读论文[23][ICFEICT]Online Optimization Algorithms for Edge Computing-based Cloud Gaming User Experience

Online Optimization Algorithms for Edge Computing-based Cloud Gaming User Experience

Published in: 2023 3rd International Conference on Frontiers of Electronics, Information and Computation Technologies (ICFEICT)
作者信息：

1背景
云游戏是指使用图形计算能力较弱的设备(如手机、笔记本电脑和机顶盒)作为客户端，将游戏引擎的运行卸载到服务器上。它提供了专业的游戏显卡级别的游戏质量，这是智能手机、平板电脑等移动设备无法提供的。因此，云游戏有其独特的价值。
云游戏对通信和计算能力有严格的要求。新兴的边缘计算可以提供云游戏所需要的东西。边缘计算是一种将服务器置于网络边缘，靠近用户端，从而提供低延迟网络计算服务的计算范式。

2 挑战
云游戏的关键要求之一是低延迟和稳定的视频传输。
传统的视频直播优化方法不适合云游戏场景。云游戏和实时流媒体存在区别：首先，直播过程只包括客户端的视频传输和缓存（存疑：现在视频直播优化的一个方面就是上传下载的联合优化，不再仅仅局限在客户端的过程）。相比之下，云游戏包括用户输入流的传输过程，以及在边缘服务器上运行游戏引擎的过程。第二个区别是它对延迟的容忍度更低。

3 贡献
•确定了决定基于边缘计算的云游戏系统用户体验的两个关键因素:用户感知延迟和视频流畅性。分析了两者之间的关系，表明在一定的网络条件下，两者本质上是矛盾的。缓存的内容越多，视频流畅度越高，但用户感知到的延迟也越高（基本规律）。
•提出了一个创新的客户端视频播放优化框架，该框架优化了客户端视频缓冲区中缓存视频片段的播放决策。该框架权衡用户感知的延迟和流畅性，以优化用户体验。
•探讨了主流视频传输协议H.264中GoP (Group of Picture)的特点。基于这一特点，提出了用户体验的定量模型。
•提出了两种启发式算法来优化客户端视频缓冲区中的视频段调度。通过仿真实验对其性能进行了测试，结果表明，所提算法的性能比基准算法提高了15.73%。

4 系统建模
4.1 问题建模
本文重点介绍了一个由三个主要部分组成的系统:客户端、边缘服务器和通信网络。在客户端，系统收集来自键盘、鼠标和操纵杆等设备的用户输入。这些输入被编码成流并发送到边缘服务器。边缘服务器接收并解码输入流。引擎根据接收到的输入生成游戏视频，然后将其编码为视频片段。然后将编码的视频发送回客户端。最后，客户端接收视频片段并将其缓存到视频缓冲区中。存储的视频片段根据客户端的显示策略显示在客户端的屏幕上。

用户体验与感知响应延迟近似呈负线性相关。因此，我们对依赖延迟的用户体验Qk进行建模，如(2)所示。这里，延迟阈值t-threshold表示，如果延迟超过该阈值，则其对用户体验的影响超过冻结，并且该视频片段的QoE此时变为负。

因此，目标函数可表示为:

2)约束:由于该模型中客户端的视频缓冲采用了不同于通常的控制模型，即决定每个时间点要显示的视频片段，因此也失去了传统视频缓冲模型“不需要防止视频片段顺序反转”的优势。为了防止视频片段倒序显示，我们提出约束(4):


为播放结束时间。视频片段的实际播放时间记为vk，可能比存储的时长uk短。
约束k＜j表示视频片段k的顺序高于视频片段j的顺序，指示视频片段k应当在视频片段j之前显示。另外，不等式保证视频段k的结束时间早于视频段j的开始时间，防止播放顺序颠倒。
约束条件(5)确保输入和输出对k的感知延迟大于或等于时间从用户开始输入k到客户端接收和解码视频片段k。的下界延迟由三部分组成,其中输入流传输延迟和服务器输入延迟是固定的值,而视频传输延迟是一个随机值。

结合公式1
，得到决策变量τ begin k的约束:

在每个时间点，客户端显示屏最多只能显示一个视频片段，即所有视频片段的播放时间没有交集:

