aplicado

ciencias
Artículo

Cálculo eficiente de múltiples jugadores de la carga para sistemas

de cómputo VR Edge-Cloud

Abdullah Alshahrani 1, *, IbrahimA. Elgendy 2,3, *, Ammar Muthanna 4,

Ahmed Mohammed Alghamdi 5 y Adel Alshamrani 6
1
Departamento de Informática e Inteligencia Arti fi cial, Facultad de Informática e Ingeniería, Universidad de Jeddah, Jeddah 21493, Arabia Saudita

2
Escuela de Ciencias de la Computación y Tecnología, Instituto de Tecnología de Harbin, Harbin 150001, Departamento de Ciencias de la
3
Computación de China, Facultad de Computación e Información, Universidad Menouña, Shibin el Kom 32511, Egipto

4
Departamento de Redes de Comunicación y Transmisión de Datos, Universidad Estatal de Telecomunicaciones de San Petersburgo, San
Petersburgo 193232, Rusia; muthanna.asa@spbgut.ru
5
Departamento de Ingeniería de Software, Facultad de Ciencias e Ingeniería Informática, Universidad de Jeddah, Jeddah 21493, Arabia Saudita;
amalghamdi@uj.edu.sa
6
Departamento de ciberseguridad, Facultad de Ciencias e Ingeniería Informática de la Universidad de Jeddah, Jeddah 21493, Arabia
Saudita; Asalshamrani@uj.edu.sa
* Correspondencia: asalshahrani2@uj.edu.sa (AA); ibrahim.elgendy@hit.edu.cn (IAE)

Recibido: 25 de junio de 2020; Aprobado: 3 de agosto de 2020; Publicado: 10 de agosto de 2020

Resumen: La realidad virtual (VR) se considera uno de los principales casos de uso del sistema celular de quinta generación (5G). Además, se ha clasificado como una de las

aplicaciones de latencia ultrabaja en las que las aplicaciones de realidad virtual requieren una latencia de un extremo a otro de 5 ms. Sin embargo, la capacidad limitada de la batería y

los recursos informáticos de los dispositivos móviles restringen la ejecución de aplicaciones de realidad virtual en estos dispositivos. Como resultado, la computación en la nube de

borde móvil se considera un nuevo paradigma para mitigar las limitaciones de recursos de estos dispositivos a través del cálculo del proceso de descarga con baja latencia. Con este

fin, este artículo presenta un multijugador eficiente con cálculo de múltiples tareas del modelo de fl oading con rendimiento garantizado en latencia de red y consumo de energía para

aplicaciones de realidad virtual basadas en computación en la nube de borde móvil. Además, este modelo ha sido formulado como un problema de optimización de enteros cuyo

objetivo es minimizar el costo total de todo el sistema en términos de latencia de red y consumo de energía. Posteriormente, se ha diseñado un algoritmo de baja complejidad que

proporciona procesos integrales para derivar el cálculo óptimo de la decisión de descarga de una manera eficiente. Además, proporcionamos un prototipo y una implementación real

del sistema propuesto utilizando el software OpenAirInterface. Finalmente, se han realizado simulaciones para validar nuestro modelo propuesto y demostrar que la latencia de la red y

el consumo de energía se pueden reducir hasta en un 26,2%, Se ha diseñado un algoritmo de baja complejidad que proporciona procesos integrales para obtener el cálculo óptimo de

la decisión de descarga de una manera eficiente. Además, proporcionamos un prototipo y una implementación real del sistema propuesto utilizando el software OpenAirInterface.

Finalmente, se han realizado simulaciones para validar nuestro modelo propuesto y demostrar que la latencia de la red y el consumo de energía se pueden reducir hasta en un 26,2%,

Se ha diseñado un algoritmo de baja complejidad que proporciona procesos integrales para obtener el cálculo óptimo de la decisión de descarga de una manera eficiente. Además,

proporcionamos un prototipo y una implementación real del sistema propuesto utilizando el software OpenAirInterface. Finalmente, se han realizado simulaciones para validar nuestro

modelo propuesto y demostrar que la latencia de la red y el consumo de energía se pueden reducir hasta en un 26,2%,

27,2% y 10,9%, 12,2% en comparación con la ejecución en el borde y la nube, respectivamente.

Palabras clave: realidad virtual; computación de borde en la nube; multi nivel; cálculo de la carga; latencia; consumo de energía; 5G

1. Introducción

La realidad virtual (VR) se considera como una de las aplicaciones más anunciadas del sistema celular de quinta generación (5G) [ 1 -
3 ]. Además, se espera que se introduzcan muchas aplicaciones y sectores del mercado en muchas áreas de la vida [ 4 ]. Además, la
realidad aumentada (AR) se considera una nueva tecnología que permite el aumento de objetos reales en los entornos circundantes, como
la información perceptiva extraída de múltiples modos sensoriales que contienen sensores hápticos, visuales y auditivos [ 5 , 6 ]. Además de
eso, los recientes desarrollos y avances en sensorial

Apl. Sci. 2020, 10, 5515; doi: 10.3390 / app10165515 www.mdpi.com/journal/applsci

Apl. Sci. 2020, 10, 5515 2 de 19

la fabricación, los dispositivos de RA (por ejemplo, Epson Moverio y Google Glass) y los kits de herramientas de RA (por ejemplo, ARKit) llevan al

desarrollo de una amplia gama de aplicaciones de RA / RV en varios dominios [ 7 , 8 ], que se consideran aplicaciones de latencia ultrabaja y requieren una

latencia de extremo a extremo en términos de 5 ms [ 9 - 11 ].

Sin embargo, diseñar un sistema AR / VR confiable que logre las restricciones de latencia requeridas y otros requisitos de calidad
de servicio (QoS) requeridos es un desafío. Esto se debe a la gran distancia entre el servidor de aplicaciones y los usuarios finales, lo que
lleva a incrementar la latencia de la red y, por tanto, afecta la experiencia del usuario [ 12 ].

Para abordar estos problemas, se ha prometido la computación de borde móvil (MEC), las redes definidas por software (SDN) y la
virtualización de funciones de red (NFV) como nuevas tecnologías que han recibido mucha atención últimamente y pueden proporcionar a las
aplicaciones AR / VR una tecnología ultra baja latencia [ 13 - dieciséis ]. MEC es un paradigma reciente que acerca las capacidades informáticas al
borde de la red de acceso por radio (RAN), cerca de los usuarios finales y, por lo tanto, reduce la latencia de la comunicación. Este paradigma
convierte los enormes centros de datos centralizados en pequeños servidores de borde distribuidos y, por lo tanto, pasa de la centralización a la
descentralización de los recursos informáticos [ 17 ]. La introducción de servidores de nube perimetral en el camino entre el usuario final de AR y
el servidor de aplicaciones logra muchos beneficios que incluyen la reducción de la latencia de la comunicación.

La SDN y la softwarización de redes son otro paradigma clave y la tecnología de comunicación reciente que proporciona la
flexibilidad requerida y abre el camino para la innovación de la red al separar los planes de control y de datos. Además, la implementación
de SDN para redes AR proporciona la confiabilidad y flexibilidad necesarias. Además, SDN también puede administrar los servidores MEC
distribuidos y controlar la comunicación con el servidor de aplicaciones.

Basado en la tecnología 5G, los datos se pueden transferir con alta velocidad y baja latencia, donde la sociedad entrará rápidamente
en la nueva era de ciudades inteligentes e Internet de las cosas (IoT). Las partes interesadas de la industria han identificado varios casos de
uso potenciales para las redes 5G, y el UIT-R ha identificado tres categorías importantes para estos casos de uso: Banda ancha móvil
mejorada (eMBB): banda ancha mejorada en interiores y exteriores, colaboración corporativa, realidad aumentada y virtual; comunicaciones
masivas de tipo máquina (mMTC) —IoT, agricultura inteligente, ciudades inteligentes, monitoreo de energía, hogar inteligente, monitoreo
remoto; y comunicaciones ultra fiables de baja latencia (URLLC): vehículos autónomos, redes inteligentes, monitorización remota de
pacientes y telemedicina, automatización de la producción.

