[论文解读] Bi-directional Digital Twin and Edge Computing in the Metaverse

Jiadong Yu, Ahmad Alhilal+2 more|arXiv (Cornell University)|Nov 16, 2022

IoT and Edge/Fog Computing被引用 8

一句话总结

本文提出了一种元宇宙中的双向数字孪生（DT）与边缘计算框架，通过多接入边缘计算实现实体对象、用户及MEC系统的实时数字副本。该框架引入了分层DTEC架构，包含本地与全局DT，利用持续学习技术保持同步，降低延迟，并在用户移动和网络动态变化期间确保高质量且公平的用户体验（QoE）。

ABSTRACT

The Metaverse has emerged to extend our lifestyle beyond physical limitations. As essential components in the Metaverse, digital twins (DTs) are the real-time digital replicas of physical items. Multi-access edge computing (MEC) provides responsive services to the end users, ensuring an immersive and interactive Metaverse experience. While the digital representation (DT) of physical objects, end users, and edge computing systems is crucial in the Metaverse, the construction of these DTs and the interplay between them have not been well-investigated. In this paper, we discuss the bidirectional reliance between the DT and the MEC system and investigate the creation of DTs of objects and users on the MEC servers and DT-assisted edge computing (DTEC). To ensure seamless handover among MEC servers and to avoid intermittent Metaverse services, we also explore the interaction between local DTECs on local MEC servers and the global DTEC on the cloud server due to the dynamic nature of network states (e.g., channel state and users' mobility). We investigate a continual learning framework for resource allocation strategy in local DTEC through a case study. Our strategy mitigates the desynchronization between physical-digital twins, ensures higher learning outcomes, and provides a satisfactory Metaverse experience.

研究动机与目标

• 为解决元宇宙中实体对象、用户及MEC系统数字孪生（DT）缺乏集成框架的问题。
• 通过孪生体内部与跨孪生体通信，实现物理孪生体（PTs）与数字孪生体（DTs）之间的双向通信，以确保低延迟、高质量的元宇宙体验。
• 通过分层DTEC（DT辅助边缘计算）架构，在用户移动和网络动态变化期间维持服务连续性与QoE公平性。
• 在可变网络条件与资源受限环境下，减轻物理孪生体与数字孪生体之间的同步间隙。
• 通过持续学习技术缓解基于学习的DT在适应新环境时的灾难性遗忘问题，同时保留先前知识。

提出的方法

• 利用来自物联网传感器的实时数据，在MEC服务器上构建实体对象与用户的DT，实现数字副本的实时生成。
• 建立孪生体内通信，实现从DT向物理孪生体的反馈；建立孪生体间通信，实现DT与DTEC系统间的数据交换。
• 在MEC服务器上部署本地DTEC，在云端部署全局DTEC，形成分层DTEC架构，实现动态资源分配与DT迁移决策。
• 在本地DTEC中实施持续学习框架，联合优化损失与去同步时间，提升模型鲁棒性与同步性能。
• 在全局DTEC中使用机器学习模型，分析网络拓扑、信道状态与资源可用性，实现智能DT迁移决策。
• 应用知识蒸馏与回放机制等技术，防止DT在在线适应过程中发生灾难性遗忘。

实验结果

研究问题

• RQ1 如何在MEC服务器上实时创建并维护物理对象、用户及MEC系统的数字孪生体？
• RQ2 本地与全局DTEC之间的协同机制如何在动态网络与移动性条件下确保元宇宙中高质量且公平的用户体验（QoE）？
• RQ3 在可变网络吞吐量、信号强度与拓扑结构下，如何最小化物理孪生体与数字孪生体之间的同步间隙？
• RQ4 哪些机制可实现数字孪生体在MEC服务器间的无缝迁移，同时避免服务中断或过度功耗？
• RQ5 基于学习的数字孪生体在适应新环境或运行条件时，如何避免灾难性遗忘？

主要发现

• 本地DTEC中的持续学习框架通过联合优化损失与同步时间，显著减少了物理孪生体与数字孪生体之间的去同步间隙。
• 所提出的DTEC架构通过基于实时DT更新与网络状态信息的动态资源分配，实现了用户间更高且更公平的QoE。
• 通过进化式迁移方法可实现无缝DT迁移，优先传输当前状态与模型参数，最大限度减少服务中断。
• 全局DTEC与完整网络拓扑感知的集成，使DT迁移决策具备智能化与前瞻性，能够适应网络条件变化。
• 知识蒸馏与回放机制等技术有效缓解了DT中的灾难性遗忘，确保在多样化与动态演变环境中性能的持续保持。
• VR内容流媒体的案例研究显示，所提框架在QoE方面表现最优，并在时间公平性维度上优于基线策略。