细化现有粗粒度广告服务器架构，按业务需求拆分模块，提升对不同流量类型（如SSP/DSP）、SLA和服务场景的适应能力，推动服务编排、部署与监控体系升级[k]。

AI将进一步用于交易市场场景下的流量定价与DSP选择，提升收益率预测能力[k]。同时，ID Graph成为关键方向，旨在打通跨设备、跨平台的用户身份识别，整合Comcast数据与移动端用户信息，支持人群定向与频控等高级广告功能[k]。