[论文解读] MetaSlicing: A Novel Resource Allocation Framework for Metaverse

Nam H. Chu, Dinh Thai Hoang+5 more|arXiv (Cornell University)|May 23, 2022

IoT and Edge/Fog Computing被引用 4

一句话总结

本文提出 MetaSlicing，一种面向元宇宙的新型资源分配框架，通过将应用程序分组为共享的 MetaInstance 以提升资源利用率。该框架采用半马尔可夫决策过程（sMDP）与一种智能准入控制算法（iMSAC+MiT），动态管理计算、存储和网络资源，在动态且不确定的工作负载下，相比贪婪方法，实现了高达 80% 的长期收益提升和 47% 的请求接受概率提升。

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.

研究动机与目标

• 为应对元宇宙带来的前所未有的资源需求，包括大规模计算、存储以及低时延网络需求。
• 通过将具有共同功能的元宇宙应用分组为共享的 MetaInstance，提升多层架构中的资源利用率。
• 设计一种动态、实时的准入控制机制，以适应元宇宙中不确定且波动的资源需求。
• 在动态工作负载下，最大化元宇宙服务提供商的长期收益与服务质量（QoS）。
• 开发一种可扩展且鲁棒的资源分配框架，在高动态环境中优于基于贪婪的策略。

提出的方法

• 引入 MetaInstance——一组共享共同功能的元宇宙应用集群，以实现跨多个应用的资源复用。
• 提出 MetaSlicing 框架，利用半马尔可夫决策过程（sMDP）对动态、不确定的工作负载进行建模，实现跨 MetaSlices（元宇宙应用）的资源分配。
• 设计一种基于深度强化学习的智能准入控制算法 iMSAC+MiT，以优化长期回报与资源利用率。
• 采用一种奖励函数，优先处理高价值请求（如具有更高即时奖励的第 3 类请求），同时保持系统稳定性和公平性。
• 通过在不同请求奖励和资源约束下进行仿真，评估框架在多样化工作负载场景下的鲁棒性与性能。
• 应用 MiT（基于模型的逆强化学习）以提升 iMSAC 算法中的样本效率与策略学习效果。

实验结果

研究问题

• RQ1 如何通过在多个应用间共享共同功能，显著提升元宇宙中的资源利用率？
• RQ2 在动态、不确定且高吞吐量的资源需求下，元宇宙应用的最优准入控制策略是什么？
• RQ3 与基于贪婪的策略相比，所提出的框架在长期收益和请求接受概率方面的表现如何？
• RQ4 在缺乏对到达与离开过程先验知识的情况下，系统在多大程度上能适应不同的请求优先级与奖励？
• RQ5 智能的、奖励感知的资源预留机制在提升不同请求类别下的系统性能与公平性方面起到何种作用？

主要发现

• 当第 3 类请求的即时奖励较低时，iMSAC+MiT 算法的平均奖励比第二好的方法（Greedy+MiT）高出最多 111%。
• 当第 3 类请求的即时奖励较高（例如 r₃ ≥ 4）时，iMSAC+MiT 在平均奖励、接受概率和运行中的 MetaSlices 数量方面始终优于所有基线方法。
• 第 3 类请求的接受概率随其奖励增加而上升，在 r₃ > 4 时，使用 iMSAC+MiT 可达到最高 0.16 的接受率，而其他类别的请求接受率则相应降低。
• 基于 iMSAC 的解决方案在高奖励类别上的请求接受概率最高可达基于贪婪方法的四倍。
• 该框架在不同奖励值和系统配置下均保持卓越性能，展现出鲁棒性，且无需完全掌握到达或离开过程的信息。
• iMSAC+MiT 策略通过动态预留高奖励未来请求的资源，显著提升了长期系统收益并改善了 QoS。