移动边缘计算在无线网络中的元宇宙“玩而赚”的翻译：基于深度强化学习方法
摘要：Metaverse中的游戏赚钱模式因为可以让玩家赚取游戏代币并转化为现实世界的利润而变得越来越受欢迎。随着增强现实（AR）技术的进步，用户可以在Metaverse中玩AR游戏。然而，这些高分辨率的游戏对计算资源要求很高，游戏中的图形场景需要从移动设备转移到边缘服务器进行计算。在这项工作中，我们考虑了一个优化问题，即Metaverse服务提供商（MSP）的目标是减少游戏图形的下行传输延迟、上行数据传输的延迟以及用户设备（UE）的最大电池耗电量，同时通过优化下行UE-Metaverse基站（UE-MBS）分配和上行传输功率选择来最大化最差情况下（最低）UE分辨率影响的游戏赚取潜力。然后，下行和上行传输是异步执行的。我们提出了一个多智能体、共享损失（MALS）强化学习模型来解决异步和不对称的问题。我们然后将MALS模型与其他基准模型进行比较，并展示了其优于其他方法的优越性。最后，我们进行了多变量优化加权分析，并展示了使用我们提出的MALS算法解决联合优化问题的可行性。
作者：Terence Jie Chua, Wenhan Yu, Jun Zhao
论文ID：2303.10289
分类：Networking and Internet Architecture
分类简称：cs.NI
提交时间：2023-03-21