Millimeter-Wave Beamforming with Continuous Coverage for Mobile Interactive Virtual Reality
当代的虚拟现实(VR)设置通常由连接到内容生成服务器的盔装显示器(HMD)组成。在这样的设置中“切断电线”并真正实现无线化将需要一个能够以极低的延迟传输大量视频数据的无线网络。更高的频率,如毫米波(mmWave)频段,可以支持这些要求。由于毫米波频率中的高衰减和路径损耗,波束成形至关重要。对于VR设置,波束成形必须实时适应用户的头部旋转,但可以依赖HMD的内置传感器提供准确的方向估计。在这项工作中,我们提出了coVRage,这是一种为VR HMD量身定制的波束成形解决方案。基于过去和当前的头部取向,HMD预测来自接入点的到达角(AoA)在不久的将来将如何改变,并且利用使用子阵列合成的动态成形的波束来覆盖该AoA轨迹。我们表明,这种解决方案可以覆盖这样的轨迹与一贯的高增益,不像常规的单光束的解决方案。
2021-05-25 cs.NI
Evaluating Transport Protocols on 5G for Mobile Augmented Reality
移动增强现实(MAR)将物理环境与用户交互式虚拟注释相混合。沉浸式MAR体验由计算密集型任务支持,这些任务依赖于卸载机制来减轻设备工作负载。然而,这会引入额外的网络流量,进而影响运动到光子的延迟(用户感知体验质量的决定因素)。因此,适当的传输协议对于最小化传输延迟并确保足够的吞吐量以支持MAR性能至关重要。与此相关的是,5G作为一种潜在的MAR支持技术,被广泛认为比其前辈更智能、更快、更高效。然而,尚未探索5G背景下MAR中现有传输协议的适用性和性能。因此,我们在现实世界的5G测试平台上使用MAR系统对流行的传输协议进行了评估,包括UDP,TCP,MPEG-TS,RTP和QUIC。我们还比较了它们与LTE和WiFi的5G性能。我们的评估结果表明,TCP在5G上具有最低的往返时间,中值为$15.09\pm0.26$ ms,而QUIC似乎在LTE上表现更好。通过对不同信号质量(具体地,降低次同步信号参考信号接收质量)的附加测试,我们发现协议性能似乎受到信号质量的显著影响。
2020-06-04 cs.NI
Immersion on the Edge: A Cooperative Framework for Mobile Immersive Computing
诸如虚拟现实和增强现实之类的沉浸式计算(IC)技术正在获得极大的普及。在这张海报中,我们提出了CoIC,一个移动沉浸式计算的合作框架。CoIC的设计基于一个关键的见解,即不同应用或用户之间的IC任务可能相似或冗余。CoIC通过在边缘缓存和共享计算密集型IC结果来增强移动IC应用的性能。我们对AR应用程序的初步评估结果表明,CoIC可以在当前移动设备上分别将识别和渲染延迟降低高达52.28%和75.86%。
2018-07-12 cs.NI
Optimal Task Scheduling in Communication-Constrained Mobile Edge Computing Systems for Wireless Virtual Reality
移动边缘计算(MEC)有望成为通过无线网络提供360度虚拟现实(VR)视频的有效解决方案。与之前的计算受限MEC框架通过增加通信资源消耗来减少移动VR设备的计算资源消耗相比,本文开发了一种通信受限MEC框架,通过增加计算资源消耗和利用移动VR设备的缓存资源来减少通信资源消耗。具体地,根据任务模块化,MEC服务器只能交付VR设备中未存储的组件,然后VR设备使用接收到的组件和对应的缓存组件来构建任务,导致低通信资源消耗但高延迟。MEC服务器也可以自己计算任务以减少延迟,但是由于整个任务的交付,它消耗更多的通信资源。因此,我们提出了一个任务调度策略来决定MEC服务器应该运行哪种计算模型,以最小化延迟约束下的通信资源消耗。最后,我们讨论了通信,计算和缓存之间的权衡,在拟议的系统。
2017-08-02 cs.IT cs.NI math.IT
D2D-LSTM based Prediction of the D2D Diffusion Path in Mobile Social Networks
Tianjin University(天津大学)
