[논문 리뷰] MetaSlicing: A Novel Resource Allocation Framework for Metaverse

Nam H. Chu, Dinh Thai Hoang외 5명|arXiv (Cornell University)|2022. 05. 23.

IoT and Edge/Fog Computing인용 수 4

한 줄 요약

이 논문은 메타버스를 위한 자원 할당 프레임워크인 MetaSlicing을 제안한다. 이는 공통 기능을 가진 애플리케이션을 통합하여 공유되는 MetaInstance로 그룹화함으로써 자원 활용도를 향상시킨다. 반 Markov 결정 과정(sMDP)과 지능형 접근 제어 알고리즘(iMSAC+MiT)을 사용하여 컴퓨팅, 스토리지 및 네트워킹 자원을 동적으로 관리함으로써, 변동성이 크고 불확실한 워크로드 하에서 게으른 방법보다 최대 80% 높은 장기 수익과 47% 높은 요청 수용 확률을 달성한다.

ABSTRACT

Creating and maintaining the Metaverse requires enormous resources that have never been seen before, especially computing resources for intensive data processing to support the Extended Reality, enormous storage resources, and massive networking resources for maintaining ultra high-speed and low-latency connections. Therefore, this work aims to propose a novel framework, namely MetaSlicing, that can provide a highly effective and comprehensive solution in managing and allocating different types of resources for Metaverse applications. In particular, by observing that Metaverse applications may have common functions, we first propose grouping applications into clusters, called MetaInstances. In a MetaInstance, common functions can be shared among applications. As such, the same resources can be used by multiple applications simultaneously, thereby enhancing resource utilization dramatically.To address the real-time characteristic and resource demand's dynamic and uncertainty in the Metaverse, we develop an effective framework based on the semi-Markov decision process and propose an intelligent admission control algorithm that can maximize resource utilization and enhance the Quality-of-Service for end-users. Extensive simulation results show that our proposed solution outperforms the Greedy-based policies by up to 80% and 47% in terms of long-term revenue for Metaverse providers and request acceptance probability, respectively.

연구 동기 및 목표

• 메타버스의 사전 없이도 예상치 못한 자원 수요, 즉 대규모 컴퓨팅, 스토리지 및 저지연성 네트워킹 요구사항을 해결하기 위해.
• 다중 계층 아키텍처에서 공통된 기능을 가진 메타버스 애플리케이션을 공유되는 MetaInstance로 묶어 자원 활용도를 향상시키기 위해.
• 메타버스에서 변동성이 크고 불확실한 자원 수요에 적응할 수 있는 동적 실시간 접근 제어 메커니즘을 설계하기 위해.
• 변동성이 큰 워크로드 하에서 메타버스 제공자들의 장기 수익과 서비스 품질(QoS)을 최대화하기 위해.
• 고도로 동적인 환경에서 게으른 정책보다 뛰어난 성능을 보이는 확장성 있고 견고한 자원 할당 프레임워크를 개발하기 위해.

제안 방법

• 공통된 기능을 공유하는 메타버스 애플리케이션의 클러스터인 MetaInstance를 도입하여, 여러 애플리케이션 간 자원 재사용을 가능하게 한다.
• 동적이고 불확실한 워크로드를 모델링하기 위해 반 Markov 결정 과정(sMDP)을 사용하는 MetaSlicing 프레임워크를 제안한다.
• 장기 보상과 자원 활용도를 최적화하기 위해 딥 강화학습 기반의 지능형 접근 제어 알고리즘 iMSAC+MiT를 설계한다.
• 고가치 요청(예: 보상이 높은 클래스-3)을 우선시하면서도 시스템 안정성과 공정성을 유지하기 위해 보상 함수를 구성한다.
• 다양한 요청 보상과 자원 제약 조건을 가진 시뮬레이션을 통해 다양한 워크로드 시나리오에서의 강인성과 성능을 평가한다.
• iMSAC 알고리즘의 샘플 효율성과 정책 학습을 향상시키기 위해 MiT(기반 모델 역강화학습)를 적용한다.

실험 결과

연구 질문

• RQ1 다양한 애플리케이션 간 공통 기능을 공유함으로써 메타버스의 자원 활용도를 어떻게 크게 향상시킬 수 있는가?
• RQ2 변동성이 크고 불확실하며 고용량의 자원 수요가 발생하는 메타버스 애플리케이션에 대해 최적의 접근 제어 정책은 무엇인가?
• RQ3 제안된 프레임워크는 장기 수익과 요청 수용 확률 측면에서 게으른 정책보다 어떻게 성능을 냈는가?
• RQ4 도착 및 퇴출 과정에 대한 사전 지식 없이도 시스템은 요청 우선순위와 보상의 변화에 얼마나 잘 적응할 수 있는가?
• RQ5 지능적이고 보상 인식 기반의 자원 예약은 다양한 요청 클래스 간 시스템 성능 향상과 공정성 향상에 어떤 역할을 하는가?

주요 결과

• 클래스-3 요청의 즉각적 보상이 낮을 경우, iMSAC+MiT 알고리즘이 두 번째로 좋은 방법(Greedy+MiT)보다 평균 보상이 최대 111% 높게 기록된다.
• 클래스-3 요청의 즉각적 보상이 높을 경우(r₃ ≥ 4), iMSAC+MiT는 평균 보상, 수용 확률, 실행 중인 MetaInstance 수량 측면에서 모든 기준선을 뛰어넘는다.
• 클래스-3 요청의 보상이 증가함에 따라 수용 확률도 증가하여, r₃ > 4일 경우 iMSAC+MiT를 사용할 경우 최대 0.16에 도달하지만, 다른 클래스는 수용률이 감소한다.
• iMSAC 기반 솔루션은 고보상 클래스에 대해 게으른 접근 방식 대비 최대 4배 높은 수용 확률을 달성한다.
• 보상 값과 시스템 구성이 변화하더라도 프레임워크는 뛰어난 성능을 유지하며, 도착 또는 퇴출 과정에 대한 완전한 지식이 없이도 강인함을 입증한다.
• iMSAC+MiT 정책은 향후 고보상 요청을 위해 자원을 동적으로 예약함으로써 장기적으로 더 높은 수익과 향상된 QoS를 달성한다.