[논문 리뷰] Attention-aware Resource Allocation and QoE Analysis for Metaverse xURLLC Services

Hongyang Du, Jiazhen Liu외 5명|arXiv (Cornell University)|2022. 08. 10.

Image and Video Quality Assessment인용 수 5

한 줄 요약

이 논문은 계약 이론을 활용하여 메타버스 xURLLC 서비스를 위한 주목사용자 중심의 자원 할당 프레임워크를 제안한다. 이를 통해 사용자 경험(QoE)을 최대화한다. 목적적 KPI와 주관적 주목을 조합한 새로운 메타-침습도 메트릭을 도입함으로써, 기존의 균일 할당 방식의 URLLC 대비 평균 QoE를 20.1% 향상시킨다.

ABSTRACT

Metaverse encapsulates our expectations of the next-generation Internet, while bringing new key performance indicators (KPIs). Although conventional ultra-reliable and low-latency communications (URLLC) can satisfy objective KPIs, it is difficult to provide a personalized immersive experience that is a distinctive feature of the Metaverse. Since the quality of experience (QoE) can be regarded as a comprehensive KPI, the URLLC is evolved towards the next generation URLLC (xURLLC) with a personalized resource allocation scheme to achieve higher QoE. To deploy Metaverse xURLLC services, we study the interaction between the Metaverse service provider (MSP) and the network infrastructure provider (InP), and provide an optimal contract design framework. Specifically, the utility of the MSP, defined as a function of Metaverse users' QoE, is to be maximized, while ensuring the incentives of the InP. To model the QoE mathematically, we propose a novel metric named Meta-Immersion that incorporates both the objective KPIs and subjective feelings of Metaverse users. Furthermore, we develop an attention-aware rendering capacity allocation scheme to improve QoE in xURLLC. Using a user-object-attention level dataset, we validate that the xURLLC can achieve an average of 20.1% QoE improvement compared to the conventional URLLC with a uniform resource allocation scheme. The code for this paper is available at https://github.com/HongyangDu/AttentionQoE

연구 동기 및 목표

• 기존 URLLC가 목적적 KPI에만 집중함으로써 메타버스 xURLLC 서비스 내 개인 맞춤형 몰입 경험의 격차를 해결하기 위해.
• 가상 물체에 대한 사용자 주관적 주목과 기술적 성능을 모두 반영할 수 있는 경험 품질(QoE) 모델링을 위해.
• 메타버스 서비스 제공자(MSP)의 이득을 극대화하면서도 인프라 제공자(InP)의 참여를 보장하는 인센티브 호환 계약을 설계하기 위해.
• 사용자-물체-주목도 값이 높은 가상 물체를 우선순위로 렌더링 용량을 할당하는 주목사용자 중심의 렌더링 용량 할당 기법을 개발하기 위해.
• 실제 사용자 주목 데이터를 활용해 제안된 프레임워크를 검증하고 기존의 균일 할당 기반 URLLC 기법 대비 뚜렷한 QoE 향상을 입증하기 위해.

제안 방법

• 목적적 KPI(예: 지연, 신뢰성)와 가상 물체에 대한 사용자 주목을 조합한 복합 QoE 측정지표로 메타-침입도 메트릭을 도입한다.
• MSP와 InP 간 최적의 인센티브 메커니즘을 설계하기 위해 계약 이론을 적용하며, InP의 참여를 보장하면서 MSP의 이득을 극대화한다.
• 예측된 사용자 주목도 값이 높은 가상 물체에 더 높은 렌더링 용량을 동적으로 할당하는 주목사용자 중심의 자원 할당 알고리즘을 개발한다.
• 실시간 자원 할당 결정을 위한 주목도 예측 모델을 훈련하고 검증하기 위해 사용자-물체-주목도 수준 데이터셋을 활용한다.
• 전력 및 지연 제약 조건 하에서 최적의 자원 할당을 해결하기 위해 수학적 최적화를 적용하며, 볼록성 분석을 통해 닫힌 형태의 해를 유도한다.
• 실제 주목 데이터셋을 활용해 프레임워크를 검증하고, 균일 할당 및 무작위 할당 기반 기준 대비 성능을 비교한다.

Figure 1: Structure and main contributions of this paper. Part I shows the system model. Part II shows the ideas of QoE formulation and algorithms design. Part III shows that the Meta-Immersion of $30$ users under three different resource allocation schemes, i.e., random, uniform (in conventional UR

실험 결과

연구 질문

• RQ1 메타버스 xURLLC 서비스에서 QoE를 어떻게 모델링할 수 있을까? 목적적 KPI와 사용자 주관적 주목을 모두 반영할 수 있도록.
• RQ2 MSP와 InP 간 상호 인센티브를 보장하면서 MSP의 이득을 극대화하는 계약 설계는 어떻게 이루어질 수 있을까?
• RQ3 자원 할당을 어떻게 주목사용자 중심으로 설계할 수 있을까? 이를 통해 사용자 몰입도와 QoE를 향상시킬 수 있을까?
• RQ4 기존의 균일 할당 방식의 URLLC 대비 제안된 주목사용자 중심 기법의 정량적 QoE 향상은 어느 정도일까?
• RQ5 실제 사용자 주목 패tern과 네트워크 제약 조건 하에서 제안된 프레임워크는 어떤 성능을 보일까?

주요 결과

• 제안된 메타-침입도 메트릭은 목적적 KPI와 사용자 주관적 주목을 통합하여 유일한 QoE 측정지표로 성공적으로 통합하였다.
• 주목사용자 중심의 자원 할당 기법은 기존의 균일 할당 방식의 URLLC 대비 평균 QoE를 20.1% 향상시켰다.
• 계약 기반 프레임워크는 MSP의 QoE 극대화 목표와 일치하는 인centive를 제공함으로써 InP의 참여를 보장한다.
• 최적화 문제는 볼록성을 띠며, 볼록 최적화 기법을 통해 효율적이고 전역 최적의 해를 도출할 수 있음을 입증하였다.
• 최적 자원 할당을 위한 닫힌 형태의 해가 유도되어 실시간 구현에 있어 낮은 계산 오버헤드를 보였다.
• 실제 사용자 주목 데이터를 활용한 실증 검증을 통해 다양한 사용자 행동 패턴에서 제안된 기법의 강건성과 효과성을 확인하였다.

Figure 2: A contract theory-based Metaverse xURLLC service market with multi-dimension resources and the QoE-based payment.