Según los operadores inalámbricos, eMBB será el escenario principal para usar 5G en las primeras etapas del despliegue de la red.
Basado en eMBB, las áreas densamente pobladas estarán cubiertas por banda ancha móvil de alta velocidad, los usuarios tendrán acceso
a transmisión de datos de alta velocidad bajo demanda en dispositivos domésticos, pantallas y dispositivos móviles, y veremos servicios
para el desarrollo de colaboración corporativa. Algunos operadores también están considerando eMBB como la solución en áreas donde
no hay suficientes conexiones de cables de cobre o conexiones de fibra óptica a las viviendas. También se espera que la tecnología 5G
contribuya al desarrollo de ciudades inteligentes e IoT mediante el despliegue de una gran cantidad de redes de sensores de baja potencia
en áreas urbanas y rurales. Debido a su seguridad y confiabilidad, la tecnología 5G se puede utilizar para garantizar la seguridad pública,
así como para brindar servicios críticos, por ejemplo,

Con el desarrollo de la computación de fl oading para el sistema MEC, se han propuesto varias arquitecturas y enfoques de
sistemas relacionados en los que las tareas de computación intensiva de los dispositivos móviles se transferirán a un recurso más rico
ubicado en el borde de la red de acceso por radio (RAN) [ 18 , 19 ]. Sin embargo, la mayoría de estos estudios abordan solo dos niveles de
cálculo de fl oading en sistemas MEC [ 20 , 21 ], mientras que pocos estudios abordan el cálculo multinivel del fl oading [ 22 ]. Además, la
mayoría de estos estudios se dirigen a un solo usuario o multiusuario con una única tarea de cálculo en la que los objetivos principales son
minimizar el consumo de energía, asignar recursos de radio y computación de manera eficiente y / o satisfacer los requisitos de latencia
para los usuarios móviles. En consecuencia, las principales motivaciones de nuestro trabajo se basan en las siguientes observaciones:
Apl. Sci. 2020, 10, 5515 3 de 19

• Considerar un entorno de niveles múltiples para el cálculo de flujo de múltiples jugadores, especialmente en el caso de una gran cantidad
de dispositivos móviles y los recursos del servidor de borde no son suficientes, es un tema importante.

• En el sistema MEC, la mayoría de las aplicaciones móviles complejas tienen muchas tareas que necesitan ser descargadas y ejecutadas. Por

lo tanto, es importante abordar el problema de las múltiples tareas.

• Los recursos informáticos en el borde y el servidor en la nube y las tareas informáticas de los dispositivos móviles se consideran los
factores principales que juegan un papel importante en la e fi ciencia del sistema de computación en la nube del borde, multinivel,
multijugador y multitarea. Por tanto, es fundamental contar con una política eficaz y conjunta entre ellos.

Motivados por tales consideraciones, en este documento presentamos un sistema AR confiable capaz de soportar aplicaciones AR
de latencia ultrabaja con las especi fi caciones anunciadas. Este sistema ha desplegado un multinivel, multijugador con computación
multitarea del entorno de carga para proporcionar los recursos informáticos en el borde de la RAN que pueden reducir la latencia de
comunicación de las tareas de RV. Además, formulamos el cálculo del fl oading como un problema de optimización de enteros cuyo
objetivo es minimizar el costo total del sistema en términos de latencia de red y consumo de energía. Las principales contribuciones de
este artículo incluyen:

• Un cálculo eficiente del modelo de flujo se formula como un problema de optimización de enteros con el objetivo de minimizar el costo
total de un sistema completo en términos de latencia de red y consumo de energía para sistemas de computación en la nube de
borde, multinivel y multitarea. Además, nuestro entorno ha considerado una única computación en la nube que se conecta con el
servidor de computación perimetral a través de una red central inteligente que se construye en base a la tecnología SDN para
proporcionar más recursos cuando aumenta la cantidad de dispositivos de realidad virtual y los recursos del servidor perimetral
disminuyen. suficiente.

• Se ha diseñado un algoritmo eficiente que proporciona procesos integrales para derivar el cálculo óptimo de la decisión de
descarga.

• Se han considerado tres aplicaciones principales de realidad virtual, que son juegos de realidad virtual para múltiples jugadores, hologramas y

aplicaciones de video de 360 grados.

• Finalmente, se han realizado simulaciones para validar nuestro modelo propuesto y demostrar que la latencia de la red y el consumo
de energía se pueden reducir hasta en un 26,2%, 27,2% y 10,9%, 12,2% en comparación con la ejecución en el borde y la nube,
respectivamente. Además, proporcionamos un prototipo y una implementación real del sistema propuesto utilizando el software
OpenAirInterface.

El resto del artículo está organizado de la siguiente manera. Sección 2 presenta tres aplicaciones principales de realidad virtual. Sección 3 revisa

el trabajo relacionado sobre el cálculo de las políticas de inundación. Sección 4 presenta nuestro modelo de sistema para multijugador multinivel con

cálculo de fl oading multitarea y el algoritmo diseñado. Los experimentos de simulación y la implementación de prototipos se llevan a cabo en la

Sección 5 . Finalmente, Sección 6

concluye el artículo.

2. Aplicaciones de realidad virtual

2.1. Hologramas sobre el sistema propuesto

Para aumentar la efectividad de la aplicación, la realidad aumentada y la realidad virtual se utilizan cada vez más en conjunto con
otras tecnologías, por ejemplo, con las aplicaciones de Internet de las cosas, Internet táctil y telepresencia holográfica [ 23 - 26 ]. La presencia
holográfica hace que AR / VR sea más espectacular para el usuario y permite ver hologramas virtuales, que son imágenes volumétricas en
color. Los equipos modernos le permiten crear hologramas prácticos que no difieren de los objetos reales. La inclusión de tal efecto se
logra gracias al seguimiento preciso de la posición del usuario en un espacio determinado y dependiendo de su ubicación reproduciéndole
una imagen estereoscópica. Las tecnologías AR / VR nos permiten proyectar objetos estáticos o animados en entornos reales,
expandiendo así el mundo físico. Los diseños anteriores de hologramas para AR se basan en las llamadas pantallas en el aire, a veces
también llamadas pantallas en forma gratuita.
Apl. Sci. 2020, 10, 5515 4 de 19

espacio. Los objetos gráficos proyectados se muestran en el aire en superficies de proyección libres, como una pared de niebla poco visible o
una pantalla de niebla creada por un ventilador instalado [ 27 ]. Uno de los más populares es el equipo Hololens de Microsoft [ 28 ]. Dado que tanto
las gafas Microsoft HoloLens como las AR son capaces de rastrear los movimientos de la cabeza, crean la impresión de una presencia constante
de objetos geoespaciales holográficos en el entorno del usuario. Incluso si el usuario camina en un área determinada, generalmente en interiores,
los hologramas permanecen y se adaptan a la ubicación y perspectiva de visualización del usuario. Esta proyección holográfica constante y
adaptable puede conducir a enfoques de visualización que aporten beneficios adicionales para el procesamiento cognitivo. Presentada como la
primera computadora holográfica independiente, Hololens une los mundos físico y digital, permite a los usuarios interactuar con contenido digital
e interactuar con hologramas en realidad mixta. La obra [ 29 ] está dedicado a una evaluación técnica del uso de Hololens para aplicaciones
multimedia.

2.2. Juegos de realidad virtual de varios jugadores sobre el sistema propuesto

Para ilustrar mejor el funcionamiento de la nube y otras unidades de nube de borde de capa superior, se considera un ejemplo de juegos de realidad virtual

multijugador. En los juegos de realidad virtual de varios jugadores, los jugadores utilizan sus dispositivos compatibles con la realidad virtual para jugar un juego

previsto, sin embargo, estos juegos se ejecutan en el servidor de aplicaciones remoto. Con el fin de reducir la latencia y el uso eficiente de la energía y los recursos

informáticos de los dispositivos de realidad virtual de los usuarios, se introduce el sistema propuesto. Figura 1 presenta el sistema de juego de realidad virtual

multijugador que se ejecuta sobre el sistema propuesto.

Figura 1. Red central inteligente basada en servidores de computación de borde móvil (MEC) con múltiples usuarios.

El usuario de VR con recursos informáticos o energéticos limitados busca en el entorno dispositivos con recursos informáticos y
energéticos disponibles capaces de albergar tareas informáticas asociadas con el usuario del juego VR. Estos dispositivos se conocen
como cloudlet y pueden estar representados por un potente teléfono inteligente, portátil o tableta. Las tareas informáticas se transfieren del
usuario de realidad virtual a la nube a través de la interfaz de comunicación D2D. WiFi Direct representa una interfaz eficiente y se puede
implementar con el método propuesto en [ 6 ]. El proceso de descarga se realiza en base al algoritmo desarrollado que se presenta en la
Sección 4.4 .

Si el usuario del juego de realidad virtual no puede encontrar una nube cercana, pasa sus tareas informáticas al siguiente nivel de unidades de nube

de borde, que son los servidores de borde de micro nube conectados a estaciones base celulares. Los servidores de borde de micro-nube son pequeñas

unidades de borde que tienen recursos informáticos y energéticos limitados. Estos servidores se implementan para proporcionar los recursos informáticos y

de energía en el borde de la RAN y, por lo tanto, lograr una mayor eficiencia de latencia y reducir el tráfico que pasa a la red central. Los servidores de

borde de micro-nube reciben y manejan tareas informáticas de los usuarios de realidad virtual o de las nubes correspondientes que no tienen suficientes

recursos informáticos o energéticos.

Con base en los recursos disponibles y el algoritmo considerado de flujo, los servidores de borde de micro-nube manejan las tareas
informáticas recibidas o las transfieren a las unidades de nube de borde superiores,
Apl. Sci. 2020, 10, 5515 5 de 19

es decir, unidades mini-nube. Cada grupo de unidades de micro-nube está conectado físicamente con una unidad de nube de borde de mayor

capacidad de computación y energía; denominado mini-nube. Todas las unidades periféricas distribuidas en mini-nube están conectadas

directamente a la nube de la red central que representa la interfaz para el servidor de aplicaciones.

