Orquestração de Multimídia Imersiva Baseada em Aprendizado por Reforço Profundo em Computação Local e de Borda Ciente de Energia

• David Galhego UFPA https://orcid.org/0009-0005-1211-6400
• Matheus Brito UFPA https://orcid.org/0000-0002-9299-3243
• Hugo Santos UEPA https://orcid.org/0000-0002-3189-0291
• Iago Medeiros UFPA https://orcid.org/0000-0003-4758-0519
• Denis Rosário UFPA https://orcid.org/0000-0003-1119-2450
• Eduardo Cerqueira UFPA https://orcid.org/0000-0003-2162-6523

DOI: https://doi.org/10.5753/sbrc_estendido.2026.22955

Resumo

A adoção crescente de Sistemas Multimídia Imersivos (IMS) exige latências ultrabaixas para evitar o cyber-sickness em dispositivos móveis com bateria e processamento limitados. Para mitigar essas restrições, a implementação da computação de borda multi-acesso (MEC) surge como uma arquitetura viável. Neste contexto, este artigo analisa o problema de alocação de recursos e orquestração de microsserviços sob restrições de energia e atraso. Avaliam-se modelos de orquestração cientes de energia, sendo três deles baseados em Aprendizado por Reforço Profundo (DRL), integrando custos computacionais, de cache e de comunicação. Apresenta-se uma análise dos trade-offs entre o uso de CPU e a aceleração em GPU, viabilizada por uma técnica de mascaramento de ações. Experimentos demonstram que a abordagem proposta atinge uma taxa de aceitação superior a 95% e reduz o consumo de energia móvel em até 30.8%, mantendo a latência mediana em ≈ 10.6 ms e um alto nível de equidade (Índice de Justiça de Jain ≈ 0.93).

Referências

Brito, M., Flexa, R., Santos, H., Vieira, D., Rosário, D., and Cerqueira, E. (2025). An efficient and resilient mechanism for immersive service using microservice chaining. In 2025 IEEE Symposium on Computers and Communications (ISCC), pages 1–6. IEEE.

Dang, A. K., Khalifé, H., Sintorn, M., Rovedakis, S., and Secci, S. (2025). Data-driven energy optimization in mobile networks with user experience guarantees. In IEEE INFOCOM 2025. IEEE.

Huang, S. and Ontañón, S. (2020). A closer look at invalid action masking in policy gradient algorithms. arXiv preprint arXiv:2006.14171.

Liang, J., Li, W., and Leung, V. C. (2025). Stateful virtual network function decomposition and deployment with reliability guarantee in edge networks. IEEE Transactions on Network and Service Management.

Liu, X., Yang, J., Zou, C., Chen, Q., Yan, X., Chen, Y., and Cai, C. (2021). Collaborative edge computing with fpga-based cnn accelerators for energy-efficient and time-aware face tracking system. IEEE Transactions on Computational Social Systems, 9(1):252–266.

Rauschnabel, P. A., Felix, R., Hinsch, C., Shahab, H., and Alt, F. (2022). What is xr? towards a framework for augmented and virtual reality. Computers in Human Behavior, 133:107289.

Santos, J., Van Damme, S., Sameri, J., Schwarzmann, S., Wei, Q., Trivisonno, R., De Turck, F., and Vega, M. (2025a). Leveraging user perception for 6g edge-cloud orchestration of networked extended reality. IEEE Communications Magazine.

Santos, J., Zaccarini, M., Poltronieri, F., Tortonesi, M., Stefanelli, C., Di Cicco, N., and De Turck, F. (2025b). Hephaestusforge: Optimal microservice deployment across the compute continuum via reinforcement learning. Future Generation Computer Systems, 166:107680.

Wang, L., Liu, X., Ding, H., Hu, Y., Peng, K., and Hu, M. (2025). Energy-delay-aware joint microservice deployment and request routing with dvfs in edge: a reinforcement learning approach. IEEE Transactions on Computers.

Yuan, M., Yu, Q., Zhang, L., Lu, S., Li, Z., and Pei, F. (2025). Deep reinforcement learning based proximal policy optimization algorithm for dynamic job shop scheduling. Computers & Operations Research, page 107149.

Zhang, X., Huang, Z., Huang, L., and Yang, H. (2024). Resource allocation strategy based on service function chaining in multi-access edge computing network. Journal of King Saud University-Computer and Information Sciences, 36:102001.