MEC辅助VR视频服务中能耗-时延权衡的混合策略学习
网络与互联网体系结构
2022-07-12 v1 机器学习
摘要
虚拟现实(VR)有望从根本上变革广泛的行业领域以及人类与虚拟内容交互的方式。然而,尽管取得了前所未有的进展,当前的网络与计算基础设施仍不足以释放VR的全部潜力。本文考虑在移动边缘计算(MEC)网络上交付无线多区块VR视频服务,主要目标是最小化系统时延/能耗并达成二者权衡。为此,我们首先将时变视角流行度建模为无模型马尔可夫链,以有效刻画其动态特征。在联合评估MEC服务器与VR播放设备上的缓存与计算能力后,实施一种混合策略来协调动态缓存替换与确定性卸载,以充分利用系统资源。该底层多目标问题被重构为部分可观测马尔可夫决策过程,并提出深度确定性策略梯度算法迭代求解,其中嵌入长短期记忆神经网络以持续预测不可观测流行度的动态。仿真结果表明,所提方案在能效与时延缩减的权衡上优于基线方法。
引用
@article{arxiv.2104.01036,
title = {Hybrid Policy Learning for Energy-Latency Tradeoff in MEC-Assisted VR Video Service},
author = {Chong Zheng and Shengheng Liu and Yongming Huang and Luxi Yang},
journal= {arXiv preprint arXiv:2104.01036},
year = {2022}
}