Presentation Layer

1บทบาทของ Presentation Layer ใน OSI

ลองนึกถึงการส่งของทางไปรษณีย์ เนื้อหาที่อยู่ข้างในอาจเป็นหนังสือ เสื้อ หรือแก้วน้ำ แต่เมื่อส่งผ่านระบบขนส่ง ทุกอย่างต้องถูกจัดให้อยู่ในรูปของ “พัสดุ” มีขนาด น้ำหนัก ที่อยู่ และวิธีแกะที่ชัดเจน เครือข่ายก็คล้ายกัน มันไม่ได้รู้ว่า byte ชุดหนึ่งคือภาพแมวหรือยอดเงินในบัญชี หน้าที่ของมันคือขนส่ง ส่วน Presentation Layer ช่วยตกลงว่า เมื่อเปิดพัสดุออกมาแล้วต้องอ่านสิ่งที่อยู่ข้างในอย่างไร

ในระบบ TCP/IP จริง เราไม่ค่อยเห็นโปรโตคอลชื่อ Presentation Layer แยกออกมาเป็นชิ้นชัด ๆ หน้าที่เหล่านี้มักอยู่ใน library, file format, serialization framework, codec หรือ TLS ที่แอปพลิเคชันเรียกใช้ ถึงชื่อชั้นจะหายไป แต่งานของชั้นไม่ได้หายตาม เหมือนบริษัทที่ยุบแผนกธุรการ แต่เอกสารก็ยังต้องมีคนทำอยู่ดี

2Presentation Formatting (Marshalling)

ปัญหา Byte Order: Big-Endian vs Little-Endian

Taxonomy ของ Argument Marshalling — 3 คำถามหลัก

(1) Data Types

Base types เช่น integer, float และ char เป็นหน่วยพื้นฐาน เมื่อนำมารวมกันจะเป็น Flat types เช่น structure และ array ส่วน Complex types อาจมี pointer หรือการอ้างถึง object อื่น ความยากไม่ได้อยู่ที่การคัดลอก byte อย่างเดียว แต่อยู่ที่การรักษาความสัมพันธ์ของข้อมูลด้วย เพราะ pointer ซึ่งมีความหมายในหน่วยความจำของเครื่องหนึ่ง ไม่มีความหมายเมื่อส่งเลข address เดิมไปให้อีกเครื่อง

(2) Conversion Strategy

(3) Tags

Tagged data แนบป้ายกำกับไปกับข้อมูล เช่น บอกว่าส่วนนี้คือชื่อและส่วนนี้คืออายุ ฝั่งรับจึงอ่านได้ยืดหยุ่นกว่า แต่ต้องแลกกับขนาดข้อมูลที่เพิ่มขึ้น ส่วน Untagged data ไม่ส่งป้ายไปด้วย ฝั่งรับต้องรู้โครงสร้างล่วงหน้า คล้ายกล่องยาแบบมีฉลากกับกล่องแบ่งช่องที่ทุกคนตกลงกันไว้แล้วว่าช่องแรกเป็นยาเช้า ช่องที่สองเป็นยาเย็น แบบหลังประหยัดพื้นที่กว่า แต่ถ้าเข้าใจกติกาคนละแบบก็ผิดทันที

ตัวอย่างมาตรฐานจริง

Markup Language: XML

XML คือแนวคิด tagged data ที่ใส่ป้ายกำกับไว้ค่อนข้างครบ โครงสร้างแบบ tag ซ้อน tag มองได้เป็นต้นไม้ ส่วน schema เช่น XML Schema ในไฟล์ .xsd ทำหน้าที่เหมือนแบบฟอร์มกลางว่า tag ใดมีได้บ้าง ต้องเป็นข้อมูลชนิดใด และซ้อนกันอย่างไร ข้อดีคืออ่านและตรวจสอบได้ชัด ข้อเสียคือมีข้อความประกอบมาก จึงมีขนาดใหญ่กว่ารูปแบบ binary หลายชนิด

