基于边缘智能的云游戏资源管理平台
电子工程学院
5G时代到来后，云游戏发展迅速，变得越来越成熟。云游戏本质上是可以与用户产生交互的在线视频流，即在服务器端运行游戏程序，并通过网络将呈现的流媒体压缩并发送给用户。云游戏区别于普通游戏的强大之处在于其能够做到减少用户开销、提升内容体验、实现跨平台游戏以及防止盗版外挂等。
云游戏当前市场规模增长十分迅猛，发展前景十分广阔。据数据显示，自2018年以来，中国国内云游戏市场规模及云游戏用户数量每年都呈现上升趋势：2021年云游戏市场规模首次突破100亿人民币，达到193亿的超大规模，且每年的增长速率都超过了100%；同时国内云游戏玩家的用户数量也是逐年增长，如2019年的用户数量首次超过一亿达到1.33亿人，相较于2018年的0.63亿人增幅达到了111%。
云游戏最为重要的技术是虚拟化与池化技术，本文主要研究的是池化技术的优化。游戏池化需要两步，第一步为游戏流量序列预测问题，第二步为根据预测所得结果，对云游戏缓存资源进行池化管理问题。传统的云游戏池化技术采用预先设定池化队列长度，或者动态调整池化队列长度，这无法满足用户请求量的快速升高和下降。因此本文利用LSTM算法和transformer算法，在云游戏环境下构建出一种新的、更为高效的池化预测模型，该模型相较于现有算法具有更强的适应性，在不同游戏数据集之间频繁切换的背景下，能够表现出更高的泛化性，提升了池化命中率和游戏打开速度，优化了用户体验，并降低了池化浪费率，节约成本。
本篇主要内容如下所示：
针对游戏流量预测，选用并比较了差分自回归移动平均模型（ARIMA）、长短时记忆神经网络(LSTM)、transformer模型三种模型进行流量时间序列预测。实验在校企合作项目中企业提供的实际数据集上展开。
为解决单一的深度学习算法不足以满足大量游戏流量的预测的情况，对LSTM模型进行进一步改进，对其添加时间特征，引入迁移学习，加入粒子群算法，旨在提升其模型预测准确度和自动化，实验结果表明迁移后的模型能够较好的预测流量数据。
为解决无法充分利用多地数据进行模型协同训练的问题，本文提出了一种基于LSTM 的联邦学习模型，将不同地区训练好的模型参数上传到中心服务器进行融合，实现对模型预测性能的提升。实验结果显示新得到模型的整体预测效果优于联邦学习前各个模型各自的预测效果。
针对云游戏资源缓存管理，根据预测得到的流量数据，对云游戏进行池化操作处理。同时，为以上内容设计美观、大方的UI，以便作品进行可视化展示。