近年来,如何扩展数据传输以减少小区数据量和重复小区传输受到越来越多的研究关注。在移动社交网络中,内容流行度预测一直是流量分流和扩大数据传播的重要组成部分。然而,目前主流的内容流行度预测方法仅采用下载量、分享量或用户兴趣分布,没有考虑移动社交网络中重要的时间和地理位置信息,且所有数据均来自OSN,与MSN不同。在这项工作中,我们提出了D2 D长短期记忆(D2 D-LSTM),这是一种基于LSTM的深度神经网络,旨在预测完整的D2 D扩散路径。我们的工作是世界上第一次尝试使用MSN的真实数据来预测符合D2 D结构的深度神经网络的扩散路径。与线性序列网络只学习用户的社交特征而不学习用户的时间分布或GPS分布以及文件的内容特征相比,由于神经网络符合D2 D结构并结合了用户的社交特征和文件特征,因此该模型能够更准确地预测传播路径(高达85.858\%),并且能够更快地达到收敛(小于100步)。此外,我们可以模拟生成D2 D传播树。经过实验和比较,发现它与地面实况树非常相似。最后,我们定义了一个用户原型细化,可以更准确地描述一个原型用户的传播共享习惯(包括内容偏好,时间偏好和地理位置偏好),并通过实验验证了预测时,用户原型添加到1000类,它几乎是相同的50个类别。
2019-09-28 cs.LG cs.NI cs.SI
Predicting Short-term Mobile Internet Traffic from Internet Activity using Recurrent Neural Networks
移动网络流量预测是网络容量规划和优化的重要输入。现有方法可能缺乏速度和计算复杂性来解决时间序列移动网络数据中的突发、非线性模式或其他重要相关性。我们比较了两种深度学习架构的性能-长短期记忆(LSTM)和门控递归单元(GRU)-使用两个月的意大利电信数据预测米兰大都市地区的移动互联网流量。K-Means聚类用于基于互联网活动对单元进行先验分组,并且网格搜索方法用于确定每个模型的最佳配置。使用均方根误差评价模型的预测质量。这两种深度学习算法都能有效地对互联网活动和季节性进行建模,无论是在几天内还是在两个月内。我们发现城市内不同集群的表现存在差异。总的来说,LSTM在我们的实验中优于GRU。
2020-10-12 cs.NI
5G MEC Computation Handoff for Mobile Augmented Reality
针对5G MEC中移动增强现实应用的切换未兼顾边缘计算负载等问题,提出易部署的Comp-HO算法,联合优化信号强度与计算负载,实验表明其可显著减少MEC拥塞造成的大延迟。
2023-08-21 cs.NI
LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile Augmented Reality
Toyota Motor North America (TMNA) R&D InfoTech Labs(丰田汽车北美(TMNA)研发信息技术实验室);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
如今,很少有基于深度学习的移动增强现实(MAR)应用程序应用于移动设备,因为它们非常耗能。在本文中,我们设计了一个基于边缘的能量感知MAR系统,使MAR设备动态地改变他们的配置,如CPU频率,计算模型的大小,和图像卸载频率的基础上用户的喜好,相机采样率,和可用的无线电资源。我们提出的动态MAR配置自适应可以最大限度地减少多个MAR客户端的每帧能耗,而不会降低其首选的MAR性能指标,如延迟和检测精度。为了深入分析MAR配置、用户偏好、摄像头采样率和能耗之间的相互作用,我们提出了第一个针对MAR设备的综合分析能耗模型。基于该分析模型,设计了一种LEAF优化算法,用于指导MAR配置自适应和服务器无线资源分配。开发了与LEAF协调的图像卸载频率编排器,以自适应地调节基于边缘的目标检测调用,并进一步提高MAR设备的能量效率。进行了广泛的评估,以验证所提出的分析模型和算法的性能。
2022-05-27 cs.CV cs.MM cs.NI
Digital Twin-Based 3D Map Management for Edge-Assisted Mobile Augmented Reality
University of Waterloo(滑铁卢大学);Carleton University(卡尔顿大学);Toronto Metropolitan University(多伦多都会大学);Xidian University(西安电子科技大学)
本文针对边缘辅助移动增强现实中的三维地图管理问题,提出基于数字孪生和基于模型的强化学习的方法,通过预测相机帧并利用仿真与实际数据快速生成自适应策略,从而在动态环境中降低位姿估计不确定性并提高数据效率。
2023-05-26 cs.AI cs.NI
Can Millimeter-Wave Support Interactive Extended Reality Under Rapid Rotational Motion?