3Multimedia Data: การบีบอัด

Multimedia data ได้แก่ ภาพ เสียง ภาพเคลื่อนไหว และวิดีโอ ข้อมูลเหล่านี้ต่างจากข้อความทั่วไปตรงที่มีปริมาณมาก และระบบรับรู้ของมนุษย์ไม่ได้ไวต่อรายละเอียดทุกชนิดเท่ากัน จุดนี้เปิดโอกาสให้เราบีบอัดได้มากกว่าการบีบอัดข้อความ แต่ก็ทำให้เกิดคำถามสำคัญขึ้นมาว่า “ข้อมูลส่วนใดทิ้งได้ และทิ้งมากเพียงใดจึงยังดูหรือฟังเป็นธรรมชาติ”

ก่อนบีบอัด ต้องเข้าใจก่อนว่าภาพกลายเป็นข้อมูลได้อย่างไร

ภาพดิจิทัลแบบ raster ประกอบด้วยจุดเล็ก ๆ ที่เรียกว่า pixel เรียงเป็นตาราง แต่ละ pixel เก็บค่าที่แทนสีหรือความสว่าง การบอกว่าภาพมีขนาด 1920×1080 หมายถึงมี 1,920 pixel ตามแนวนอนและ 1,080 pixel ตามแนวตั้ง รวมประมาณ 2.07 ล้าน pixel ไม่ได้หมายถึงขนาดกว้างยาวเป็นเซนติเมตร เพราะภาพเดียวกันอาจแสดงบนโทรศัพท์หรือฉายเต็มผนังก็ได้

ถ้านำภาพขนาดนี้มาเรียง 30 ภาพต่อวินาที จะใช้ข้อมูลประมาณ 178 MiB ต่อวินาที ตัวเลขนี้ช่วยให้เห็นว่า codec ไม่ใช่ของตกแต่งระบบ แต่เป็นเงื่อนไขที่ทำให้ multimedia ผ่านเครือข่ายทั่วไปได้จริง

RGB, YCbCr และเหตุผลที่ “สี” ถูกลดได้มากกว่าความสว่าง

จอภาพมักสร้างสีจาก RGB ได้แก่ Red, Green และ Blue แต่ JPEG มักแปลงข้อมูลไปเป็น YCbCr ก่อน โดย Y แทนความสว่าง ส่วน Cb และ Cr แทนความแตกต่างของสี เหตุผลไม่ได้มาจากความสวยงามทางคณิตศาสตร์อย่างเดียว แต่มาจากข้อจำกัดของสายตามนุษย์ เราสังเกตความเปลี่ยนแปลงของความสว่างและขอบวัตถุได้ละเอียดกว่าความแตกต่างของสี

ลองนึกถึงภาพคนใส่เสื้อลายทาง ถ้าขอบระหว่างเสื้อกับฉากหลังเลื่อนออกไป เราจะรู้สึกทันทีว่าภาพเบลอ แต่ถ้าเฉดแดงของเสื้อคลาดไปเล็กน้อย เราอาจไม่ทันสังเกต JPEG จึงเก็บรายละเอียดของ Y มากกว่า Cb และ Cr ได้โดยที่ภาพยังดูดี นี่ไม่ใช่การทิ้งข้อมูลแบบสุ่ม แต่เป็นการทิ้งตามความไวของระบบการมองเห็น

Chroma subsampling

หลังแปลงเป็น YCbCr ระบบอาจลดจำนวนตัวอย่างของช่องสีลง เรียกว่า chroma subsampling เช่น 4:4:4 เก็บรายละเอียดสีเต็ม 4:2:2 ลดสีตามแนวนอน และ 4:2:0 ลดรายละเอียดสีทั้งสองทิศทาง เมื่อใช้กับภาพถ่ายทั่วไป ความต่างอาจสังเกตได้ยาก แต่ตัวอักษรสีสดบนพื้นสีตรงข้าม ภาพหน้าจอ หรือกราฟเส้นบาง อาจเห็นขอบสีฟุ้งชัดขึ้น

