[논문 리뷰] Bi-directional Digital Twin and Edge Computing in the Metaverse

Jiadong Yu, Ahmad Alhilal외 2명|arXiv (Cornell University)|2022. 11. 16.

IoT and Edge/Fog Computing인용 수 8

한 줄 요약

이 논문은 메타버스에서 양방향 디지털 트윈(DT)과 엣지 컴퓨팅 프레임워크를 제안하여, 멀티액세스 엣지 컴퓨팅을 통해 물리적 객체, 사용자 및 MEC 시스템의 실시간 디지털 복제를 가능하게 한다. 지속 학습을 활용해 동기화를 유지하고 지연을 줄이며, 동적 사용자 이동성과 네트워크 변화 상황에서도 높고 공정한 경험 품질(QoE)을 보장하는 계층적 DTEC 아키텍처를 도입한다.

ABSTRACT

The Metaverse has emerged to extend our lifestyle beyond physical limitations. As essential components in the Metaverse, digital twins (DTs) are the real-time digital replicas of physical items. Multi-access edge computing (MEC) provides responsive services to the end users, ensuring an immersive and interactive Metaverse experience. While the digital representation (DT) of physical objects, end users, and edge computing systems is crucial in the Metaverse, the construction of these DTs and the interplay between them have not been well-investigated. In this paper, we discuss the bidirectional reliance between the DT and the MEC system and investigate the creation of DTs of objects and users on the MEC servers and DT-assisted edge computing (DTEC). To ensure seamless handover among MEC servers and to avoid intermittent Metaverse services, we also explore the interaction between local DTECs on local MEC servers and the global DTEC on the cloud server due to the dynamic nature of network states (e.g., channel state and users' mobility). We investigate a continual learning framework for resource allocation strategy in local DTEC through a case study. Our strategy mitigates the desynchronization between physical-digital twins, ensures higher learning outcomes, and provides a satisfactory Metaverse experience.

연구 동기 및 목표

• 메타버스에서 물리적 객체, 사용자 및 MEC 시스템의 디지털 트윈(DT)을 통합적으로 구축할 수 있는 프레임워크의 부족을 해결하기 위해.
• 내부 및 상호 트윈 통신을 통해 물리적 트윈(PT)과 디지털 트윈(DT) 간의 이중 방향 통신을 가능하게 하여 저지연, 고품질의 메타버스 경험을 보장하기 위해.
• 사용자 이동성과 동적 네트워크 조건 하에서도 서비스 지속성과 QoE의 공정성을 확보하기 위해 계층적 DTEC(DT 지원 엣지 컴퓨팅) 아키텍처를 통해 실시간 DT 업데이트 및 네트워크 상태 정보 기반 자원 동적 할당을 수행하기 위해.
• 변동하는 네트워크 조건와 자원 제약 상황에서도 물리적 트윈과 디지털 트윈 간의 동기화 갭을 최소화하기 위해.
• 학습 기반 DT에서의 치명적 기억 상실을 방지하기 위해 이전 지식을 유지하면서 새로운 환경에 적응할 수 있도록 지속 학습 기법을 적용하기 위해.

제안 방법

• IoT 센서에서 수집한 실시간 데이터를 활용해 MEC 서버에 물리적 객체와 사용자의 DT를 구축하여 실시간 디지털 복제를 가능하게 한다.
• DT에서 물리적 트윈으로의 피드백을 위한 내부 트윈 통신과 DT와 DTEC 시스템 간의 데이터 교환을 위한 상호 트윈 통신을 수립한다.
• 로컬 DTEC을 MEC 서버에, 글로벌 DTEC을 클라우드에 배치한 계층적 DTEC 아키텍처를 도입하여 동적 자원 할당 및 DT 이관 결정을 가능하게 한다.
• 로컬 DTEC에 지속 학습 프레임워크를 구현하여 손실과 탈동기화 시간을 동시에 최적화함으로써 모델의 강건성과 동기화 수준을 향상시킨다.
• 글로벌 DTEC에서 네트워크 토폴로지, 채널 상태, 자원 가용성 분석을 위한 머신러닝 모델을 활용해 지능적인 DT 이관 결정을 내린다.
• 온라인 적응 과정에서 DT의 치명적 기억 상실을 방지하기 위해 디스틸레이션 기반 및 리허설 기반 지식 유지 기법을 적용한다.

실험 결과

연구 질문

• RQ1 물리적 객체, 사용자 및 MEC 시스템의 디지털 트윈은 MEC 서버에서 어떻게 실시간으로 생성되고 유지될 수 있는가?
• RQ2 로컬 DTEC와 글로벌 DTEC 간의 상호작용은 동적 네트워크 및 이동 조건 하에서도 메타버스에서 높고 공정한 경험 품질(QoE)을 보장하는 데 어떻게 기여하는가?
• RQ3 변동하는 네트워크 대역폭, 신호 세기, 토폴로지 조건에도 불구하고 물리적 트윈과 디지털 트윈 간의 동기화 갭은 어떻게 최소화될 수 있는가?
• RQ4 서비스 장애나 과도한 전력 소비 없이 디지털 트윈이 MEC 서버 간에 원활하게 이관되는 데 필요한 메커니즘은 무엇인가?
• RQ5 학습 기반 디지털 트윈은 새로운 환경이나 운영 조건에 적응하면서 어떻게 치명적 기억 상실을 방지할 수 있는가?

주요 결과

• 로컬 DTEC에 구현된 지속 학습 프레임워크는 손실과 동기화 시간을 동시에 최적화함으로써 물리적 트윈과 디지털 트윈 간의 탈동기화 갭을 크게 감소시킨다.
• 제안된 DTEC 아키텍처는 실시간 DT 업데이트 및 네트워크 상태 정보 기반 자원 동적 할당을 통해 사용자 간에 더 높고 공정한 QoE를 보장한다.
• 진화적 이관 방식을 통해 현재 상태와 모델 파라미터의 우선 이관을 실현함으로써 서비스 장애 최소화로 원활한 DT 이관이 가능하다.
• 전체 네트워크 토폴로지 인식 기능을 통합한 글로벌 DTEC는 변화하는 네트워크 조건에 적응하는 지능적이고 사전적 DT 이관 결정을 가능하게 한다.
• 디스틸레이션 및 리허설 기반 지식 유지 기법은 DT에서 치명적 기억 상실을 효과적으로 완화하며, 다양한 변화하는 환경에서 성능 유지에 기여한다.
• VR 콘텐츠 스트리밍 사례 연구를 통해 제안된 프레임워크가 기준 전략 대비 가장 높은 QoE를 달성하고 시간 기반 공정성을 유지함을 입증하였다.