该研究针对毫米波支持快速旋转下交互式XR的可行性,首次对先进毫米波硬件在不同PHY/MAC参数配置下做吞吐与延迟评估,发现参数影响显著,需专用波束成形方法保障高质量XR体验。
2025-01-15 cs.NI
Short-Term Trajectory Prediction for Full-Immersive Multiuser Virtual Reality with Redirected Walking
Polytechnic University of Catalonia(加泰罗尼亚理工大学);Universiteit Antwerpen - imec(安特卫普大学-imec)
全沉浸式多用户虚拟现实(VR)设想支持用户在虚拟世界中的不受约束的移动性,同时通过重定向行走来限制他们在VR设置中的物理运动。为了实现高数据率视频内容的实时递送,支持无线网络将利用高度定向的通信链路,该通信链路将“跟踪”用户以维持视线(LoS)连接。递归神经网络(RNN),特别是长短期记忆(LSTM)网络,在历史上一直是人类自然移动性的短期运动轨迹预测的合适候选者,最近也被证明适用于预测VR用户在重定向行走约束下的移动性。在这项工作中,我们通过证明RNN家族的另一个候选者门控递归单元(GRU)网络通常优于传统使用的LSTM来扩展这些初步发现。第二,我们表明,从虚拟世界的上下文可以提高预测的准确性,如果使用作为一个额外的输入功能相比,更传统的利用仅仅是历史的物理运动的VR用户。最后,我们证明了在静态数量的共存VR用户上训练的预测系统可以扩展到多用户系统,而不会显着降低精度。
2022-07-15 cs.LG cs.MM cs.NI
Context-Based MEC Platform for Augmented-Reality Services in 5G Networks
近年来,增强现实(Augmented Reality,简称AR)技术引起了广泛的关注。然而,当前的AR设备具有缺点,例如,计算能力弱、功耗大。为了解决这个问题,可以引入移动边缘计算(MEC)作为通过第五代移动通信技术(5G)网络将数据和计算从AR设备卸载到MEC服务器的关键技术。为此,本文提出了一种用于5G网络中AR业务的基于上下文的MEC平台。该平台以MEC为数据处理中心,将AR设备简化为通用的输入/输出设备,克服了它们的局限性,实现了更好的用户体验。最后,给出了平台的概念验证(Proof-of-concept,简称POF)硬件原型,并分别实现了导航和人脸识别两个典型的AR服务用例,验证了平台的可行性和有效性。最后,对平台的性能进行了数值评估,结果验证了系统的设计,与设计预期相吻合。
2022-02-03 cs.NI
User-Centric Communication Service Provision for Edge-Assisted Mobile Augmented Reality
School of Telecommunications Engineering, Xidian University(电子科技大学电信工程学院);Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系);School of Information Technology, Carleton University(卡尔顿大学信息科技学院)
针对边缘辅助MAR上行流量用户特定且非平稳的问题,提出基于数字孪生的以用户为中心的通信服务方案,通过定制数据模型、自适应切换及资源管理算法,较5G切片方案提升14.2%的帧上传延迟达标率。
2025-09-30 cs.AI cs.NI
AOASS: Adaptive Obstacle-Aware Square Spiral Framework for Single-mobile Anchor-Based WSN Localization
Jouf University(朱夫大学);Al-Azhar University(爱资哈尔大学)
AOASS通过自适应障碍检测和优化运动模式,提升WSN中单移动锚点的定位精度与能耗效率,适用于现实物联网应用。
2026-02-01 cs.NI
CacheMamba: Popularity Prediction for Mobile Edge Caching Networks via Selective State Spaces
Concordia University(康考迪亚大学);National Research Council Canada(加拿大国家研究委员会)
针对移动边缘缓存中的内容流行度预测问题,提出基于Mamba架构的CacheMamba模型,将预测转化为排序任务,在多项性能指标上优于Transformer方法,长序列处理优势更显著。
2025-02-09 cs.LG cs.NI eess.SP
Fusion of Mixture of Experts and Generative Artificial Intelligence in Mobile Edge Metaverse
