Desplazamiento de Tareas Dependientes y Asignación de Recursos a través del Aprendizaje por Refuerzo Profundo para Realidad Extendida en Redes de Borde Móvil

La realidad extendida (XR) es una tecnología inmersiva ampliamente aplicada en diversos campos. Debido a la interacción en tiempo real requerida entre los usuarios y los entornos virtuales, las aplicaciones XR son muy sensibles a la latencia. Además, el manejo de tareas computacionales intensivas en dispositivos XR inalámbricos conlleva un consumo de energía, que es una limitación crítica de rendimiento para las aplicaciones XR. Se ha señalado que la tarea XR puede desacoplarse en varias subtareas con relaciones seriales-paralelas mixtas. Además, la evaluación del rendimiento de aplicaciones XR implica tanto evaluaciones subjetivas de los usuarios como evaluaciones objetivas, como el consumo de energía. Por lo tanto, en entornos de computación en la edge, las formas de integrar el desplazamiento de tareas para subtareas XR para satisfacer las demandas de los usuarios de aplicaciones XR es un problema complejo y desafiante. Para abordar este problema, este artículo construye un sistema XR inalámbrico basado en computación de borde móvil (MEC) y lleva a cabo una investigación sobre la optimización conjunta del acceso al canal de comunicación multiusuario y el desplazamiento de tareas. Específicamente, consideramos la migración de tareas XR particionadas a servidores MEC y formulamos un problema de optimización conjunta para el acceso al canal de comunicación y el desplazamiento de tareas. El objetivo es maximizar la relación de calidad de experiencia (QoE) sobre el consumo de energía, al mismo tiempo que se satisfacen los requisitos de QoE del usuario. Posteriormente, introducimos un algoritmo basado en aprendizaje por refuerzo profundo para abordar este problema de optimización. Los resultados de simulación demuestran la efectividad de este algoritmo para satisfacer las demandas de QoE de los usuarios y mejorar la eficiencia de conversión de energía, independientemente de las estrategias de particionamiento de tareas XR empleadas.