多国研究团队开发VR视场感知缓存优化方案
视场感知缓存
（映维网Nweon 2025年05月23日）确保为VR用户提供实时和高质量视频的无缝无线连接是一项挑战。在一项研究中，加拿大女王大学，阿联酋沙迦大学和沙特阿卜杜拉国王科技大学团队提出了一种支持移动边缘计算（MEC）的无线VR网络的视场感知缓存。
特别是，根据为每个基站量身定制的缓存策略进行缓存/预取。具体来说，研究人员提出了基于保证的分散和个性化联邦学习（DP-FL）的缓存策略。考虑到VR系统由多个VR设备和基站组成，在每个基站实现DP-FL缓存算法，可以为VR用户提供个性化的内容交付。
所使用的DP-FL算法保证了条件平均缓存命中的PAC绑定。为了降低梯度通信的开销，团队提出了随机梯度下降算法（OBSGD）的one-bit量化。另外，为了更好地考虑无线信道动态，根据请求VR用户的数量，将视场分组为多播或单播组。
团队通过真实的VR头部追踪数据集验证了所提出的DP-FL算法的性能，与基线算法相比，所提出的算法在平均延迟和缓存命中方面具有更好的性能。
虚拟现实有望彻底改变用户与周围环境之间的交互。VR有可能超越地理限制，将世界各地的用户团结在沉浸式虚拟环境中。无线连接的VR设备提供了一个富有前景的解决方案，可以随时随地提供无处不在的用户体验，并有可能解锁众多创新应用程序。
然而，在不稳定的无线信道上为实时VR应用提供无缝连接的挑战尚未得到解决。在此背景下，加拿大女王大学，阿联酋沙迦大学和沙特阿卜杜拉国王科技大学团队提出了一种视场感知缓存方案，以促进在支持移动边缘计算（MEC）的无线网络上提供高质量的VR服务。
所提出的方法利用个性化的缓存策略来缓存或预取每个VR用户在服务基站的视场。然后提出了一种基于分散和个性化联邦学习（DP-FL）的缓存算法，以用于优化所考虑的VR网络。
为了提高个人体验的质量（QoPE），业界已经提出了各种架构。其中，MEC已经成为一种有前途的范例，它将边缘服务器放置在无线接入网络的外围，靠近移动设备和用户。由于用户本地设备在VR应用中的处理能力有限，本地设备只能处理基本模型或2D模型的生成。
所以，VR传感器捕获的视频帧可以转发到边缘服务器，为计算机视觉任务提供数据。VR系统可以利用MEC范式来执行诸如快速和精确的3D图形渲染、与多个传感器交互、在边缘服务器缓存VR文件以及在具有有限计算能力的移动设备显示高分辨率内容等任务。
这种方法包括将计算任务转移到离最终用户更近的地方，减少延迟，提高实时响应能力。包含360度多视角的沉浸式视频在实现VR应用程序的利用方面发挥着关键作用。业界提出了大量的视频编码解决方案，通过监控用户感兴趣的视觉区域来根据用户的注意力调整流媒体，而共同目标是专门流式传输用户的视点区域。
将实时基于Tile的视场内容流式传输到VR用户网络需要多个耗时的过程。例如，边缘服务器必须获取和分析数据，并随后安排它们的传输。这一过程的总体延迟十分显著，不能忽视。
所以，随着用户数量的增加，在延迟预算内运行变得具有挑战性。这种实现需要跨各种网络层的创新解决方案。例如，主动缓存VR内容可以显著提高内容分发的效率。具体来说，在边缘BS缓存VR内容提供了显著的好处，包括减少延迟和提高性能。
然而，无线连接VR的动态特性带来了挑战，如低延迟限制、新内容的不断发展、用户移动性、有限的缓存大小以及随时间的动态流行分布。这种独特的VR方面挑战了固定文件流行度的传统边缘缓存假设。
所以，团队从在线学习的角度来处理缓存问题，不依赖于关于文件请求顺序[的特定先验统计假设。特别是，他们提出了一种用于VR系统的DP-FL缓存算法，以提高用户在延迟约束下的QoPE。
团队通过真实的VR头部追踪数据集验证了所提出的DP-FL算法的性能，与基线算法相比，所提出的算法在平均延迟和缓存命中方面具有更好的性能。
相关论文：Personalized Federated Learning for Cellular VR: Online Learning and Dynamic Caching
研究人员总结道，虚拟现实系统必然会从根本上改变设备之间的交互及其支持性通信环境。上述研究解决了在FL框架内高度非静止环境中VR内容缓存的挑战，并提出了一种新的算法DP-FL，利用统计和对抗学习原理来创建一个鲁棒的缓存策略。各种仿真结果表明，算法的性能优于现有的基线方法。
