[論文レビュー] Virtual Reality over Wireless Networks: Quality-of-Service Model and Learning-Based Resource Management

Mingzhe Chen, Walid Saad+1 more|arXiv (Cornell University)|Mar 13, 2017

Neural Networks and Reservoir Computing参考文献 30被引用数 5

ひとこと要約

本稿では、小セルネットワーク（SCNs）上でのバーチャルリアリティ（VR）向けに、トラッキング精度、処理遅延、伝送遅延を統合的に最適化する、新規の多属性効用ベースのQoSモデルを提案する。分散的かつ収束性を有するリソース管理を上行リンクおよび下行リンクで実現するエコー状態ネットワーク（ESN）ベースの学習アルゴリズムを導入し、ベースライン手法と比較して最大37.5%高いVR QoS効用を達成するとともに、高速な収束性と低遅延を実現する。

ABSTRACT

In this paper, the problem of resource management is studied for a network of wireless virtual reality (VR) users communicating over small cell networks (SCNs). In order to capture the VR users' quality-of-service (QoS) in SCNs, a novel VR model, based on multi-attribute utility theory, is proposed. This model jointly accounts for VR metrics such as tracking accuracy, processing delay, and transmission delay. In this model, the small base stations (SBSs) act as the VR control centers that collect the tracking information from VR users over the cellular uplink. Once this information is collected, the SBSs will then send the three dimensional images and accompanying surround stereo audio to the VR users over the downlink. Therefore, the resource allocation problem in VR wireless networks must jointly consider both the uplink and downlink. This problem is then formulated as a noncooperative game and a distributed algorithm based on the machine learning framework of echo state networks (ESNs) is proposed to find the solution of this game. The use of the proposed ESN algorithm enables the SBSs to predict the VR QoS of each SBS and guarantees the convergence to a mixed-strategy Nash equilibrium. The analytical result shows that each user's VR QoS jointly depends on both VR tracking accuracy and wireless resource allocation. Simulation results show that the proposed algorithm yields significant gains, in terms of total utility value of VR QoS, that reach up to 22.2% and 37.5%, respectively, compared to Q-learning and a baseline proportional fair algorithm. The results also show that the proposed algorithm has a faster convergence time than Q-learning and can guarantee low delays for VR services.

研究の動機と目的

• 無線小セルネットワーク（SCNs）上での高品質で低遅延なVR体験を提供する課題に対処するため、上行リンクおよび下行リンクのリソース割り当てを統合的にモデル化すること。
• トラッキング精度、処理遅延、伝送遅延といったVR固有の指標を捉える包括的なQoSモデルを構築すること。
• 小セル基地局（SBSs）が非協力的ゲーム設定においてVR QoSを最適化できる分散的で学習ベースのリソース管理フレームワークを設計すること。
• 遅延を最小限に抑えながらVR効用を最大化するため、混合戦略ナッシュ均衡への収束を保証すること。

提案手法

• SBS間を非協力的ゲームとして定式化し、各SBSを自らのQoS効用を最適化するプレイヤーとしてモデル化する。
• VRにおけるトラッキング精度、処理遅延、伝送遅延を統合的に扱う、効用理論に基づく多属性効用モデルを開発する。
• エコー状態ネットワーク（ESN）フレームワークを採用し、SBSがVR QoSの結果を予測し、最適なリソース割り当て戦略を学習できるようにする。
• ロビンズ＝モンロー学習率条件およびkステップの曖昧さなし条件下で、ESNベースのアルゴリズムが混合戦略ナッシュ均衡に収束することを保証する。
• SBSの接続およびリソースブロック割り当てに基づき、ユーザーの可能な行動数を導出し、有限の行動空間を確保する。
• ESNの動的リザボアが過去の状態と入力を記憶し、VR QoSダイナミクスの時系列モデリングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 トラッキング精度、処理遅延、伝送遅延といったVR固有のQoS指標を、無線SCNsにおけるユーザー体験を反映する形で統合的にモデル化する方法は何か？
• RQ2 低遅延を確保しつつVR QoS効用を最大化する最適な分散型リソース割り当て戦略は何か？
• RQ3 非協力的ゲーム設定において、ESNベースの学習フレームワークは安定解に収束可能か？
• RQ4 提案されたESNベースのアルゴリズムは、Q学習および比例分配スケジューリングと比較して、性能および収束速度で優れているか？

主な発見

• 提案されたESNベースのアルゴリズムは、Q学習と比較して最大22.2%、比例分配スケジューリングベースラインと比較して最大37.5%高いVR QoS効用を達成する。
• アルゴリズムはQ学習よりも高速な収束時間を示し、動的なVR環境におけるリアルタイム適応を可能にする。
• ESNベースのアプローチは混合戦略ナッシュ均衡への収束を保証し、安定的かつ最適なリソース割り当てを実現する。
• シミュレーション結果から、VR QoS効用はトラッキング精度と無線リソース割り当て効率の両方に依存することが確認された。
• ゲームにおける行動数は有限であり、SBSの接続およびリソースブロック割り当てに基づいて導出されており、実装可能性を確保する。
• アルゴリズムは低遅延のエンドツーエンド遅延を維持しており、20ms未満の遅延を要する没入型VR体験にとって不可欠である。