[论文解读] Communication, Computing and Caching for Mobile VR Delivery: Modeling and Trade-off

Yaping Sun, Zhiyong Chen+2 more|arXiv (Cornell University)|Apr 27, 2018

Caching and Content Delivery参考文献 10被引用 3

一句话总结

本文提出了一种面向移动VR传输的联合缓存与计算卸载框架，旨在在时延和能耗约束下最小化平均传输速率。通过利用设备端缓存与计算能力，该文在理论上推导出通信、计算与缓存之间的最优权衡，表明可通过智能卸载与缓存降低通信开销，且低复杂度的贪心算法在异构场景下可实现近似最优性能。

ABSTRACT

Mobile virtual reality (VR) delivery is gaining increasing attention from both industry and academia due to its ability to provide an immersive experience. However, achieving mobile VR delivery requires ultra-high transmission rate, deemed as a first killer application for 5G wireless networks. In this paper, in order to alleviate the traffic burden over wireless networks, we develop an implementation framework for mobile VR delivery by utilizing caching and computing capabilities of mobile VR device. We then jointly optimize the caching and computation offloading policy for minimizing the required average transmission rate under the latency and local average energy consumption constraints. In a symmetric scenario, we obtain the optimal joint policy and the closed-form expression of the minimum average transmission rate. Accordingly, we analyze the tradeoff among communication, computing and caching, and then reveal analytically the fact that the communication overhead can be traded by the computing and caching capabilities of mobile VR device, and also what conditions must be met for it to happen. Finally, we discuss the optimization problem in a heterogeneous scenario, and propose an efficient suboptimal algorithm with low computation complexity, which is shown to achieve good performance in the numerical results.

研究动机与目标

• 解决移动VR传输对超高速率与低时延的需求，该需求对5G无线网络构成压力。
• 通过利用移动VR设备的缓存与计算能力，减少回传链路与无线链路的流量。
• 制定并求解一个优化问题，以在时延与本地能耗约束下最小化平均传输速率。
• 分析对称与异构网络场景下通信、计算与缓存之间的基本权衡。
• 提出一种计算复杂度低的高效次优算法，适用于异构环境中的实际部署。

提出的方法

• 构建一个框架，其中MEC服务器负责缝合与等距投影，而移动VR设备负责渲染，并可选地执行投影。
• 在对称场景下建模系统，推导出最小平均传输速率的闭式表达式。
• 应用动态规划求解对称情况下的最优联合缓存与卸载策略，时间复杂度为 $ O(N^2) $。
• 提出一种贪心算法（GA），将复杂度降低至 $ O(N \log N) $，内存复杂度为 $ \mathcal{O}(1) $，基于每单位资源的速率与能耗增益进行优先级排序。
• 引入两阶段分配机制：首先基于比率 $ \frac{P_i R_i^0}{I_i} $ 进行贪心缓存，然后基于 $ \frac{R_i^0 - R_i^1}{k I_i w_i f_1^2} $ 进行额外卸载。
• 将框架扩展至异构场景，其中文件流行度与设备能力各不相同，使用归一化度量 $ \bar{C}' $ 与 $ \bar{E}' $ 进行分析。

实验结果

研究问题

• RQ1 如何联合优化移动VR设备端的缓存与计算卸载，以最小化平均传输速率？
• RQ2 在时延与能耗约束下，移动VR传输中通信、计算与缓存之间的基本权衡是什么？
• RQ3 在何种条件下，可通过利用设备端计算与缓存能力有效降低通信开销？
• RQ4 系统异构性（如文件流行度与设备能力差异）如何影响通信、计算与缓存之间的最优权衡？
• RQ5 在异构移动VR场景中，低复杂度算法能否实现近似最优性能？

主要发现

• 在对称场景下，最优联合缓存与卸载策略可导出最小平均传输速率的闭式表达式。
• 当 $ \frac{N\bar{E}}{kf_1^2 I w} > C $ 时，最小传输速率 $ R^* $ 随缓存大小 $ C $ 线性下降，否则保持不变。
• 当 $ \frac{N\bar{E}}{kf_1^2 I w} > C $ 且 $ R^0 \geq R^1 $ 时，传输速率 $ R^* $ 随处理器频率 $ f_1 $ 先减小后增大，表明存在非单调权衡。
• 当 $ R^0 < R^1 $ 时，$ R^* $ 不随 $ f_1 $ 变化，表明计算卸载增益已饱和。
• 所提出的贪心算法在 $ \mathcal{O}(N\log N) $ 时间复杂度与 $ \mathcal{O}(1) $ 内存下表现良好，适用于大规模系统。
• 数值结果证实，在异构场景中，3C权衡行为与对称情况一致，且随着文件流行度增加，缓存增益呈现递减趋势（$ \gamma = 0.8 $）。”