Personalized Cloud Gaming: Multi-Objective Optimization for Resource Utilization and Video Encoding

doi:10.1109/TCC.2025.3571095

Personalized Cloud Gaming: Multi-Objective Optimization for Resource Utilization and Video Encoding

0

PRE

AI

DOI：10.1109/TCC.2025.3571095

原文链接

原文求助

摘要

En 中文

云游戏代表了当代游戏的重要组成部分。为提升云游戏的用户体验质量（QoE），动态自适应视频编码（DAVE）与多接入边缘计算（MEC）的集成已成为自然候选方案，这归因于其灵活性和对实时交互的可靠传输支持。然而，当多个游戏玩家为追求个性化QoE（如超高清视频质量和超低延迟）而竞争有限资源时，如何支持高效的边缘资源优化是一个基础且重要的问题。此外，实时确定最佳游戏视频编码配置存在显著挑战，尤其是在缺乏未来视频和边缘网络资源信息的情况下。为解决这些关键问题，我们在软件定义网络（SDN）辅助的边缘网络中，通过视频编码配置与物理资源的主动相互适应，联合优化视频编码以及计算与通信资源分配。这消除了编码参数配置与物理资源分配解耦优化所导致性能瓶颈。SDN辅助的边缘网络架构支持高效按需资源管理，提供全局网络信息，并满足严格且时变的游戏请求。由于视频片段与物理资源块之间存在显著的时间尺度差异，我们提出了一种新颖的异步决策制定多智能体近端策略优化算法（AD-MAPPO），该算法能够解决单智能体下的信用分配问题，并且无需先验知识和确定性环境模型，即可适应高度动态的云游戏环境。基于真实云游戏数据集的广泛实验有力地证明，我们的方法能够显著提升玩家的整体QoE。

Keyword:

Cloud gaming

deep reinforcement learning

resource allocation

video encoding configuration

quality-of-experience (QoE)

Personalized Cloud Gaming: Multi-Objective Optimization for Resource Utilization and Video Encoding

摘要

期刊

机构