Lossless กับ Lossy: ไม่ใช่ดีและไม่ดี แต่ตอบคนละโจทย์

Lossless compression ถอดกลับมาแล้วได้ bit เดิมทุกตัว เหมาะกับ source code เอกสาร ผลตรวจทางการแพทย์บางชนิด หรือข้อมูลที่ผิดหนึ่ง bit ก็เปลี่ยนความหมาย ส่วน lossy compression ยอมให้ข้อมูลหลังถอดต่างจากต้นฉบับ เพื่อแลกกับขนาดที่เล็กลงมาก เหมาะกับภาพถ่าย เสียง และวิดีโอ เมื่อความต่างนั้นอยู่ในบริเวณที่คนสังเกตได้ยาก

Lossless Compression Techniques

เทคนิคเหล่านี้กำจัด redundancy หรือความซ้ำซ้อน เช่น พื้นที่สีเดียวกันยาว ๆ ค่าที่เปลี่ยนทีละน้อย หรือรูปแบบที่เกิดซ้ำ ประเด็นสำคัญคือ redundancy ไม่ใช่ข้อมูลผิด แต่เป็นข้อมูลที่เราสามารถเขียนให้สั้นลงได้โดยไม่เสียความหมาย

JPEG — Image Compression (Lossy)

JPEG ไม่ได้ย่อภาพด้วยการลดทุกอย่างเท่ากัน แต่ค่อย ๆ เปลี่ยนภาพให้เห็นว่า ส่วนไหนสำคัญต่อสายตา ส่วนไหนมีผลน้อย และส่วนไหนเกิดซ้ำจนเขียนให้สั้นลงได้ กระบวนการจริงมีรายละเอียดมากกว่าสามคำว่า DCT, Quantization และ Encoding การเข้าใจเส้นทางตั้งแต่ pixel จนเป็น bitstream จะทำให้เราวิเคราะห์อาการของภาพเสียได้ ไม่ใช่เพียงท่องชื่อขั้นตอน

ขั้นที่ 1: แปลงสีจาก RGB เป็น YCbCr

JPEG แยกความสว่างออกจากสี เพื่อให้แต่ละส่วนได้รับการดูแลไม่เท่ากัน ช่อง Y มักถูกเก็บละเอียดกว่า Cb และ Cr เพราะสายตาไวต่อโครงสร้างจากความสว่างมากกว่า การแปลงนี้ยังไม่จำเป็นต้องทำให้คุณภาพลดลงอย่างเห็นได้ชัด แต่เป็นการจัดโต๊ะใหม่ก่อนเริ่มคัดของ

ขั้นที่ 2: ลดรายละเอียดสีด้วย Chroma subsampling

ถ้าใช้ 4:2:0 ข้อมูลสีหลาย pixel จะใช้ตัวอย่างร่วมกัน เปรียบเหมือนระบายสีด้วยพู่กันหัวใหญ่ขึ้น แต่ยังวาดเส้นขอบด้วยดินสอหัวแหลม ขนาดลดลงมากโดยภาพถ่ายยังดูเป็นธรรมชาติ อย่างไรก็ตาม โลโก้ ตัวอักษร และภาพหน้าจออาจเสียความคม เพราะสีตรงขอบมีความหมายมากกว่าภาพถ่ายทั่วไป

ขั้นที่ 3: แบ่งภาพออกเป็นบล็อก

JPEG แบบดั้งเดิมแบ่งแต่ละช่องข้อมูลเป็นบล็อกขนาด 8×8 ตัวอย่าง แล้วประมวลผลทีละบล็อก เหมือนแบ่งพื้นกระเบื้องผืนใหญ่เป็นแผ่นเล็ก ๆ เพื่อคำนวณง่ายขึ้น ข้อดีคือใช้หน่วยความจำไม่มากและออกแบบวงจรได้ง่าย ข้อเสียคือเมื่อบีบอัดแรงเกินไป ขอบของบล็อกอาจปรากฏเป็นตารางที่เรียกว่า blocking artifact