式中Tk表示视频片段k的播放周期，即。

4.2 算法分析
本文所分析的系统模型对应于一个在线优化问题。
由于时间模型是连续的，所以必须为算法设置一个事件触发器，在本例中是一个新的视频片段的到来。与使用视频片段的播放结束作为触发事件相比，选择一个新的视频片段的到来有两个优点。首先，如果将视频片段的结尾作为触发事件，算法需要运行时间，很难确定立即播放的下一个视频片段，不适合现实场景。其次，使用视频片段播放结束作为触发事件无法处理冻结，触发事件可能永远不会发生，从而使算法停止。视频缓冲区中缓存的视频片段元素集合用列表M表示，其中M是k的一个子集。当有新的视频片段到达时，将其添加到视频缓冲区中，并将其序列号也添加到队列M中，然后按升序对队列进行排序。
本文研究的优化问题的目标是在所有时间点上使整体体验质量(QoE)最大化。然而，仅仅在每个单独的时间点优化QoE并不一定会导致最高的总体QoE，因为每个时间点的QoE经验取决于当前和过去的系统状态和决策。因此，在设计在线算法时，不仅要考虑单个时间点的QoE优化，还要考虑其他时间点对QoE的影响。具体而言，在当前时间点优先显示相对新的视频片段可以减少用户延迟，但也可以减少缓冲器中可用的备用视频片段的数量，从而增加缓冲问题的风险。
考虑到以上因素，我们设计了两种算法，SP算法(sequential - play)和CR算法(CostReturn)。SP算法的主要思想是在不考虑未来视频片段的情况下，估计缓冲队列M中每个视频片段的每个播放决策的预期QoE。CR算法的思想是考虑缓存队列中每个决策的“净收益”，即播放某个视频段获得的QoE增益减去所有交叉视频段的QoE损失。
SP算法的过程如算法1所示。SP算法设置了一个度量值Pk(t)(如(9)所示)，表示在缓存队列为M的前提下，从播放队列M中从视频段k开始一直到队列末尾的期望QoE开始于τ时间。每次触发事件发生时，SP算法假设缓存M中的每个视频段k将从k开始依次播放M中的后续视频段，计算相应的Pk(t);然后选择当前时间点最大Pk(t)对应的视频片段k播放。

其中，Qk(t)为Qk(t begin k = t)的缩写形式，表示将视频片段k安排在τ时间播放的QoE效益;这里省略了播放时间的参数，因为算法尽可能完整地播放当前视频片段，即vk = uk。式(9)中等号右侧的第二项是连续播放缓冲区M中视频片段k的后续视频片段的QoE之和，即后续每个视频片段的开始时间为前一个视频片段的结束时间。
CR算法的主要过程与SP算法相同。不同的是，CR算法在决定开始播放哪个视频片段时，计算出的度量值如(10)。


5 实验结果
首先给出了基本的仿真参数，然后改变了几个关键参数，比较了不同仿真参数设置下各算法的性能。在基本参数设置中，总时长为T = 100秒。参照[11]给出的GoP的典型值，考虑到云游戏场景中不存在视频重传，视频段越长，数据包丢失的概率越高，因此，我们适当地缩短每个GoP的长度，使其约为U[50,100]ms。tc2s k和tserver k的值分别设置为15ms和30ms。视频传输延迟设置为[25,400]ms。为了模拟视频段由于网络丢包而无法完全传输的情况，我们假设每个视频段无法完全传输的概率为ρ = 20%;丢包后可分析的视频片段长度服从均匀分布，即uk ~ U[0, lk]。延迟阈值为300ms。由于视频片段的长度是随机的，总时长是固定的，所以视频片段的个数K是随机的。在基本参数设置下的仿真中，K的值随机分布在1320 ~ 1350之间。我们建立了三种比较算法，其中AoI（Age of Information）算法和PFD（Proactive Frame Droping）算法分别在[5]和[12]中提出的算法的基础上进行了修改；RD（RanDom）算法是作者设计的一种启发式算法。比较算法的主要思想是:在基本参数的基础上，我们改变视频传输时延t s2c k和GoP长度lk的分布(仍然是均匀分布，但改变了期望值)，以及概率rho来测试每种算法在不同场景下的性能。具体参数设置如下:

图2 - 5给出了四种不同参数组下的仿真实验结果。这些图表明，本研究提出的SP和CR算法在不同参数设置的模拟场景中优于比较算法。对所有仿真数据的计算表明，与三种比较算法相比，本文提出的SP和CR算法的全局QoE平均提高了15.73%，播放视频片段的平均延迟降低了10.27%。


参考文献
[5] R. D. Yates, M. Tavan, Y. Hu, and D. Raychaudhuri, “Timely cloud
gaming,” in IEEE INFOCOM 2017 - IEEE Conference on Computer
Communications. Atlanta, GA, USA: IEEE, May 2017, p. 1–9.
[Online]. Available: http://ieeexplore.ieee.org/document/8057197/
[12] J. Li, Z. Li, R. Lu, K. Xiao, S. Li, J. Chen, J. Yang, C. Zong,
A. Chen, Q. Wu, C. Sun, G. Tyson, and H. H. Liu, “Livenet: a
low-latency video transport network for large-scale live streaming,” in
Proceedings of the ACM SIGCOMM 2022 Conference. Amsterdam
Netherlands: ACM, Aug 2022, p. 812–825. [Online]. Available:
https://dl.acm.org/doi/10.1145/3544216.3544236