Reducing Deployment Latency and Improving Runtime Stability in AR/VR Platforms via Unified Services
Notice bibliographique
Résumé
AR/VR platforms run many services across devices and networks, which can slow rollouts and reduce runtime quality. We built and tested a service convergence approach that unifies device-facing and content services, and places them across edge and cloud with simple rules tied to latency targets. The study covered three regions, six device classes, and a 12-week window using a blocked cross-over schedule. We measured end-to-end timing with OpenTelemetry spans and motion-to-photon (MTP) with an optical rig. Median deployment latency fell from 128 s to 69 s (−46. 1%); p95 service-call latency fell from 214 ms to 132 ms; MTP p99 improved from 58 ms to 44 ms. Rollback events during upgrades dropped by 31%. A shared event format reduced duplicate logs by 41%, cut median time-to-detect from 66 s to 46 s, and lowered distinct incident clusters by 33%. These results show that treating scene, input, and telemetry as services—and placing them near users when needed—improves speed and stability and simplifies operations. The approach suits multi-device deployments; limits include three regions, six device types, and a 12-week study period.
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 | 0,016 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».