2.3. Transmisión de video de 360 grados sobre el sistema propuesto

Para ilustrar los beneficios del sistema propuesto, se considera otra aplicación de realidad virtual importante. La tecnología de transmisión de

video de 360 grados se convierte en una demanda para muchas aplicaciones de realidad virtual. La ejecución local del procesamiento de video

indica un bajo rendimiento para aplicaciones de video de alta resolución, por ejemplo, videos de 4 ky resoluciones más altas. Con este fin, la

tecnología MEC debe estar involucrada y las tareas de computación de video deben ser descargadas a través de un enlace de comunicación

apropiado al servidor de nube de borde. Además, debería introducirse un esquema de datos eficientes de descarga para una descarga eficiente de

las tareas informáticas.

La introducción de servidores en la nube de borde distribuidos heterogéneos proporciona los recursos informáticos y energéticos a los dispositivos

de realidad virtual móviles y, por lo tanto, las tareas de procesamiento y decodificación de video pueden desbordarse. El sistema MM-MEC considerado se

puede utilizar para lograr una alta eficiencia de aplicaciones de video de 360 grados de dispositivos de realidad virtual móviles. Sin embargo, este tipo de

aplicación de realidad virtual requiere una interfaz de comunicación adecuada que logre una alta eficiencia espectral, adecuada para aplicaciones de video

con la QoE requerida.

Para lograr una alta QoS de transmisión para aplicaciones de video VR-360 grados, consideramos la onda milimétrica (mmWave) como
la interfaz de comunicación. El estándar IEEE 802.11ad es un estándar inalámbrico de varios Gigabit que utiliza la banda V a una frecuencia de
60 GHz. El uso de un gran ancho de banda inalámbrico es eficiente para lograr una mayor capacidad de aplicaciones basadas en video. El
principal problema con mmWave en comparación con las interfaces tradicionales, por ejemplo, WiFi, es el rango de comunicación limitado y,
por lo tanto, se recomienda para aplicaciones en exteriores en lugar de en interiores. Debido a los recientes avances en el diseño de antenas,
se han desarrollado técnicas recientes para adoptar mmWave en aplicaciones de interior.

3. Obras relacionadas

En los últimos años, se han propuesto numerosos enfoques y modelos de optimización para abordar los desafíos de los dispositivos
móviles que utilizan MEC mediante la aplicación del concepto de cálculo de fl oading. La mayoría de estos estudios manejan sólo dos
niveles de cálculo de fl oading en sistemas MEC [ 20 , 21 ], mientras que pocos estudios abordan el cálculo multinivel del fl oading [ 22 ]. En
esta sección, se presentará una breve descripción de los enfoques comunes.

Colman-Meixner y col. [ 30 ] presentó una ciudad 5G y discutió cómo se facilitarán los servicios de medios avanzados utilizando la
tecnología 5G, como video de ultra alta definición, realidad aumentada y virtual. Además, se estudian las oportunidades que brinda la
tecnología 5G y los cambios en el trabajo del proveedor de servicios de telecomunicaciones. Además, se presentan tres casos de uso
diferentes y se describe su uso en redes públicas, así como las ventajas de utilizar este modelo para propietarios de infraestructura y
proveedores de servicios de medios. Mientras en [ 31 ], Elbamby et al. estudió el problema de las redes inalámbricas de baja latencia de
realidad virtual. Luego, para resolver este problema, los autores propusieron utilizar información sobre las posiciones de los usuarios,
computación proactiva y almacenamiento en caché para minimizar la latencia de la computación.

Se implementaron prototipos reales para aplicaciones de realidad virtual en los que algunos de ellos utilizaron computación de borde [ 32 , 33 ],

mientras que otros prototipos no utilizaron la informática de borde [ 34 , 35 ]. Para los prototipos que utilizaron computación de borde, Hou et al. discutieron

cómo habilitar un dispositivo de realidad virtual portátil y móvil con gafas de realidad virtual para la conexión inalámbrica a dispositivos de computación de

borde en [ 32 ]. Además, los autores exploraron los principales problemas que están asociados con la inclusión de un nuevo enfoque de la realidad virtual

inalámbrica con la informática de punta y varios escenarios de aplicación. Además, proporcionaron un análisis de los requisitos de retardo para habilitar

la realidad virtual inalámbrica y estudiar varias soluciones posibles. Considerando que, el cálculo
Apl. Sci. 2020, 10, 5515 6 de 19

de fl oading para aplicaciones de juegos de realidad virtual se ha considerado en [ 33 ] en el que minimizar la latencia de la red es el objetivo principal.

Mientras tanto en [ 34 ], Hsiao et al. trató temas relacionados con la seguridad de la información y abordó las deficiencias del sistema de

seguridad existente en tecnologías de realidad aumentada (AR), inteligencia artificial, inalámbrica, 5G, big data, computación masiva y tiendas

virtuales. Mientras en [ 35 ], Le et al. abordó el cálculo de fl oading sobre mmWave para VR móvil en el que la transmisión de video 360 se utiliza

como un caso de estudio. Primero, los autores mencionaron que el uso de la transmisión de video 360 requiere más ancho de banda y una

respuesta más rápida del usuario. Además, los dispositivos móviles de realidad virtual (VR) procesan localmente la decodificación,

posprocesamiento y renderizado de video. Sin embargo, su rendimiento no es suficiente para transmitir videos de alta resolución, como 4 K – 8 K.

Por lo tanto, los autores proponen cálculos adaptativos de un esquema de descarga utilizando una comunicación de onda milimétrica (onda mm).

Este esquema de descarga ayuda al dispositivo móvil a compartir tareas de decodificación de video en una PC potente. Esto mejora la capacidad de

realidad virtual del dispositivo móvil para reproducir videos de alta definición. La tecnología inalámbrica mmWave 802.11ad promete el uso de banda

ancha inalámbrica para mejorar el rendimiento de los sistemas multimedia.

En 5G, las aplicaciones de red AR / VR serán una de las aplicaciones líderes en la categoría de comunicación ultra confiable y de
baja latencia [ 20 , 36 ]. Más concretamente, en [ 20 ], Liu et al. propuso un marco de cálculo de flujo para comunicaciones de baja latencia
ultrafiables en el que las tareas de cálculo se dividen en subtareas que se descargarán y ejecutarán en los nodos de servidor de borde
cercanos. Además, los autores formularon problemas de optimización que minimizan conjuntamente la latencia y la probabilidad de fallas
continuas. Además, se han diseñado tres algoritmos heurísticos basados en búsquedas para resolver este problema y derivar el cálculo
de la decisión de descarga. Sin embargo, la computación en la nube no considera el entorno en este trabajo, que puede aprovechar cuando
los recursos del servidor de borde no son suficientes. Del mismo modo, en [ 36 ] Viitanen y col. describió la funcionalidad básica y la
instalación de demostración para el control remoto de juegos de realidad virtual (VR) estéreo de 360 grados. Propusieron un enfoque de
baja latencia en el que la ejecución del juego de realidad virtual se transfiere desde el dispositivo del usuario final al servidor de nube
perimetral. Además, la retroalimentación del controlador se transmite a través de la red al servidor desde el cual los tipos visualizados del
juego se transmiten al usuario en tiempo real, como cuadros de video HEVC codificados. Finalmente, este enfoque demostró que el
consumo de energía y la carga computacional de los terminales finales se reducen mediante la utilización de los últimos avances en la
velocidad de conexión de la red.

Se observa a partir de la revisión anterior del trabajo relacionado, que el cálculo de la descarga se ha investigado para diferentes objetivos
en los que la mayoría de ellos se dirigen solo a la arquitectura de dos niveles en los sistemas MEC. Además, la mayoría de estos estudios se
dirigen a un solo usuario o multiusuario con una única tarea de cálculo. Esto motiva el trabajo de este documento para considerar conjuntamente
el cálculo de sistemas de computación en la nube de borde multinivel, multijugador y multitarea. Nuestro trabajo tiene como objetivo minimizar el
costo total de todo el sistema en términos de latencia de la red y consumo de energía.

4. SystemModel

En esta sección, presentamos nuestro modelo de sistema que se adopta en este documento. Como se muestra en la figura 2 , consideramos un conjunto

de norte Dispositivos de juegos de realidad virtual en los que cada dispositivo tiene un conjunto de METRO tareas de cálculo independientes que debían

completarse. Además, estos dispositivos están conectados con una única estación base a través de un canal inalámbrico que está equipado con un servidor de

computación de borde móvil y también está conectado con una computación en la nube centralizada a través de una red central. Denotamos el conjunto de

dispositivos de realidad virtual y sus tareas de cálculo como N = { 1, 2,. . . , NORTE} y M = { 1, 2,. . . , METRO} donde las tareas de cálculo se pueden ejecutar

localmente en el propio dispositivo o se descargan y procesan de forma remota en el servidor de borde o en el servidor en la nube.