ขั้นที่ 4: เลื่อนระดับค่าให้อยู่รอบศูนย์

ตัวอย่างภาพ 8 bit มีค่าระหว่าง 0–255 ก่อนทำ DCT มักลบ 128 ให้ช่วงกลายเป็นประมาณ −128 ถึง 127 การเลื่อนนี้ไม่ได้ลดคุณภาพ เป็นเพียงการจัดค่ารอบศูนย์เพื่อให้การแปลงทางคณิตศาสตร์ทำงานสะดวกขึ้น

ขั้นที่ 5: DCT แยกภาพออกเป็นความถี่

Discrete Cosine Transform (DCT) เปลี่ยนข้อมูลจากโลกของตำแหน่ง pixel ไปเป็นโลกของ spatial frequency ผลลัพธ์ยังเป็นตาราง 8×8 เหมือนเดิม แต่แต่ละช่องไม่ได้แทน pixel แล้ว ช่องมุมซ้ายบนแทนค่าเฉลี่ยของบล็อก เรียกว่า DC coefficient ส่วนช่องอื่นแทนการเปลี่ยนแปลงจากช้าไปเร็ว เรียกว่า AC coefficients

บล็อกท้องฟ้าหรือผนังเรียบมักมีพลังงานกองอยู่ในความถี่ต่ำเพียงไม่กี่ค่า ส่วนรายละเอียดอย่างเส้นผม ใบไม้ หรือพื้นผิวผ้าจะกระจายไปยังความถี่สูงมากกว่า คุณสมบัตินี้เรียกว่า energy compaction คือ DCT ช่วยรวบข้อมูลสำคัญจาก 64 ค่าให้กระจุกอยู่ใน coefficient จำนวนน้อย

ขั้นที่ 6: Quantization — จุดที่ JPEG ยอมทิ้งข้อมูล

แต่ละ DCT coefficient ถูกหารด้วยค่าจาก quantization table แล้วปัดเป็นจำนวนเต็ม ถ้าตัวหารใหญ่ coefficient ขนาดเล็กจำนวนมากจะถูกปัดเป็นศูนย์ ความถี่สูงมักใช้ตัวหารใหญ่กว่าความถี่ต่ำ เพราะรายละเอียดเล็กและการเปลี่ยนแปลงถี่มักสังเกตได้ยากกว่า

สมมุติ coefficient มีค่า 43 และ quantization step เป็น 10 เราจะเก็บ 4 เมื่อถอดกลับจะได้ประมาณ 40 ส่วนต่าง 3 หายไปอย่างถาวร ถ้า coefficient มีค่า 3 และหารด้วย 10 ผลอาจถูกปัดเป็น 0 รายละเอียดส่วนนั้นจึงหายไปเลย ยิ่งตั้ง quality ต่ำ ตัวหารโดยรวมยิ่งใหญ่ จำนวนศูนย์ยิ่งมาก ไฟล์ยิ่งเล็ก แต่ร่องรอยของการบีบอัดก็ยิ่งชัด

ขั้นที่ 7: Zigzag scan ทำให้ศูนย์มาอยู่ติดกัน

หลัง Quantization ค่าในตาราง 8×8 มักมีค่าที่ไม่เป็นศูนย์อยู่บริเวณความถี่ต่ำ และมีศูนย์จำนวนมากบริเวณความถี่สูง JPEG อ่านตารางเป็นเส้นทางซิกแซ็กจากมุมซ้ายบนไปขวาล่าง เพื่อเรียงค่าจากความถี่ต่ำไปสูง ผลคือศูนย์ท้ายแถวมารวมกันยาว ๆ และพร้อมสำหรับ RLE

