[논문 리뷰] Edge-Cloud Collaboration Enabled Video Service Enhancement: A Hybrid Human-Artificial Intelligence Scheme

Dapeng Wu, Ruili Bao외 3명|arXiv (Cornell University)|2021. 01. 14.

Caching and Content Delivery참고 문헌 28인용 수 7

한 줄 요약

이 논문은 엣지-클라우드 협업 영상 서비스 향상을 위한 하이브리드 인간-인공지능 프레임워크를 제안하며, 인과성 기반 모델과 다층 퍼셉트론 모델을 융합하여 개인 및 집단 사용자 관심을 예측하고 고정밀 영상 캐싱을 실현한다. 통계적 지연 제약 조건 하에서 무선 자원 할당을 최적화하기 위해 이중 이분법 탐색 기법을 도입하여 영상 코딩 속도에서 높은 사용자 공정성을 달성하였으며, 실제 실험에서 기존 기준 대비 뛰어난 성능을 보였다.

ABSTRACT

In this paper, a video service enhancement strategy is investigated under an edge-cloud collaboration framework, where video caching and delivery decisions are made in the cloud and edge respectively. We aim to guarantee the user fairness in terms of video coding rate under statistical delay constraint and edge caching capacity constraint. A hybrid human-artificial intelligence approach is developed to improve the user hit rate for video caching. Specifically, individual user interest is first characterized by merging factorization machine (FM) model and multi-layer perceptron (MLP) model, where both low-order and high-order features can be well learned simultaneously. Thereafter, a social aware similarity model is constructed to transferred individual user interest to group interest, based on which, videos can be selected to cache. Furthermore, a double bisection exploration scheme is proposed to optimize wireless resource allocation and video coding rate. The effectiveness of the proposed video caching scheme and video delivery scheme is finally validated by extensive experiments with a real-world data set.

연구 동기 및 목표

• 엣지-클라우드 아키텍처에서 영상 캐싱과 전달을 동시에 최적화하여 영상 서비스 품질을 향상시키는 도전 과제를 해결한다.
• 통계적 지연 및 엣지 캐싱 용량 제약 조건을 고려하면서도 영상 코딩 속도에서 사용자 간 공정성을 향상시킨다.
• 실제 데이터 기반의 접근 방식을 통해 개인 및 집단 사용자 관심을 예측하여 효과적인 영상 캐싱 결정을 내리는 데 목적이 있다.
• 동적 무선 환경에서 지연 제약 조건을 만족하면서도 공정성을 확보하는 자원 할당 기법을 설계한다.
• 사용자 관심 예측을 네트워크 수준 최적화와 통합하여 동시에 사용자 히트율과 콘텐츠 히트율을 극대화한다.

제안 방법

• 개인적 관심 예측을 위한 정확한 저차원 및 고차원 사용자 특성 표현을 동시에 학습하기 위해 인과성 기반 모델(FM)과 다층 퍼셉트론(MLP) 모델을 융합한다.
• 사회적 인지 기반 유사도 모델을 구축하여 개인 사용자 관심을 집단 수준의 관심 프로파일로 전이하며, 긍정적 및 부정적 정서 피드백을 통합한다.
• 영상 코딩 속도, 지연 제약 조건, 채널 상태 간의 분석적 통계적 지연 보장 모델을 유도한다.
• 각 사용자에 대한 대역폭 할당을 반복적으로 최적화하여 지연 제약 조건 하에서 영상 코딩 속도의 공정성을 확보하는 이중 이분법 탐색 기법을 제안한다.
• 클라우드-엣지 협업 아키텍처를 활용: 클라우드는 집단 관심 기반으로 영상 캐싱 결정을 수행하고, 엣지는 실시간 자원 할당 및 전달을 관리한다.
• 실제 영상 요청 데이터를 활용해 제안된 기법을 훈련 및 검증하여 실용적 적용 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 엣지-클라우드 시스템에서 개인 및 집단 사용자 관심을 효과적으로 모델링하여 영상 캐싱 정확도를 향상시킬 수 있는가?
• RQ2 제한된 엣지 캐싱 용량 조건 하에서 사용자 히트율과 콘텐츠 히트율 간 최적의 트레이드오프는 무엇인가?
• RQ3 통계적 지연 제약 조건 하에서 사용자 공정성을 보장하면서 영상 전달을 어떻게 최적화할 수 있는가?
• RQ4 집단 관심 모델링과 정서 피드백은 캐싱 성능과 시스템 스루풋에 어떤 영향을 미치는가?
• RQ5 제안된 이중 이분법 기법은 기존 자원 할당 방법에 비해 공정성과 계산 효율성 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 하이브리드 AI 모델은 낮은 엣지 캐싱 용량(E=30)에서도 거의 완벽한 사용자 히트율(CHR)을 달성하여 인기 콘텐츠 예측 정확도가 매우 높음을 입증한다.
• 캐싱 용량이 최적 수준을 초과해 증가함에 따라 관심이 낮은 영상 캐싱으로 인해 사용자 히트율이 저하됨을 확인하여, 히트율과 경제적 비용 간 명확한 트레이드오프가 존재함을 시사한다.
• 이중 이분법 탐색 기법은 로그 형태의 계산 복잡도를 가지며, 동적 네트워크 환경에서 실시간 구현에 적합함을 입증한다.
• 제안된 영상 전달 기법은 동일한 대역폭 할당 대비 더 높은 최소 개인 영상 코딩 속도를 유지함으로써 사용자 간 공정성 향상을 확인한다.
• 사용자 수가 증가할수록 네트워크 스루풋이 증가함을 확인하였으며, 이는 통계적 멀티플렉싱 이득을 확인한 것으로, 제안된 기법은 동일 대역폭 기준 대비 공정성은 유지하면서도 높은 성능을 발휘한다.
• 제안된 기법은 모든 요청이 엣지에서 처리되는 이상적인 엣지 캐싱 기준에 매우 가까이 도달함을 통해 백홀 부하 감소 및 QoE 향상 효과를 검증한다.