En las siguientes subsecciones, los modelos de comunicación y cálculo se presentan con más detalle, seguidos de la formulación
del problema de optimización para nuestro modelo.
Apl. Sci. 2020, 10, 5515 7 de 19

Canal cableado Dispositivo 1

Canal Inalámbrico

T 1,1 T 1,2 ... T 1, M

Dispositivo 2

Centro

La red
T 2,1 T 2,2 ... T 2, M

….
Servidor en la nube
Estación base con
Servidor MEC
Dispositivo norte

T N, 1 T N, 2 ... T NUEVO MÉJICO

Figura 2. Modelo de sistema.

Las notaciones utilizadas en este estudio se resumen en la Tabla 1 .

Tabla 1. Anotaciones.

Notación Descripción

norte Conjunto de dispositivos VR.

METRO Conjunto de tareas de cálculo. Referirse a I t h Dispositivo de realidad virtual. Referirse a j t h tarea

I de cálculo. Tamaño de los datos de entrada para la tarea de cálculo j del dispositivo VR I.

j
a yo, j

B yo, j Tamaño de los datos de salida para la tarea de cálculo j del dispositivo VR I.

C yo, j Ciclos de CPU para realizar la tarea de cálculo j del dispositivo VR I.

τ yo, j Fecha límite de finalización de la tarea de cálculo j del dispositivo VR I.

α yo, j, k Decisión de in fl uencia de la tarea de cálculo j del dispositivo VR I.

r UI Velocidad de datos de enlace ascendente.

r DI Velocidad de datos del enlace descendente.

BU Ancho de banda del canal de enlace ascendente

BD Ancho de banda del canal de enlace descendente

pag T Potencia de transmisión del dispositivo VR I

I

pag R Potencia de recepción del dispositivo VR I

I

GRAMO 0 Ganancia de canal de la estación base Densidad de

ω0 potencia de ruido del canal Energía consumida por

ζI ciclo de CPU

ξ Retardo de propagación entre la estación base y la capacidad computacional en la

FL nube del dispositivo de realidad virtual I

I

F mi Recurso de CPU de la estación base asignado al dispositivo de realidad virtual I

I

FC Recurso de CPU de la nube asignado al dispositivo de realidad virtual I

I

β Consumo de energía para que el dispositivo de realidad virtual esté inactivo Hora

T yo,
L
j
local para ejecutar la tarea j del dispositivo VR I.

mi L Energía local para ejecutar la tarea j del dispositivo VR I

yo, j

T apagado De fl oder tiempo para la tarea j del dispositivo VR I.

yo, j

T yo,
abajo
j
Tiempo de descarga para la tarea j del dispositivo VR I.

T mi mi xec Tiempo de ejecución de la tarea de cálculo j del dispositivo VR I en la estación base. Tiempo de ejecución de la tarea de
yo, j

T C mi xec cálculo j del dispositivo VR I en el servidor de la nube. Consumo de energía para ejecutar la tarea j del dispositivo VR I en la
yo, j

mi mi estación base. Consumo de energía para ejecutar la tarea j del dispositivo VR I en el servidor de la nube. Tiempo de cálculo
yo, j

mi C local y peso energético de la tarea de cálculo j del dispositivo VR I.

yo, j

w tyo, j, w mi yo, j
Apl. Sci. 2020, 10, 5515 8 de 19

4.1. Modelo de comunicación

Primero introducimos el modelo de comunicación en el sistema edge-cloud, en el que nuestro entorno tiene una única estación base conectada con

un norte un conjunto de dispositivos de juegos de realidad virtual a través de un canal inalámbrico, así como los recursos informáticos de borde, están

asociados con una única estación base y conectados con la computación en la nube a través de la red central. Además, cada dispositivo ejecuta una

aplicación de juego móvil de realidad virtual que tiene METRO tareas de cálculo independientes que debían completarse.

Denotemos α yo, j, k como un cálculo binario de decisión de descarga para la tarea de cálculo j de la realidad virtual

dispositivo I que de fi ne el lugar de ejecución de la tarea de cálculo. Más específicamente, ( α yo, j, 0 = 1) indica que la tarea de cálculo j del
dispositivo VR I será ejecutado localmente por el recurso del dispositivo de realidad virtual,
mientras ( α yo, j, 1 = 1 y α yo, j, 2 = 1) indica que la tarea de cálculo j del dispositivo VR I se descargarán y procesarán de forma remota en la estación
base y el servidor en la nube, respectivamente. En general, cada tarea de cálculo j
debe ejecutarse solo una vez ya sea localmente ( k = 0) o de forma remota ( k ∈ { 1, 2}), es decir, ∑ 2 k = 0 α yo, j, k = 1.
Con respecto a la ley de Shannon, la velocidad máxima de datos de enlace ascendente y descendente para cada dispositivo de realidad virtual donde los datos

de su tarea de cálculo se transmiten a través del canal de comunicaciones se puede calcular como [ 4 ]:

pag T
0
rU
yo = B U Iniciar sesión 2 ( 1 + I GRAMO 2
(1)
ω 0 B U)

pag T
0
rD
yo = B D Iniciar sesión 2 ( 1 + bs GRAMO 2 (2)
ω0BD)

dónde B U y B D denotar el ancho de banda del canal de enlace ascendente y descendente, pag I, y pag bs denotar el

potencia de transmisión del dispositivo VR I y estación base, ω 0 y GRAMO 0 denotar la densidad de potencia de ruido y la ganancia de canal
correspondiente entre el dispositivo VR y la estación base debido a la pérdida de ruta
y atenuación de sombras.

4.2. Modelo de Computación

En esta subsección, se introduce el cálculo del modelo de fl oading. En primer lugar, como se mencionó anteriormente, nuestra simulación tiene

una única estación base conectada con norte conjunto de dispositivos de juegos de realidad virtual en el que cada dispositivo tiene METRO tareas de

cálculo independientes que debían completarse. Para cada cálculo

tarea j, usamos una tupla { a yo, j, B yo, j, C yo, j, τ yo, j} para representar el requisito de la tarea de cálculo, donde a yo, j y
B yo, j representan el tamaño de los datos de entrada y salida que deben transmitirse y recibirse, respectivamente. Mientras que C yo, j y τ yo, j representan
el número total de ciclos de CPU y la fecha límite de finalización que se
requerido para la tarea j del dispositivo VR I. Los valores de a yo, j, B yo, j y C yo, j puede obtenerse mediante el perfilado cuidadoso de la ejecución de la tarea

[ 37 - 39 ].

En consecuencia, la sobrecarga de cálculo en términos de tiempo de ejecución y consumo de energía para los enfoques de ejecución local,
de borde y en la nube se discutirá más adelante en detalle.

4.2.1. Ejecución local

Para el enfoque de ejecución local donde la tarea de cálculo j se ejecutará localmente en el propio dispositivo de realidad virtual, el tiempo

total de ejecución y el consumo de energía se pueden calcular respectivamente como:

C yo, j
T yo,
L j= (3)
FL
I

mi L
yo, j = ζ I C yo, j (4)

dónde F L
I denota la capacidad computacional (ciclos de CPU por segundo) del dispositivo de realidad virtual, y ζ I es un
coeficiente, que denota la energía consumida por ciclo de CPU. nosotros definimos ζ yo = 10 - 11 ( F L
I ) 2, donde la energia
el consumo es una función superlineal de la frecuencia del dispositivo de realidad virtual [ 40 , 41 ].
Apl. Sci. 2020, 10, 5515 9 de 19

4.2.2. Ejecución remota

Para el enfoque de ejecución remota donde la tarea de cálculo j del dispositivo VR I se descargará y procesará en la estación base
o el servidor en la nube, el tiempo total de ejecución se puede calcular respectivamente como:

T mi
yo, j + T E_exec
yo, j = T apagado yo, j + T abajo yo, j
(5)

T yo,
C
yo, j + ξ + T C_exec
j = T apagado yo,+j T abajo yo, j
(6)

dónde ξ es constante que denota el retardo de propagación para transferir la tarea de cálculo entre

la estación base y el servidor en la nube. Mientras T apagado

yo, j, T abajo,
yo, j T E_exec
yo,yj T C_exec denotar
yo, jel desbordamiento,
tiempo de descarga y ejecución para procesar la tarea de cálculo j del dispositivo de realidad virtual I en la estación base y el servidor en la nube,

respectivamente, que se pueden expresar de la siguiente manera:

a yo, j
T apagado
yo, j =
(7)
rU
I

B yo, j
T yo,
abajo
j
= (8)
rD
I

C yo, j
T yo,
E_exec
j
= (9 )
F mi
I

C yo, j
T yo,
C_exec
j
= (10)
FC
I

dónde F mi
Iy FC I denotar la capacidad computacional de la estación base y el servidor en la nube que es
asignado al dispositivo de realidad virtual I.