ขั้นที่ 8: DPCM, RLE และ Huffman coding

ค่า DC ของบล็อกข้างกันมักใกล้กัน จึงส่งผลต่างด้วยแนวคิด DPCM ส่วนค่า AC ใช้ RLE บอกจำนวนศูนย์ที่นำหน้าค่าถัดไป แล้วจึงใช้ Huffman coding ให้รูปแบบที่พบบ่อยมีรหัสสั้นลง ขั้นนี้เรียกรวมว่า entropy coding เป็น lossless เพราะจัดรหัสให้สั้นลงโดยไม่ทิ้งค่าที่ผ่าน Quantization มาแล้ว

Quality ของ JPEG หมายถึงอะไร

ค่า Quality 90, 75 หรือ 50 ที่เห็นในโปรแกรมไม่ใช่มาตรฐานหน่วยกลางที่ทุกโปรแกรมตีความเหมือนกัน โดยทั่วไปมันใช้ปรับ quantization table แต่โปรแกรม A ที่ Quality 80 อาจให้ขนาดและภาพต่างจากโปรแกรม B ที่ Quality 80 ได้ ดังนั้นการเทียบควรดูไฟล์จริงและคุณภาพจริง ไม่ควรดูตัวเลขหน้า slider อย่างเดียว

อีกประเด็นหนึ่งคือ ขนาดไฟล์ไม่ได้ขึ้นกับ resolution และ quality เท่านั้น แต่ขึ้นกับเนื้อหาของภาพด้วย ภาพท้องฟ้าเรียบ ๆ บีบอัดง่ายกว่าภาพใบไม้จำนวนมาก เพราะภาพแรกมีความถี่สูงน้อย ส่วนภาพหลังเต็มไปด้วยขอบและรายละเอียด แม้สองภาพจะมีขนาด pixel เท่ากันและตั้ง quality เท่ากัน ไฟล์ก็อาจต่างกันมาก

ร่องรอยของ JPEG บอกเราได้ว่าข้อมูลส่วนไหนถูกทิ้ง

JPEG เหมาะกับภาพใด และไม่เหมาะกับภาพใด

Progressive JPEG กับ Baseline JPEG

Baseline JPEG มักถอดภาพจากบนลงล่างตามลำดับ ส่วน Progressive JPEG ส่งข้อมูลเป็นหลายรอบ ผู้ชมอาจเห็นภาพหยาบทั้งภาพก่อน แล้วค่อยชัดขึ้น เหมือนศิลปินร่างโครงทั้งภาพก่อนเติมรายละเอียด ข้อดีคือผู้ใช้รับรู้ได้เร็วว่าภาพคืออะไรเมื่อเครือข่ายช้า แต่ไม่ได้แปลว่าไฟล์จะเล็กกว่าเสมอไป ประโยชน์หลักอยู่ที่ลำดับการแสดงผล

Compression ratio, Fidelity และสิ่งที่คำว่า “คุณภาพดี” ซ่อนไว้

Compression ratio เปรียบเทียบขนาดข้อมูลเดิมกับข้อมูลหลังบีบอัด แต่ไฟล์เล็กไม่ได้แปลว่าดีกว่าเสมอ เพราะเราอาจได้ไฟล์เล็กด้วยการทำลายรายละเอียดจนใช้การไม่ได้ ในทางกลับกัน ไฟล์ใหญ่ก็ไม่ได้รับประกันว่าดีกว่า หากต้นฉบับเสียหรือถูกบีบอัดมาก่อนแล้ว

การวัดความเหมือนอาจใช้ตัวชี้วัดอย่าง PSNR หรือ SSIM แต่ตัวเลขเหล่านี้ก็ไม่แทนการรับรู้ของมนุษย์ได้สมบูรณ์ ภาพสองภาพที่มี error เชิงตัวเลขใกล้กัน อาจให้ความรู้สึกต่างกันมากถ้า error ภาพหนึ่งอยู่บนใบหน้าหรือตัวอักษร อีกภาพอยู่ในพื้นผิวฉากหลัง คำว่า “คุณภาพ” จึงขึ้นกับทั้งข้อมูล การรับรู้ และงานที่จะนำภาพไปใช้

