[논문 리뷰] Virtual Reality over Wireless Networks: Quality-of-Service Model and Learning-Based Resource Management

Mingzhe Chen, Walid Saad외 1명|arXiv (Cornell University)|2017. 03. 13.

Neural Networks and Reservoir Computing참고 문헌 30인용 수 5

한 줄 요약

이 논문은 소셀 네트워크(ScNs) 상에서 가상현실(VR)을 위한 혁신적인 다중 속성 유틸리티 기반 QoS 모델을 제안하며, 추적 정확도, 처리 지연, 전송 지연을 종합적으로 최적화한다. 분산형으로 수렴 가능한 자원 관리 기반의 에코 스테이트 네트워크(ESN) 기반 학습 알고리즘을 도입하여 업링크 및 다운링크에서의 자원 관리를 실현하며, 기준 방법 대비 최대 37.5% 높은 VR QoS 유틸리티를 달성하면서도 수렴 속도가 빠르고 지연이 낮다.

ABSTRACT

In this paper, the problem of resource management is studied for a network of wireless virtual reality (VR) users communicating over small cell networks (SCNs). In order to capture the VR users' quality-of-service (QoS) in SCNs, a novel VR model, based on multi-attribute utility theory, is proposed. This model jointly accounts for VR metrics such as tracking accuracy, processing delay, and transmission delay. In this model, the small base stations (SBSs) act as the VR control centers that collect the tracking information from VR users over the cellular uplink. Once this information is collected, the SBSs will then send the three dimensional images and accompanying surround stereo audio to the VR users over the downlink. Therefore, the resource allocation problem in VR wireless networks must jointly consider both the uplink and downlink. This problem is then formulated as a noncooperative game and a distributed algorithm based on the machine learning framework of echo state networks (ESNs) is proposed to find the solution of this game. The use of the proposed ESN algorithm enables the SBSs to predict the VR QoS of each SBS and guarantees the convergence to a mixed-strategy Nash equilibrium. The analytical result shows that each user's VR QoS jointly depends on both VR tracking accuracy and wireless resource allocation. Simulation results show that the proposed algorithm yields significant gains, in terms of total utility value of VR QoS, that reach up to 22.2% and 37.5%, respectively, compared to Q-learning and a baseline proportional fair algorithm. The results also show that the proposed algorithm has a faster convergence time than Q-learning and can guarantee low delays for VR services.

연구 동기 및 목표

• 무선 소셀 네트워크(ScNs) 상에서 고품질·저지연 VR 경험을 제공하기 위해 업링크 및 다운링크 자원 할당을 종합적으로 모델링함으로써 도전 과제를 해결하고자 한다.
• 추적 정확도, 처리 지연, 전송 지연와 같은 VR 전용 지표를 반영하는 종합적인 QoS 모델을 개발하고자 한다.
• 소형 기지국(SBSs)이 비협력 게임 환경에서 VR QoS를 최적화할 수 있도록 분산형·학습 기반 자원 관리 프레임워크를 설계하고자 한다.
• 지연을 최소화하면서 VR 유틸리티를 최대화하는 동시에 혼합 전략 내시 균형에 수렴하도록 보장하고자 한다.

제안 방법

• SBS 간 비협력 게임으로서 VR 자원 할당 문제를 수립하며, 각 SBS를 자신의 QoS 유틸리티를 최적화하는 플레이어로 모델링한다.
• 추적 정확도, 처리 지연, 전송 지연을 종합적으로 고려하는 유틸리티 이론 기반의 다중 속성 유틸리티 모델을 개발한다.
• 에코 스테이트 네트워크(ESN) 프레임워크를 활용하여 SBS가 VR QoS 결과를 예측하고 최적의 자원 할당 전략을 학습할 수 있도록 한다.
• 로빈스-몬로 학습률 조건 및 k단계의 모호성 없음 조건 하에 ESN 기반 알고리즘이 혼합 전략 내시 균형으로 수렴함을 보장한다.
• SBS 연결 및 자원 블록 할당 기반으로 사용자의 가능한 행동 수를 유도하여 유한한 행동 공간을 확보한다.
• ESN의 동적 리저보이어를 사용하여 과거 상태와 입력을 저장함으로써 VR QoS 동역학의 시간적 모델링을 가능하게 한다.

실험 결과

연구 질문

• RQ1 무선 ScNs 상에서 사용자 경험을 반영하기 위해 VR 전용 QoS 지표인 추적 정확도, 처리 지연, 전송 지연를 어떻게 종합적으로 모델링할 수 있는가?
• RQ2 저지연을 보장하면서 VR QoS 유틸리티를 최대화하는 최적의 분산 자원 할당 전략은 무엇인가?
• RQ3 VR 자원 관리의 비협력 게임 환경에서 ESN 기반 학습 프레임워크가 안정된 해에 수렴할 수 있는가?
• RQ4 제안된 ESN 기반 알고리즘은 Q-러닝 및 비례 공정 스케줄링 대비 성능과 수렴 속도에서 어떻게 비교되는가?

주요 결과

• 제안된 ESN 기반 알고리즘은 Q-러닝 대비 최대 22.2%, 비례 공정 기반 기준 대비 최대 37.5% 높은 VR QoS 유틸리티를 달성한다.
• 알고리즘이 Q-러닝보다 더 빠른 수렴 시간을 보이며, 동적인 VR 환경에서 실시간 적응이 가능하다.
• ESN 기반 접근은 혼합 전략 내시 균형으로 수렴함을 보장하여 안정적이고 최적의 자원 할당을 보장한다.
• 시뮬레이션 결과는 VR QoS 유틸리티가 추적 정확도와 무선 자원 할당 효율성에 의해 동시에 의존함을 확인한다.
• 게임에서 가능한 행동의 수는 유한하며, SBS 연결 및 자원 블록 할당 기반으로 유도되어 실용적 구현이 가능하다.
• 알고리즘은 낮은 엔드 투 엔드 지연을 유지하여, 20ms 이내의 지연이 요구되는 몰입형 VR 경험에 매우 중요하다.