En consecuencia, el consumo de energía para descargar, descargar y procesar la tarea de cálculo j del dispositivo VR I de forma
remota en la estación base y el servidor en la nube se puede expresar de la siguiente manera:

mi mi
yo, j = pag T I T apagado
yo, j + β T E_exec
yo, j + pag R I T abajo
yo, j
(11)

mi C
yo, j = pag T I T apagado
yo, j + β T C_exec
yo, j + pag R I T abajo
yo, j
(12)

dónde pag R
I denotar la potencia de recepción del dispositivo VR y β es constante denotando la energía
consumo por estar inactivo mientras se procesa la tarea en el borde y en la nube.
En vista de los modelos de comunicación y cálculo, la sobrecarga total para ejecutar la tarea de cálculo j del dispositivo de realidad
virtual I en términos de tiempo y energía se puede expresar respectivamente como:

Z yo, j = w t yo, j T yo, j) + w mi yo, j mi yo, j)

(13)

dónde w mi
Iy wt I∈ [ 0, 1] denota los parámetros de ponderación del tiempo de ejecución y el consumo de energía.
para dispositivo VR I la toma de decisiones, respectivamente. Mientras T yo, j y mi yo, j son el tiempo y la energía totales que pueden

expresarse como:

]
T yo, j = [ α yo, j, 0 T Lij + α yo, j, 1 T miyo, j + α yo, j, 2 T C yo, j] (14)

L mi
mi yo, j = α yo, j, 0 mi
yo, j + α yo, j, 1 mi yo, j + α yo, j, 2 mi C yo, j (15)

4.3. Formulación del problema

En esta sección, consideramos la cuestión de lograr un cálculo eficiente de la carga para los sistemas de computación en la nube de borde de

realidad virtual multijugador. Con respecto a los modelos de comunicación y computación anteriores,
Apl. Sci. 2020, 10, 5515 10 de 19

el cálculo del problema de la carga se formula como el siguiente problema de formulación de optimización restringida:

min
x, y
[ Z yo, j ]
L≤ 0, ∀ yo, j C 1
St mi yo, j - mi yo, j

T yo, j ≤ τ yo, j, ∀ yo, j C 2 (dieciséis)

2

∑ α yo, j, k = 1, ∀ yo, j C 3
k=0
α yo, j, k ∈ { 0, 1}, ∀ yo, j C 4

La función objetivo del problema de optimización es minimizar el costo total de todo el sistema en términos de tiempo y energía
mediante el despliegue de la tarea de descarga. Las restricciones C1 y C2 son límites superiores de consumo de energía y tiempo,
respectivamente. La restricción C3 garantiza que cada tarea de cálculo j debe ejecutarse solo una vez. Finalmente, la última restricción C4
garantiza que el cálculo de la variable de decisión de descarga sea binario.

Como resultado de que la función objetivo es lineal y todas las restricciones también son lineales, el problema de optimización ( dieciséis )
es un problema de optimización lineal de enteros en el que la solución óptima se puede obtener utilizando el método de ramificación y enlace [ 42
].

4.4. Cálculo multijugador del algoritmo de flujo

En esta subsección, presentamos el diseño de nuestro algoritmo de cálculo de fl oading multijugador que proporciona procesos
integrales para derivar el cálculo óptimo de la decisión de fl oading del problema de optimización restringida en la ecuación ( dieciséis ) de
manera e fi ciente.
Primero, todos los dispositivos de realidad virtual están inicializando su decisión de descarga. α yo, j, 0 = 1, eso significa local

ejecución. Luego, cada dispositivo carga los requisitos de las tareas de cálculo que incluyen
{ a yo, j, bi, j, c yo, j, τ yo, j, pag T
I,
I , pag R ζ I} y las capacidades de computación local F L I al servidor de borde. Después,
el servidor de borde calcula la velocidad de transmisión de datos de enlace ascendente y descendente para cada dispositivo de realidad virtual basándose en el

número actual de reproductores de realidad virtual. Además, el servidor de borde encuentra el lugar de ejecución óptimo para cada tarea de cálculo (es decir, local,

borde o nube) mediante la resolución del problema de optimización en la Ecuación ( dieciséis ). Finalmente, cada dispositivo de realidad virtual recibe el lugar de

ejecución para sus tareas de cálculo desde el servidor de borde, minimizando así el costo total de todo el sistema en términos de tiempo y energía.

Algoritmo 1 proporciona el proceso detallado del cálculo multijugador del algoritmo de fl oading en el que O ( NUEVO MÉJICO) es la complejidad del

tiempo donde norte y METRO denotar el número total de dispositivos de realidad virtual y sus tareas, respectivamente.

4.5. Arquitectura de computación de varios niveles con múltiples bordes

En esta sección, describiremos la arquitectura del sistema de múltiples niveles, múltiples bordes y múltiples usuarios con múltiples tareas en la que la

arquitectura del sistema se compone de tres niveles como se muestra en la Figura 3 . Mirando de abajo hacia arriba, el primer nivel consta de un conjunto de norte

Dispositivos de juegos de realidad virtual en los que cada dispositivo tiene un conjunto de METRO tareas de cálculo independientes que debían completarse.

En el nivel anterior, tenemos un conjunto de K servidores de computación de borde móvil en los que los dispositivos de juego de realidad virtual se distribuyen y

conectan a través de un canal inalámbrico Además, contamos con un enrutador de red troncal que puede conectar y controlar el servidor de computación de

borde móvil a través de una conexión por cable y también está diseñado con tecnología SDN. Finalmente, en el último nivel, tenemos un único servidor en la

nube que puede proporcionar más recursos, así como conectarse con un enrutador principal a través de la red central.
Apl. Sci. 2020, 10, 5515 11 de 19

Algoritmo 1 Cálculo multijugador del algoritmo de flujo

1: Inicialización: Cada dispositivo de realidad virtual I Inicializa la decisión de descarga para sus tareas de cálculo con

α yo, j, 0 = 1, ∀ yo, j

2: para todos cada dispositivo de realidad virtual I y en una franja horaria determinada t hacer

3: para todos cada tarea de cálculo j hacer

4: Subidas los requisitos de las tareas de cálculo { a yo, j, bi, j, c yo, j, τ yo, j, pag T I,
I , pag R ζ I} y el local
capacidades de computación F L
I al servidor de borde.
5: Calcular la tasa de datos de enlace ascendente y descendente r U
I , r D I para cada dispositivo de realidad virtual basado en ecuaciones ( 1 )

y ( 2 ).
6: Resolver el problema de optimización en la ecuación ( dieciséis ) y obtener el cálculo óptimo

de in fl uir valores de decisión α yo, j, k para cada tarea de compilación en dispositivos de realidad virtual en la que se minimiza el costo total

de todo el sistema.
7: Enviar los valores de decisión de la inundación α yo, j, k a cada dispositivo de realidad virtual.

8: final para

9: final para

Servidor en la nube

Canal cableado

Canal Inalámbrico

Red de núcleo

….
MEC 1 MEC 2 MEC K

Dispositivo 1 Dispositivo 2 Dispositivo norte Dispositivo 1 Dispositivo 2 Dispositivo norte Dispositivo 1 Dispositivo 2 Dispositivo norte

... ... ...

T1,1 T1,2
... T1, M T2,1 T, 2 2 . .. T2, M TN, 1 TN, 2
... TN, M T1,1 T1,2
... T1, M T2,1 T2,2
... T2, M TN, 1 TN, 2
... TN, M
T1,1 T1,2
... T1, M T2,1 T2,2
.. . T2, M TN, 1 TN, 2
... TN, M

Figura 3. Multi-nivel, multi-borde, multi-usuario, con arquitectura multi-tarea.

Al volver a calificar la simulación y los resultados para esta arquitectura, hay algunos problemas que deben manejarse para el
cálculo de la carga, que son:

• Problema de escalabilidad: En el entorno de múltiples bordes, el número de dispositivos de juegos de realidad virtual se vuelve grande, lo
que tiene más tareas de cálculo que necesitan ser descargadas y ejecutadas de forma remota. Al mismo tiempo, los servidores de
computación de borde móvil deberían proporcionar la escalabilidad de los recursos. Por tanto, debería diseñarse un algoritmo inteligente
para escalar los recursos de cálculo del servidor de borde sobrecargado utilizando los recursos de cálculo del servidor de borde vecino y el
servidor en la nube que están subcargados.

• Problema de equilibrio de carga: Como se mencionó anteriormente, los dispositivos de juego de realidad virtual se distribuyen a través de los servidores

de computación de borde. Además, debido a la distribución aleatoria de los usuarios, algunos de los servidores de borde estarán sobrecargados mientras

que otros servidores estarán subcargados. Como consecuencia,

Apl. Sci. 2020, 10, 5515 12 de 19

esto afectará el cálculo del proceso de descarga y puede dar lugar a una mala calidad del servicio y largas demoras debido a la congestión
de la red. Por lo tanto, es importante proponer un algoritmo eficiente para equilibrar la carga entre el servidor de borde y mejorar la calidad
del servicio para el usuario del dispositivo de juegos de realidad virtual.

• Problema de movilidad: En el entorno de múltiples bordes, cada dispositivo de juego de realidad virtual tiene la capacidad de salir y
salir dinámicamente entre los servidores de borde dentro de un cálculo del período de descarga que será interesante y técnicamente
desafiante, donde la decisión de descarga y la ubicación de ejecución se verán afectadas. Por lo tanto, se debe desarrollar un
enfoque inteligente para determinar el mejor lugar de ejecución para la tarea de cálculo en el que se minimizará el consumo general
en términos de tiempo y energía.