ข้อมูลเสียง: จากคลื่นต่อเนื่องไปเป็นตัวเลข

เสียงในโลกจริงเป็นคลื่นต่อเนื่อง ไมโครโฟนแปลงแรงสั่นสะเทือนเป็นสัญญาณไฟฟ้า แล้วระบบดิจิทัลวัดค่าตามช่วงเวลา กระบวนการนี้เรียกว่า sampling จำนวนครั้งที่วัดต่อวินาทีคือ sampling rate เช่น 44.1 kHz หมายถึงวัด 44,100 ครั้งต่อวินาที ส่วน bit depth บอกความละเอียดของค่า amplitude ในแต่ละครั้ง

เสียงสามารถบีบอัดแบบ lossless เช่น FLAC หรือแบบ lossy เช่น MP3 และ AAC การบีบอัดเสียงแบบ lossy ใช้แบบจำลองการได้ยิน เช่น เสียงดังบางความถี่อาจกลบเสียงเบาที่อยู่ใกล้กัน ระบบจึงลดความละเอียดของส่วนที่ผู้ฟังมีโอกาสสังเกตได้น้อย แนวคิดเหมือน JPEG ตรงที่อาศัยข้อจำกัดของมนุษย์ แต่รายละเอียดทางสรีรวิทยาและคณิตศาสตร์ต่างกัน

MPEG — Video Compression

วิดีโอไม่ใช่เพียงภาพ JPEG หลายภาพต่อกัน เพราะภาพที่อยู่ติดกันมักคล้ายกันมาก ถ้ากล้องไม่ขยับ ฉากหลังแทบไม่เปลี่ยน มีเพียงคนหรือวัตถุบางส่วนที่เคลื่อน MPEG และ video codec รุ่นต่อมาจึงใช้ทั้ง spatial redundancy ภายในภาพเดียว และ temporal redundancy ระหว่างเวลา

Motion estimation พยายามหาว่าบล็อกวัตถุจากภาพก่อนย้ายไปอยู่ตรงไหนในภาพใหม่ แทนที่จะส่งรูปเดิมซ้ำ ระบบส่งลูกศรหรือ motion vector พร้อม residual ซึ่งเป็นส่วนที่ภาพทำนายกับภาพจริงต่างกัน เปรียบเหมือนรายงานการย้ายโต๊ะในห้องว่า “โต๊ะตัวเดิมเลื่อนไปทางขวา 20 เซนติเมตร” สั้นกว่าถ่ายรายการของทั้งห้องใหม่ทุกครั้ง

ภาพ เสียง และวิดีโอเมื่อส่งผ่านเครือข่าย

ไฟล์ JPEG ที่ดาวน์โหลดทั่วไปต้องได้ byte ครบก่อนจึงถอดภาพถูก ถ้า TCP ช้าก็เพียงรอนานขึ้น แต่การประชุมสดมี deadline ทุก frame ภาพที่มาถึงช้าเกินเวลาฉายแทบไม่มีประโยชน์ ระบบจึงอาจลด resolution, frame rate หรือ bitrate เพื่อรักษาการสนทนาให้ต่อเนื่อง ในงาน real-time “ภาพสวยแต่ช้าสามวินาที” อาจแย่กว่า “ภาพหยาบแต่คุยโต้ตอบได้ทันที”

ตรงนี้ทำให้เห็นความสัมพันธ์ระหว่าง Presentation Layer กับชั้นอื่น Codec ตัดสินว่าจะเขียนภาพและเสียงเป็น bit อย่างไร Transport ช่วยส่งข้อมูล ส่วนระบบควบคุม session ติดตามว่าความสามารถของคู่สื่อสารและสภาพเครือข่ายเปลี่ยนไปหรือไม่ การแยกชั้นช่วยให้เรียนง่าย แต่ระบบจริงต้องทำงานร่วมกัน ไม่มี codec ใดชนะข้อจำกัดของ bandwidth ได้ด้วยการประกาศว่าตัวเองอยู่คนละชั้น

4สรุปและขั้นตอนถัดไป