Emerging applications such as Augmented Reality, the Internet of Vehicles and Remote Surgery require both computing and networking functions working in harmony. The End-to-end (E2E) quality of experience (QoE) for these applications depends on the synchronous allocation of networking and computing resources. However, the relationship between the resources and the E2E QoE outcomes is typically stochastic and non-linear. In order to make efficient resource allocation decisions, it is essential to model these relationships. This article presents a novel machine-learning based approach to learn these relationships and concurrently orchestrate both resources for this purpose. The machine learning models further help make robust allocation decisions regarding stochastic variations and simplify robust optimization to a conventional constrained optimization. When resources are insufficient to accommodate all application requirements, our framework supports executing some of the applications with minimal degradation (graceful degradation) of E2E QoE. We also show how we can implement the learning and optimization methods in a distributed fashion by the Software-Defined Network (SDN) and Kubernetes technologies. Our results show that deep learning-based modeling achieves E2E QoE with approximately 99.8% accuracy, and our robust joint-optimization technique allocates resources efficiently when compared to existing differential services alternatives.

中文翻译：

---

通过回程无线接入网络实现支持 AI 的强大端到端体验质量

增强现实、车联网和远程手术等新兴应用需要计算和网络功能协同工作。这些应用程序的端到端 (E2E) 体验质量 (QoE) 取决于网络和计算资源的同步分配。然而，资源和 E2E QoE 结果之间的关系通常是随机的和非线性的。为了做出有效的资源分配决策，必须对这些关系进行建模。本文提出了一种新颖的基于机器学习的方法来学习这些关系并为此目的同时协调这两种资源。机器学习模型进一步帮助做出关于随机变化的稳健分配决策，并将稳健优化简化为传统的约束优化。当资源不足以满足所有应用程序需求时，我们的框架支持以最小的 E2E QoE 降级（优雅降级）执行一些应用程序。我们还展示了如何通过软件定义网络 (SDN) 和 Kubernetes 技术以分布式方式实施学习和优化方法。我们的结果表明，基于深度学习的建模以大约 99.8% 的准确率实现了 E2E QoE，并且与现有的差分服务替代方案相比，我们强大的联合优化技术可以有效地分配资源。当资源不足以满足所有应用程序需求时，我们的框架支持以最小的 E2E QoE 降级（优雅降级）执行一些应用程序。我们还展示了如何通过软件定义网络 (SDN) 和 Kubernetes 技术以分布式方式实施学习和优化方法。我们的结果表明，基于深度学习的建模以大约 99.8% 的准确率实现了 E2E QoE，并且与现有的差分服务替代方案相比，我们强大的联合优化技术可以有效地分配资源。当资源不足以满足所有应用程序需求时，我们的框架支持以最小的 E2E QoE 降级（优雅降级）执行一些应用程序。我们还展示了如何通过软件定义网络 (SDN) 和 Kubernetes 技术以分布式方式实施学习和优化方法。我们的结果表明，基于深度学习的建模以大约 99.8% 的准确率实现了 E2E QoE，并且与现有的差分服务替代方案相比，我们强大的联合优化技术可以有效地分配资源。我们还展示了如何通过软件定义网络 (SDN) 和 Kubernetes 技术以分布式方式实施学习和优化方法。我们的结果表明，基于深度学习的建模以大约 99.8% 的准确率实现了 E2E QoE，并且与现有的差分服务替代方案相比，我们强大的联合优化技术可以有效地分配资源。我们还展示了如何通过软件定义网络 (SDN) 和 Kubernetes 技术以分布式方式实施学习和优化方法。我们的结果表明，基于深度学习的建模以大约 99.8% 的准确率实现了 E2E QoE，并且与现有的差分服务替代方案相比，我们强大的联合优化技术可以有效地分配资源。