• Salida posible: Finalmente, si los problemas de escalabilidad, equilibrio de carga y movilidad se manejan como se mencionó
anteriormente, el modelo propuesto puede operar y derivar el cálculo de la decisión de descarga de una manera eficiente. Además, se
optimizará el costo total ponderado de todo el sistema en términos de energía y tiempo.

5. Resultados de la simulación e implementación de prototipos

5.1. Resultados de la simulación y discusión

En nuestra configuración de simulación, se utiliza un simulador basado en Python, en el que la computadora está equipada con Intel ©
R CPU Core (TM) i7-4770 con frecuencia de 3.4 GHz y capacidad de RAM de 8 GB con plataforma Windows 10 Professional de 64 bits.

Consideramos un sistema de computación en la nube de borde para múltiples tareas con un solo servidor en la nube, una sola estación base

pequeña, N = 20 dispositivos de realidad virtual y cada dispositivo tiene M = 5 tareas de cálculo independientes que se pueden ejecutar localmente o

descargar y procesar de forma remota en la estación base o el servidor en la nube disponibles. Cada tarea de cálculo tiene un tamaño de datos de

entrada que se distribuye uniformemente dentro del rango (5, 15) MB, mientras que se supone que el tamaño de los datos de salida es el 20% del

tamaño de los datos de entrada. Además, el número total de ciclos de CPU necesarios para completar cada tarea se asigna a 1500 ciclos / bit. La

capacidad computacional de la CPU de cada dispositivo de realidad virtual se distribuye uniformemente dentro del rango {0.5, 0.6,. . . , 1.0} GHz,

mientras que la capacidad computacional de la CPU del servidor de borde y la nube están configuradas en 20 y 50 GHz, respectivamente. El consumo

de energía de cálculo local por ciclo sigue una distribución uniforme en el rango (0,20 × 10 - 11) J / ciclo. Los otros ajustes de simulación empleados en

las simulaciones se resumen en la Tabla 2 .

Tabla 2. Parámetros de simulación.

Parámetro Valor

Número de dispositivos de realidad virtual N 20

Número de tareas de cálculo M Ancho de banda de 5
enlace ascendente B U
20 MHz
Ancho de banda de enlace descendente B D 40 MHz
Potencia de transmisión y recepción pag T Iy pag R I
100 mWatts
Ruido de fondo ω 0 - 100 dBm
Tamaño de datos de entrada a yo, j ( 5, 15) MB Unif-Dist
Tamaño de datos de salida B yo, j 0,2 a yo, j

Número de ciclos de CPU por bit C yo, j 1500 ciclos / bit

Capacidad de cálculo de cada dispositivo de realidad virtual F L
I
{ 0,5, 0,6,. . . , 1,0} GHz
Consumo de energía por ciclo de CPU ζ I ( 0, 20 x 10 - 11) J / ciclo
Pesos w t yo, j, w miyo, j
0,5

Capacidad de cálculo del servidor perimetral F 20 GHz

Capacidad de cálculo del servidor en la nube F 50 GHz
Retraso de propagación de la nube 15 ms
Apl. Sci. 2020, 10, 5515 13 de 19

Figura 4 muestra el consumo de energía de ejecutar las tareas de cálculo para los tres escenarios diferentes frente a los diferentes valores
de las capacidades de cálculo del servidor de borde. Se observa a partir de la figura que el consumo de energía para nuestro sistema propuesto
puede lograr el resultado más bajo. Específicamente, el escenario del servidor perimetral está disminuyendo a medida que la capacidad de cálculo
del servidor perimetral aumenta y se vuelve menor que el escenario de ejecución en la nube. Esto se debe a que el consumo de energía se reduce
a medida que se asignan más recursos al dispositivo de realidad virtual, mientras que la ejecución en la nube y los escenarios de ejecución local no
afectan porque no dependen de los recursos del servidor de borde. Además, nuestro sistema propuesto obtiene el mejor lugar de ejecución (es
decir, local, perimetral y en la nube).

44
Ejecución local
Ejecución del servidor perimetral
42
Ejecución en la nube

Sistema propuesto
40

38
Consumo de energía (julios)

36

34

32

30

28

26
20 30 40 50 60 70 80 90 100 110 120
Capacidad de cómputo del servidor perimetral (GHz)

Figura 4. Comparación del consumo de energía con diferentes valores de capacidad del servidor de borde.

Figura 5 presenta el tiempo de procesamiento de la ejecución de las tareas de cálculo para diferentes capacidades del servidor de borde. En esta figura

se ve que la ejecución de la nube y las políticas de ejecución local no se ven afectadas por la capacidad del servidor de borde, mientras que el tiempo de

ejecución de nuestro sistema propuesto y las políticas de servidor de borde disminuye gradualmente a medida que aumenta la capacidad del servidor de borde.

Esto se debe a la latencia más corta, ya que a los dispositivos de realidad virtual se les asignan más recursos.

10 6
2.2
Ejecución local
Ejecución del servidor perimetral
2 Ejecución en la nube

Sistema propuesto

1.8

1,6

1.4
Latencia (ms)

1.2

0.8

0,6

0.4
20 30 40 50 60 70 80 90 100 110 120
Capacidad de cómputo del servidor perimetral

Figura 5. Comparación de latencia bajo diferentes valores de capacidad del servidor de borde.
Apl. Sci. 2020, 10, 5515 14 de 19

El tiempo de procesamiento y el consumo de energía de ejecutar las tareas de cálculo sobre diferentes valores del tamaño de los datos de

entrada (el tamaño de los datos de entrada se distribuye uniformemente dentro del rango (0, i) MB donde i es el valor del eje x) se muestran en las

Figuras 6 y 7 , respectivamente. Se puede deducir de las cifras que el costo sabio (tiempo y energía) de nuestro sistema propuesto puede lograr un

mejor desempeño y mantener una sobrecarga más baja en comparación con las otras políticas. Además, la política de ejecución del borde excede la

ejecución local a medida que aumenta el tamaño de los datos (es decir, el tamaño de los datos> 8 MB). Esto se debe a que nuestro modelo propuesto

puede seleccionar algunas tareas apropiadas para ejecutarlas de forma remota (es decir, en el servidor de borde o en la nube) mientras rechaza otras

de una manera óptima, lo que minimiza el costo total de todo el sistema.

10 6
0,9

0.8

0,7

0,6

0,5
Latencia (ms)

0.4

0,3

0,2
Ejecución local
Ejecución del servidor perimetral
0,1 Ejecución en la nube

Sistema propuesto

0
2 3 4 5 6 7 8 9 10

Tamaño de datos promedio (MB)

Figura 6. Comparación de latencia bajo diferentes valores de tamaño de datos de entrada.

30

25
Consumo de energía (julios)

20

15

10 Ejecución local
Ejecución del servidor perimetral

Ejecución en la nube

Sistema propuesto

5
2 3 4 5 6 7 8 9 10
Tamaño de datos promedio (MB)

Figura 7. Comparación de latencia bajo diferentes valores de tamaño de datos de entrada.

5.2. Implementación y medidas de prototipos

El segmento de red incluye hardware y software como: tarjetas NI USRP, que brindan la capacidad de estudiar, analizar / emular de
manera eficiente redes LTE / LTE-A, 5G New Radio y otras tecnologías inalámbricas; Los paquetes de software GNU Radio, Amarisoft,
srsLTE brindan la oportunidad de estudiar / probar protocolos de red, tecnologías de señalización y acceso al canal de radio. Este
experimento
Apl. Sci. 2020, 10, 5515 15 de 19

se realiza con el paquete de software OpenAirInterface para la virtualización de componentes de comunicaciones móviles. Además, se
implementa un entorno virtual en el que vEPC, Amarisoft se instalan en forma de contenedores y máquinas virtuales para una
administración conveniente de la infraestructura, lo que hace posible emular componentes virtualizados de una red de acceso de radio
inalámbrica (HSS, vSGW, vPGW, vMME).

El prototipo desarrollado incluye red de transporte, red de transporte lógica que es el enlace entre el núcleo de la red y la red de
acceso por radio (RAN). Se basa en la tecnología SDN y tiene la capacidad de administrar todos los nodos de manera flexible y rápida.
Usando API, puede cambiar automáticamente la configuración según los requisitos, la segunda parte es la red central, que consta de un
segmento virtualizado. En esta parte, se pueden utilizar OpenAirInterFace, srsLTE, AMAISOFRT, openEPC. Cada elemento de esta zona
se puede representar como un contenedor de ventana acoplable y una máquina virtual, y la última parte es la red de acceso por radio, un
área que consta de sistemas de radio definidos por software (SDR) NI-USRP 2954R, en los que una red de acceso LTE, Se pueden
implementar nuevos Radio sub6, LoRa, NB-IoT, etc. Para la organización de la radio, las interfaces utilizadas son OpenAirInterface, GNU
Radio, Soluciones srsENB. Un modelo de red 5G NSA implementado incluye un conjunto de contenedores docker en los que se
empaquetan elementos de red y módulos de hardware SDR. Una imagen de Docker es un servicio con sus dependencias y bibliotecas
necesarias que están directamente relacionadas con la ejecución de la aplicación. Por ejemplo, para una ventana acoplable de elemento
HSS, el contenedor incluirá hss.h, security.h, etc. Cada contenedor se instala en VM independientes o en varios contenedores en una VM.
Es importante señalar que la interfaz N26 es una interfaz clave entre MME (EPC) y AMF como un punto de intercambio de señalización
para el control de radio de UE. Por lo tanto, estos dos elementos deben estar a una distancia suficiente para satisfacer las tareas de
sincronización. En nuestro caso, para los dispositivos de hardware de red utilizamos la radio definida por software (SDR). El programa de
control cuenta con una amplia gama de herramientas que se utilizan en nuestro laboratorio,

Como se muestra en la figura 8 , para realizar el sistema propuesto, utilizamos en nuestro prototipo lo siguiente
dispositivos:

• Alojamiento Edge:

- CPU CPU Intel (R) Xeon (R) E5-2620 v4 a 2,10 GHz,

- RAM 64 GB,

- GPU [GeForce GT 1030] por nodo.

