[논문 리뷰] Unified, User and Task (UUT) Centered Artificial Intelligence for Metaverse Edge Computing

Terence Jie Chua, Wenhan Yu외 1명|arXiv (Cornell University)|2022. 12. 19.

IoT and Edge/Fog Computing인용 수 4

한 줄 요약

이 논문은 메타버스 엣지 컴퓨팅을 위한 통합형 사용자 및 작업(UUT)-중심 딥 강화학습(DRL) 프레임워크를 제안한다. 사용자 중심 및 작업 중심 DRL 에이전트를 통합하여 자원 할당을 최적화한다. UUT-DRL 아키텍처는 더 낮은 지연 시간으로 렌더링 성공률과 객체 탐지 정확도에서 뛰어난 성능을 달성하여 이질적이고 동적인 메타버스 워크로드를 처리하는 데서의 효과성을 입증한다.

ABSTRACT

The Metaverse can be considered the extension of the present-day web, which integrates the physical and virtual worlds, delivering hyper-realistic user experiences. The inception of the Metaverse brings forth many ecosystem services such as content creation, social entertainment, in-world value transfer, intelligent traffic, healthcare. These services are compute-intensive and require computation offloading onto a Metaverse edge computing server (MECS). Existing Metaverse edge computing approaches do not efficiently and effectively handle resource allocation to ensure a fluid, seamless and hyper-realistic Metaverse experience required for Metaverse ecosystem services. Therefore, we introduce a new Metaverse-compatible, Unified, User and Task (UUT) centered artificial intelligence (AI)- based mobile edge computing (MEC) paradigm, which serves as a concept upon which future AI control algorithms could be built to develop a more user and task-focused MEC.

연구 동기 및 목표

• 동적이고 계산 집약적이며 이질적인 워크로드를 처리하는 데 있어 기존 메타버스 엣지 컴퓨팅 접근 방식의 한계를 해결하기 위해.
• 사용자 경험과 작업 중심 성능을 모두 우선시하는 통합형 AI 기반 모바일 엣지 컴퓨팅 패러다임을 개발하기 위해.
• 사용자 중심 및 작업 중심 DRL 아키텍처를 통합하여 메타버스 애플리케이션의 자원 할당 효율성을 향상시키기 위해.
• 계산 이전 및 전송 최적화를 통한 AI 기반 접근을 통해 원활하고 초현실적인 메타버스 경험을 실현하기 위해.

제안 방법

• 사용자 중심 및 작업 중심 DRL 에이전트를 하나의 다중 에이전트 아키텍처로 통합한 UUT-중심 DRL 프레임워크를 제안한다.
• 개별 사용자 상태를 연결하여 공유된 액터 네트워크에 입력하고, 다중 헤드 크리틱을 사용하여 사용자-작업 구성의 평가를 수행한다.
• 지속적인 비시간 민감한 작업, 예를 들어 지식 탐색 및 클러스터링 기반 자원 재할당을 관리하기 위해 중심화된 클라우드 서버를 활용한다.
• 사용자 중심 에이전트가 사용자 QoE를 최적화하고, 작업 중심 에이전트가 지연 시간을 최소화하면서 탐지 정확도를 극대화하는 이중 에이전트 DRL 구조를 설계한다.
• 사용자 만족도 및 mAP 및 렌더링 성공률과 같은 작업 성능 지표를 고려한 보상 함수를 적용하여 딥 강화학습을 수행한다.
• 사용자 고유의 데이터 泄露를 방지하기 위해 로컬 신경망 레이어와 중심 기반 네트워크를 분리하여 개인정보 보호 설계를 도입한다.

Figure 1: Diagram showing the driving Metaverse user diversity, their influence on resource demands, and the MEC tasks to fulfill them.

실험 결과

연구 질문

• RQ1 메타버스 엣지 컴퓨팅에서 AI 기반 자원 할당을 통합하여 사용자 경험과 작업 성능을 동시에 고려할 수 있는 방법은 무엇인가?
• RQ2 기존 강화학습 대비 UUT-중심 DRL 프레임워크가 동적이고 다중 사용자 메타버스 환경에서 성능 향상에 기여하는 정도는 어느 정도인가?
• RQ3 작업 중심 DRL은 스마트 차량 기반 디지털 트윈 시나리오에서 전송 지연 시간과 객체 탐지 정확도를 어떻게 최적화하는가?
• RQ4 중앙 클라우드 서버는 메타버스 애플리케이션의 장기적 자원 계획 및 워크로드 클러스터링을 향상시키는 데 어떤 역할을 하는가?
• RQ5 개인화된 메타버스 엣지 컴퓨팅을 위한 사용자 맞춤형 DRL 모델에서 개인정보는 어떻게 보호할 수 있는가?

주요 결과

• 사용자 중심 DRL 알고리즘은 전체 학습 과정 동안 기존 강화학습 대비 훨씬 높은 VR 시나리오 렌더링 성공률을 달성한다.
• 작업 중심 DRL 알고리즘은 가장 낮은 전송 지연 시간과 가장 높은 평균 정밀도(mAP) 점수를 기록하여 속도와 정확도 사이의 최적 균형을 확보한다.
• 통합된 UUT-중심 DRL 아키텍처는 사용자 및 작업 상태의 공동 최적화를 통해 이질적인 사용자 요구사항과 복잡한 작업 요구를 효과적으로 관리한다.
• 중앙 클라우드 서버는 클러스터링 및 데이터 마이닝을 통해 애플리케이션, 작업 및 사용자 수요 패턴을 식별함으로써 효율적인 장기 자원 계획을 가능하게 한다.
• 로컬 및 중앙 신경망 구성 요소를 분리한 본 논문의 개인정보 보호 설계는 개인화된 AI 모델에서 사용자 데이터 泄露 위험을 완화한다.
• 실험 결과 UUT-DRL 프레임워크가 사용자 중심 및 작업 중심 성능 지표 모두에서 전통적인 최적화 방법을 뛰어넘는 성능을 보였다.

Figure 2: Unified, User and Task (UUT)-centered MEC system model.