[論文レビュー] Attention-aware Resource Allocation and QoE Analysis for Metaverse xURLLC Services

Hongyang Du, Jiazhen Liu+5 more|arXiv (Cornell University)|Aug 10, 2022

Image and Video Quality Assessment被引用数 5

ひとこと要約

本稿では、報酬理論を用いてユーザーの体験品質（QoE）を最大化する、メタバース xURLLC サービス向けの注意営向リソース割り当てフレームワークを提案する。新たなメタインマERSION指標を導入し、客観的KPIと主観的注目度を統合することで、従来の均等割り当て方式のURCLOに比べ、平均で20.1%のQoE向上を達成した。

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

研究の動機と目的

• 従来のURCLOが客観的KPIに焦点を当てているため、メタバース xURLLC サービスにおけるパーソナライズされた没入体験のギャップを解消する。
• 技術的パフォーマンスとユーザーの仮想オブジェクトへの主観的注目度を両方捉える形で、体験品質（QoE）をモデル化する。
• メタバースサービスプロバイダー（MSP）とインfraストラクチャプロバイダー（InP）の間で、MSPのユーティリティを最大化すると同時にInPの参加を保証するインcentive-compatibleな契約を設計する。
• ユーザー-オブジェクト注目度の値がより高い仮想オブジェクトを優先する、注意営向レンダリング容量割り当て方式を開発する。
• 実際のユーザー注目データを用いてフレームワークを検証し、ベースラインURCLO方式に比べ顕著なQoE向上を示す。

提案手法

• 客観的KPI（例：遅延、信頼性）と仮想オブジェクトへのユーザーの主観的注目度を統合した複合的QoE指標として、メタインマERSION指標を導入する。
• 報酬理論を適用し、MSPとInPの間で最適なインcentiveメカニズムを設計し、InPの参加を保証するとともにMSPのユーティリティを最大化する。
• 予測されたユーザー注目度の値がより高い仮想オブジェクトに高いレンダリング容量を動的に割り当てる、注意営向リソース割り当てアルゴリズムを開発する。
• ユーザー-オブジェクト注目度レベルのデータセットを用いて、リアルタイムのリソース割り当て意思決定のための注目度予測モデルを訓練および検証する。
• 凸性解析を用いて閉形式解を導出し、電力制約および遅延制約下での最適リソース割り当てを数学的最適化により解く。
• 実世界の注目度データセットを用いてフレームワークを検証し、均等割り当ておよびランダム割り当て方式と性能を比較する。

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

実験結果

リサーチクエスチョン

• RQ1 メタバース xURLLC サービスにおけるQoEは、どのようにして客観的KPIとユーザーの主観的注目度を統合してモデル化できるか？
• RQ2 MSPとInPの間で、MSPのユーティリティを最大化すると同時に、相互のインcentiveを保証する契約設計はどのようなものか？
• RQ3 リソース割り当てをどのようにして注意営向にすることで、ユーザーの没入感とQoEを向上させられるか？
• RQ4 提案された注意営向方式は、従来の均等割り当て方式のURCLOに比べ、定量的にどの程度のQoE向上を達成するか？
• RQ5 提案されたフレームワークは、現実のユーザー注目パターンおよびネットワーク制約下で、どのように性能を発揮するか？

主な発見

• 提案されたメタインマERSION指標は、客観的KPIとユーザーの主観的注目度を統合した包括的QoE指標として成功裏に実現された。
• 注意営向リソース割り当て方式により、従来のURCLOにおける均等割り当て方式に比べ、平均で20.1%のQoE向上が達成された。
• 契約ベースのフレームワークにより、InPのインセンティブがMSPのQoE最大化目標と整合するよう保証され、参加が確保された。
• 最適化問題が凹型であることが示され、凸最適化技術を用いて効率的かつグローバルに最適な解が得られた。
• 最適リソース割り当ての閉形式解が導出されたため、リアルタイム展開に適した低計算コストが実現された。
• 実際のユーザー注目データを用いた実証的検証により、多様なユーザー行動にわたり、提案方式の堅牢性と有効性が確認された。

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