[论文解读] Virtual Reality over Wireless Networks: Quality-of-Service Model and Learning-Based Resource Management

Mingzhe Chen, Walid Saad+1 more|arXiv (Cornell University)|Mar 13, 2017

Neural Networks and Reservoir Computing参考文献 30被引用 5

一句话总结

本文提出了一种新颖的基于多属性效用的QoS模型，用于小细胞网络（SCNs）上的虚拟现实（VR），联合优化追踪精度、处理延迟和传输延迟。该方法引入了一种基于回声状态网络（ESN）的学习算法，实现了上行链路和下行链路的分布式、收敛性资源管理，与基线方法相比，VR QoS效用最高提升37.5%，且收敛速度更快、延迟更低。

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.

研究动机与目标

• 为解决在无线小细胞网络（SCNs）上提供高质量、低延迟VR体验的挑战，通过联合建模上行链路和下行链路资源分配来实现。
• 开发一个全面的QoS模型，捕捉VR特有的指标，如追踪精度、处理延迟和传输延迟。
• 设计一种分布式、基于学习的资源管理框架，使小型基站（SBSs）能够在非合作博弈环境下优化VR QoS。
• 在最小化延迟的同时确保收敛至混合策略纳什均衡，以最大化VR效用。

提出的方法

• 将VR资源分配问题建模为SBS之间的非合作博弈，将每个SBS视为一个优化自身QoS效用的参与者。
• 基于效用理论开发一种多属性效用模型，联合考虑VR中的追踪精度、处理延迟和传输延迟。
• 采用回声状态网络（ESN）框架，使SBS能够预测VR QoS结果并学习最优资源分配策略。
• 在Robbins-Monro学习率条件和k步无歧义性下，保证ESN算法收敛至混合策略纳什均衡。
• 基于SBS关联和资源块分配推导用户可能采取的动作数量，确保动作空间有限。
• 在ESN中使用动态储水库存储过去状态和输入，实现对VR QoS动态特性的时序建模。

实验结果

研究问题

• RQ1 如何联合建模VR特有的QoS指标——追踪精度、处理延迟和传输延迟，以反映无线SCNs中的用户体验？
• RQ2 SBSs应采用何种最优分布式资源分配策略，以在确保低延迟的同时最大化VR QoS效用？
• RQ3 基于ESN的学习框架是否能在非合作博弈环境下实现VR资源管理的稳定解？
• RQ4 所提出的基于ESN的算法在性能和收敛速度上与Q-learning和比例公平调度相比如何？

主要发现

• 所提出的基于ESN的算法相较于Q-learning和基线比例公平算法，VR QoS效用最高分别提升22.2%和37.5%。
• 该算法收敛时间快于Q-learning，能够在动态VR环境中实现实时自适应。
• ESN方法可保证收敛至混合策略纳什均衡，确保资源分配的稳定与最优。
• 仿真结果证实，VR QoS效用同时依赖于追踪精度和无线资源分配效率。
• 博弈中的动作数量是有限的，且基于SBS关联和资源块分配推导得出，支持实际部署。
• 该算法保持了低端到端延迟，这对需要低于20ms延迟的沉浸式VR体验至关重要。