• Nodo de red:

- LANNER x86,

- CPU CPU Intel (R) Xeon (R) E5-2620 v4 a 2,10 GHz,

- RAM 32 GB,

- Interfaz 10xSFP +,

- Interfaz virtual VLAN, QinQ.

Para crear una representación de clúster de aplicaciones de realidad virtual, utilizamos varios hosts EDGE con una interfaz entre hosts de

10GBE. Con una tarjeta gráfica de calidad media, se utilizó la GeForce GT 1030 como núcleo de renderizado.

Utilizando un clúster con un número diferente de nodos, medimos el consumo de energía promedio de un nodo por Mbps de
transferencia de información. Luego, después de renderizar, la imagen se transmite al dispositivo final. Tal construcción de la arquitectura
nos permitirá estudiar la demora promedio en la entrega de contenido en función del número de hosts EDGE en el clúster.

Durante los experimentos, se obtuvieron los siguientes resultados de los clústeres de computación de borde:

• Consumo de energía promedio de una computación de borde por un Mbps de transferencia de información.
Apl. Sci. 2020, 10, 5515 16 de 19

• La demora promedio entre el dispositivo final, el servidor de aplicaciones de realidad virtual, según la cantidad de hosts en el clúster de

procesamiento.

Figura 8. Arquitectura del sistema prototipo.

En general, el uso de la informática de borde en estaciones base o cerca de nodos de red aumenta el consumo de energía. Cuantos más
usuarios accedan a esta unidad, aumentará en ocasiones (Figura 9 ). Sin embargo, el precio de la electricidad cae anualmente y, al mismo tiempo,
aumenta el poder de las bases elementales.

Figura 9. Número total de usuarios.

Para mejorar la QoS de la aplicación VR, tenemos que resolver el problema del consumo de energía. En figura 10 , la dependencia del
retardo de respuesta del número de dispositivos en el clúster de renderizado de realidad virtual
Apl. Sci. 2020, 10, 5515 17 de 19

fue mostrado. En el caso del clúster más grande, la aplicación de realidad virtual se generará más rápido. Esto sucede debido a la computación del

paralelismo.

Figura 10. Anfitrión en clúster.

6. Conclusiones

En este estudio, propusimos un cálculo eficiente de múltiples jugadores del enfoque de fl oading para sistemas de computación de
nube de borde de realidad virtual. En primer lugar, el cálculo de la carga se formula como un problema de optimización de enteros cuyo
objetivo es minimizar el costo ponderado de todo el sistema en términos de tiempo y energía. Este modelo se considera consciente de la
latencia y la energía en el que puede seleccionar el lugar de ejecución para las tareas de computación de realidad virtual para lograr la
mejor eficiencia energética y de latencia. El sistema propuesto está integrado para lograr la mejor experiencia de usuario de realidad
virtual. Además, un cálculo multijugador de baja complejidad del algoritmo de descarga está diseñado para derivar el cálculo óptimo de la
decisión de descarga. Finalmente, este sistema se simula en un entorno confiable para varios escenarios de simulación. Finalmente,

27,2% y 10,9%, 12,2% en comparación con la ejecución en el borde y la nube, respectivamente.

En el trabajo en curso y futuro, se introducirá una nueva capa de compresión eficaz en la que los datos de descarga se comprimirán
en el estado de ancho de banda bajo utilizando un algoritmo eficiente. Por tanto, el tiempo y la energía de la comunicación se reducirán y
se mejorará el rendimiento de todo el sistema. Además, se considerará un caso más general donde existan servidores multi-edge y se
manejará el tema de movilidad para el dispositivo móvil en el que cada dispositivo móvil podrá salir y salir dinámicamente dentro de un
cálculo de período de carga, lo cual será interesante y técnicamente desafiante.

Contribuciones de autor: Conceptualización, AA (Abdullah Alshahrani) y AM; Análisis formal, AA (Adel Alshamrani); investigación, IAE; metodología, IAE;
software, AMA; supervisión, AM; validación,
AM y AA (Abdullah Alshahrani); redacción: borrador original, IAE y AM; redacción: revisión y edición,
AMA Todos los autores han leído y aceptado la versión publicada del manuscrito.

Fondos: Este trabajo fue financiado por el Decanato de Investigación Científica (DSR) de la Universidad de Jeddah, Jeddah, con la subvención No.
(UJ-02-037-DR). Los autores, por lo tanto, agradecen el apoyo técnico y financiero de DSR.

Conflictos de interés: Los autores declaran no tener ningún conflicto de intereses.

Apl. Sci. 2020, 10, 5515 18 de 19

Referencias

1. Jiang, D .; Liu, G. Una descripción general de los requisitos de 5G. En Comunicaciones móviles 5G; Springer: Berlín, Alemania, 2017; págs. 3-26.

2. Ateya, AA; Muthanna, A .; Makolkina, M .; Koucheryavy, A. Estudio de estandarización de servicios 5G: especi fi caciones y requisitos. En Actas del

Décimo Congreso Internacional de Telecomunicaciones Ultra Modernas y Sistemas y Talleres de Control (ICUMT) de 2018, Moscú, Rusia, 5 a 9 de

noviembre de 2018; págs. 1–6.

3. Vega, MT; Mehmli, T .; van der Hooft, J .; Wauters, T .; De Turck, F. Habilitación de la realidad virtual para la Internet táctil: obstáculos y

oportunidades. En Actas de la 14a Conferencia Internacional sobre Gestión de Redes y Servicios (CNSM) de 2018, Roma, Italia, 5 a 9 de noviembre

de 2018; págs. 378–383.

4. Jetter, J .; Eimecke, J .; Rese, A. Herramientas de realidad aumentada para aplicaciones industriales: ¿Cuáles son los posibles indicadores clave de rendimiento y

quién se beneficia? Computación. Tararear. Behav. 2018, 87, 18–33. [ CrossRef ]

5. Qiao, X .; Ren, P .; Dustdar, S .; Liu, L .; Ma, H .; Chen, J. Web AR: Un futuro prometedor para la realidad aumentada móvil: estado del arte, desafíos

y conocimientos. Proc. IEEE 2019, 107, 651–666. [ CrossRef ] Wang, X .; Ong, SK; Nee, AY Un estudio completo de la investigación de ensamblajes

6. de realidad aumentada. Adv. Manuf.

2016, 4, 1–22. [ CrossRef ]

7. Fraga-Lamas, P .; Fernández-Caramés, TM; Blanco-Novoa, Ó .; Vilar-Montesinos, MA Revisión sobre sistemas industriales de realidad aumentada

para el astillero de la industria 4.0. Acceso IEEE 2018, 6, 13358–13375. [ CrossRef ] Dilek, U .; Erol, M. Detectando posición usando ARKit. Phys. Educ. 2018,

8. 53, 025011. [ CrossRef ] Unión Internacional de Telecomunicaciones (UIT). Visión de las IMT: marco y objetivos generales del desarrollo futuro de las
9. IMT para 2020 y años posteriores; UIT, Comisiones de Estudio de Radiocomunicaciones: Ginebra, Suiza, 2015. 3GPP. Estudio de escenarios y
requisitos para tecnologías de acceso de próxima generación; 3GPP TR 38,913; ESTI: Sophia Antipolis, Francia, 2016.
10.

11. Khayyat, M .; Alshahrani, A .; Alharbi, S .; Elgendy, I .; Paramonov, A .; Koucheryavy, A. Aplicaciones de vehículos autónomos basados en

aprovisionamiento de servicios multinivel. Sustentabilidad 2020, 12, 2497. [ CrossRef ] Zhang, W .; Han, B .; Hui, P. Sobre los desafíos de la red de

12. realidad aumentada móvil. En Actas del Taller sobre Realidad Virtual y Red de Realidad Aumentada, Los Ángeles, CA, EE. UU., 21-25 de agosto de

2017; págs. 24-29.

