Cache-Enabled XR Systems: Delay-Aware Resource Allocation for Immersive Experience
Notice bibliographique
Résumé
Extended Reality (XR) applications offer immersive experiences across industrial, healthcare, educational, and entertainment sectors, but they demand ultra-low latency and high data rates that challenge current cellular infrastructure. This paper proposes a latency-aware mobile XR system comprising multi-antenna base stations (BSs) and edge servers, each equipped with limited fronthaul capacity and local caching. To minimize end-to-end latency, we develop a unified optimization framework that jointly addresses field of view (FOV) caching and rendering, BS selection, beamforming vector design, and edge server placement. The framework captures the inter-dependencies between user-specific FOVs, rendering decisions, and resource constraints such as computation capacity and power, ultimately enhancing the quality of personal experience (QoPE). We formulate the problem as a mixed-integer non-convex program and solve it using ℓ0-norm relaxation, successive convex approximation, and fractional programming. Reformulating it as a multiple choice multiple dimensional knapsack problem (MMKP), we apply Lagrangian dual decomposition to derive efficient solutions. Simulation results demonstrate that our approach significantly outperforms baseline algorithms. Notably, a 91% reduction in average delay is achieved when varying BS cache size, and a 94% improvement is observed over the greedy-edge method when adjusting edge server cache size. These results highlight the potential of the proposed method for scalable, delay-aware XR systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,010 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».