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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».