13. Bastug, E .; Bennis, M .; Médard, M .; Debbah, M. Hacia una realidad virtual interconectada: oportunidades, desafíos y facilitadores. IEEE Commun.

revista 2017, 55, 110-117. [ CrossRef ]

14. Liu, Y .; Ling, J .; Shou, G .; Seah, HS; Hu, Y. Realidad aumentada basada en la integración de la informática de borde móvil y las redes de acceso

inalámbricas de fibra. En Actas del Taller internacional sobre tecnología de imagen avanzada (IWAIT), Singapur, 6 a 9 de enero de 2019; Sociedad

Internacional de Óptica y Fotónica: Bellingham, WA, EE. UU., 2019; Volumen 11049, pág. 110490M.

15. Erol-Kantarci, M .; Sukhmani, S. Almacenamiento en caché y computación en el borde para realidad aumentada móvil y realidad virtual (AR / VR) en

5G. En Redes Ad Hoc; Springer: Berlín, Alemania, 2018; págs. 169-177.

dieciséis. Khayyat, M .; Elgendy, IA; Muthanna, A .; Alshahrani, A .; Alharbi, S .; Koucheryavy, A. Flujo computacional avanzado basado en aprendizaje

profundo para redes de computación en la nube en el borde de vehículos de múltiples niveles.

Acceso IEEE 2020; doi: 10.1109 / ACCESS.2020.3011705. [ CrossRef ]

17. Hu, YC; Patel, M .; Sabella, D .; Sprecher, N .; Young, V. Informática de borde móvil: una tecnología clave hacia 5G. ETSI White Pap. 2015, 11, 1-16.

18. Mach, P .; Becvar, Z. Computación de borde móvil: una encuesta sobre arquitectura y cálculo de fl oading.

IEEE Commun. Surv. Tutor. 2017, 19, 1628-1656. [ CrossRef ]

19. Mao, Y .; Tú, C .; Zhang, J .; Huang, K .; Letaief, KB Una encuesta sobre computación de borde móvil: la perspectiva de la comunicación. IEEE

Commun. Surv. Tutor. 2017, 19, 2322–2358. [ CrossRef ] Liu, J .; Zhang, Q.

20. De esquemas de flujo en la informática de borde móvil para una latencia baja ultra confiable

Comunicaciones Acceso IEEE 2018, 6, 12825–12837. [ CrossRef ]

21. Yang, X .; Chen, Z .; Li, K .; Sun, Y .; Liu, N .; Xie, W .; Zhao, Y. Sistemas de computación de borde móvil con limitaciones de comunicación para

realidad virtual inalámbrica: programación y compensación. Acceso IEEE 2018, 6, 16665–16677. Huynh, LN; Pham, QV; Pham, XQ; Nguyen, TD;

22. Hossain, MD; Huh, EN Cálculo eficiente de la descarga en sistemas informáticos de borde de acceso múltiple de niveles múltiples: un enfoque de

optimización de enjambre de partículas.

Apl. Sci. 2020, 10, 203. [ CrossRef ]

Apl. Sci. 2020, 10, 5515 19 de 19

23. Keil, J .; Edler, D .; Dickmann, F. Preparación de HoloLens para estudios de usuarios: una interfaz de realidad aumentada para el ajuste espacial de

objetos holográficos en entornos interiores 3D. KN-J. Cartogr. Geogr. Inf. 2019,

69, 205–215. [ CrossRef ]

24. El futuro de la realidad: ¿aumentada, virtual o mixta? Disponible en linea: https://medium.com/@Unfoldlabs/

the-future-of-reality-augmentedvirtual-or-mixed-8687cc25ee48 (consultado el 6 de junio de 2020). Çöltekin, A .; Oprean, D .; Wallgrün, JO; Klippel, A. ¿Dónde

25. estamos ahora? Re-Visitando la Tierra Digital a través de Ambientes de Geovisualización de Realidad Virtual y Aumentada Centrados en el Hombre; Taylor
y Francis: Abingdon, Reino Unido, 2019; doi: 10.1080 / 17538947.2018.1560986. [ CrossRef ]

26. Clemm, A .; Vega, MT; Ravuri, HK; Wauters, T .; De Turck, F. Hacia una comunicación de tipo holográfico verdaderamente inmersiva: desafíos y

soluciones. IEEE Commun. revista 2020, 58, 93–99. [ CrossRef ]

27. DiVerdi, S .; Olwal, A .; Rakkolainen, I .; Höllerer, T. Una pantalla pseudo-3D inmaterial con interacción 3D. En Televisión tridimensional; Springer:

Berlín, Alemania, 2008; págs. 505–528. Realidad mixta con HoloLens. Disponible en linea: https://www.microsoft.com/en-us/hololens/whyhololens (consultado

28. el 6 de junio de 2020).

29. Liu, Y .; Dong, H .; Zhang, L .; El Saddik, A. Evaluación técnica de HoloLens para multimedia: una primera mirada.

IEEE MultiMedia 2018, 25, 8-18. [ CrossRef ]

30. Colman-Meixner, C .; Diogo, P .; Siddiqui, MS; Albanese, A .; Khalili, H .; Mavromatis, A .; Luca, L .; Ulisses, A .; Colom, J .; Nejabati, R .; et al.

Ciudad 5G: una arquitectura novedosa habilitada para 5G para medios inmersivos y de definición ultra alta en la infraestructura de la ciudad. En

Actas del Simposio Internacional IEEE 2018 sobre Sistemas Multimedia de Banda Ancha y Radiodifusión (BMSB), Valencia, España, 6 al 8 de junio

de 2018; págs. 1-5.

31. Elbamby, MS; Perfecto, C .; Bennis, M .; Doppler, K. La computación de borde se encuentra con la realidad virtual habilitada para ondas milimétricas:

allanando el camino para cortar el cable. En Actas de la Conferencia de Redes y Comunicaciones Inalámbricas (WCNC) IEEE 2018, Barcelona, España,

15-18 de abril de 2018; págs. 1–6.

32. Hou, X .; Lu, Y .; Dey, S. VR / AR inalámbrico con edge / cloud computing. En Actas de la 26ª Conferencia Internacional sobre Redes y

Comunicaciones Informáticas (ICCCN) de 2017, Vancouver, BC, Canadá, 31 de julio a 3 de agosto de 2017; págs. 1–8.

33. Schmoll, RS; Pandi, S .; Braun, PJ; Fitzek, FH Demostración de VR / AR de fl oding a la nube de borde móvil para una aplicación de juegos 5G de

baja latencia. En Actas de la 15a Conferencia Anual de Comunicaciones y Redes para el Consumidor (CCNC) de IEEE de 2018, Las Vegas, NV,

EE. UU., 12-15 de enero de 2018; págs. 1-3. Hsiao, TC; Tai, KY; Huang, YM; Chung, YF; Wu, YC; Kurniati, T .; Chen, TS Una implementación de un

34. método de control de acceso jerárquico eficiente para la plataforma VR / AR.

En Actas de la

2018 16ª Conferencia Internacional sobre Tecnologías y Aplicaciones Emergentes de eLearning (ICETA), Stary Smokovec, Eslovaquia, 15-16 de

noviembre de 2018; págs. 205–208.

35. Le, TT; Van Nguyen, D .; Ryu, ES Informática de fl oding sobre mmWave para VR móvil: Haga que la transmisión de video 360 viva. Acceso IEEE 2018,

6, 66576–66589. [ CrossRef ]
36. Viitanen, M .; Vanne, J .; Hämäläinen, TD; Kulmala, A. Esquema de renderizado de borde de baja latencia para juegos interactivos de realidad virtual

de 360 grados. En Actas de la 38.a Conferencia Internacional de IEEE 2018 sobre Sistemas de Computación Distribuida (ICDCS), Viena, Austria, 2

a 6 de julio de 2018; págs. 1557-1560.

37. Elgendy, IA; Zhang, W .; Tian, YC; Li, K. Asignación de recursos y cálculo de la carga con seguridad de datos para la informática de borde móvil. Future

Gener. Computación. Syst. 2019, 100, 531–541. [ CrossRef ] Lyu, X .; Tian, H.

38. Horizonte de retroceso adaptativo de la estrategia de inundación en un entorno dinámico.

IEEE Commun. Letón. 2016, 20, 878–881. [ CrossRef ]

39. Elgendy, IA; El-kawkagy, M .; Keshk, A. Un marco eficiente para mejorar el rendimiento de las aplicaciones móviles. En t. J. Digit. Content Technol.

Apl. (JDCTA) 2015, 9, 43–54.

40. Chen, X. Computación descentralizada del juego de fl oading para computación móvil en la nube. IEEE Trans. Distribución paralela. Syst. 2015, 26, 974–983.

doi: 10.1109 / TPDS.2014.2316834. [ CrossRef ]

41. Elgendy, I .; Zhang, W .; Liu, C .; Hsu, CH Un marco eficiente y seguro para la computación en nube móvil.

IEEE Trans. Computación en la nube. 2018. [ CrossRef ]

42. Stidsen, T .; Andersen, KA; Dammann, B. Un algoritmo de ramificación y enlace para una clase de programas de enteros mixtos biobjetivos. Manag.

Sci. 2014, 60, 1009–1032. [ CrossRef ]

©c 2020 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso abierto distribuido bajo
los términos y condiciones de la licencia Creative Commons Attribution (CC BY)

(http://creativecommons.org/licenses/by/4.0/).