本文提出面向移动边缘元宇宙的MoE与GAI融合框架,通过动态专家选择增强生成式AI,以改善视频内容生成质量、一致性及可扩展交互。
2024-04-04 cs.NI
Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility
Simula Research Laboratory(Simula研究实验室);University of Thessaly(色萨利大学);University of Oslo(奥斯陆大学);Simula Metropolitan(Simula大都会中心)
移动宽带(MBB)网络中的带宽预测是一项具有挑战性的任务,特别是当与一定程度的移动性相结合时。在这项工作中,我们介绍了HINDSIGHT++,这是一个基于R的开源框架,用于在具有长短期记忆(LSTM)网络的MBB网络中进行带宽预测实验。我们仪器HINDSIGHT++以下自动机器学习(AutoML)的范例,首先,减轻数据预处理的负担,其次,提高性能相关的方面。我们主要专注于第五代(5G)网络的带宽预测。特别是,我们利用5Gophers,这是第一个在美国运营的5G网络上测量网络性能的开源尝试。我们使用NYU-METS进一步探索了第四代(4G)商业环境下的LSTM性能边界,NYU-METS是一个开源数据集,包含数百个跨越不同移动场景的带宽跟踪。我们的研究旨在研究超参数优化对实现最先进性能的影响。结果突出了其在5G场景下的重要性,与现有技术相比,平均绝对误差(MAE)降低了近30%。由于其通用的设计,我们认为,HINDSIGHT++可以作为一个方便的软件工具,在其他科学领域的众多应用。
2020-11-20 cs.LG cs.NI
A Survey on Mobile Edge Computing for Video Streaming: Opportunities and Challenges
5G通信通过实现更高的吞吐量和更低的延迟,在提供给各种应用的服务质量方面带来了实质性的改进。然而,交互式多媒体应用(例如,超高清视频会议、3D和多视图视频流、众包视频流、云游戏、虚拟和增强现实)正变得越来越雄心勃勃,高容量和低延迟视频流对已经拥塞的网络提出了严格的要求。移动边缘计算(MEC)是将云计算能力扩展到网络边缘的新兴范例,即,在基站级别。为了满足延迟要求并避免与远程云数据中心的端到端通信,MEC允许存储和处理视频内容(例如,高速缓存、代码转换、预处理)。视频点播和直播视频流都可以利用MEC来改进现有服务并开发新的用例,例如视频分析和有针对性的广告。MEC有望通过提供超可靠和低延迟的流媒体(例如,在增强现实、虚拟现实和自主车辆中),普及计算(例如,在实时视频分析中),以及用于安全直播的区块链架构。本文对MEC支持的视频流的最新发展进行了全面调查,带来了前所未有的改进,以实现新的用例。详细回顾了最新的高速缓存方案、最佳计算卸载、协作高速缓存和卸载以及人工智能的使用(即,机器学习、深度学习和强化学习)。
2022-09-13 cs.MM cs.NI
Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks
Instituto de Telecomunicações(电信研究所);Universidade de Aveiro(阿威罗大学);Data Machine Elite(数据机器精英公司)
本研究提出融合迁移学习的多尺度卷积LSTM用于蜂窝网络异常检测,结合EDA和SMOTE处理类别不平衡,微调模型仅20轮就在新数据集达95%准确率,大幅降低训练成本。
2024-09-30 cs.LG cs.NI
LSTM-based Traffic Load Balancing and Resource Allocation for an Edge System
大规模部署具有计算能力的小型蜂窝基站(SBS)是5G蜂窝网络采用的最巧妙的解决方案之一,以满足移动应用所需的可预见的数据爆炸和超低延迟。通过多访问边缘计算(MEC)对SBS的这种授权已经成为一种尝试性的解决方案,以克服网络边缘处的移动应用所需的延迟需求和带宽消耗。MEC范例提供了有限的资源来支持计算,从而强制使用智能机制进行资源分配。使用绿色能源为网络设备供电(例如,基站(BS)、MEC服务器)已经吸引了对最小化碳足迹和网络运营成本的关注。然而,由于它们的高度不确定性和不可预测性,采用学习方法是必要的。针对智能边缘系统管理,提出了一种基于绿色的边缘网络管理(GENM)算法,该算法是一种在线边缘系统管理算法,用于实现基站中基于绿色的负载均衡和MEC服务器中的节能。其主要目标是最小化总能耗并保证网络内的服务质量(QoS)。为了实现这一点,GENM算法执行BS的动态管理、计算资源的自动缩放和重新配置、以及快速可调谐激光驱动器的开/关切换以及MEC服务器中的位置感知业务调度。所得到的仿真结果验证了我们的分析,并证明了优越的性能相比,基准算法的GENM。
2020-11-20 cs.NI cs.SY eess.SY