[发明专利]一种用于降低云游戏中响应延迟的动态资源划分方法

说明书

一种用于降低云游戏中响应延迟的动态资源划分方法，适用于通过对服务器上的共享资源划分解决云游戏系统响应延迟过高的问题。包括：1、回归出云游戏系统中服务器上各个进程IPC与响应延迟的线性关系。2、测量各个进程在不同分组不同资源划分时的IPC数据。3、建立机器学习模型，对给定分组，给定资源划分下，分组中各进程IPC与对应权重相乘之和进行预测。4、使用启发式算法找到使响应延迟最低的分组方式。5、建立多智能体Q‑learning模型，多个智能体协同工作、动态地调整资源。6、训练模型，直至Q‑table收敛。本发明能够有效地对云游戏系统中服务器上的共享资源进行划分，从而降低云游戏系统中服务器端的响应延迟。

【技术领域】

本发明属于云游戏技术领域，特别地，涉及一种降低云游戏中响应延迟的动态资源划分方法。

【背景技术】

伴随着宽带网络速度的快速提升以及云计算技术的迅速发展，云游戏逐渐普及开来，被视为是未来游戏的趋势。在云游戏中，游戏运行在云服务器上，玩家通过瘦客机与游戏进行交互。云服务器将游戏画面编码成视频，通过网络传送给玩家，玩家在客户端解码、显示游戏画面，并将游戏操作命令发送到运行游戏的云服务器上。

云游戏有着传统主机游戏所不具备的优势。云游戏可以让玩家在任何时间、任何地点、任何设备上体验高质量的游戏。同时，云游戏将整个游戏运行的运算量都放到了云上，大大降低了高端游戏对终端设备的硬件需求。然而，云游戏在具有一系列显著优点的同时，也带来了较大的响应延迟，成为制约云游戏发展的关键因素。

众所周知，高端游戏对游戏的交互延迟非常敏感。云游戏中的交互延迟通常是由网络延迟(网络往返时间)、服务器端响应延迟(游戏渲染、视频采集和传输)和客户端播放延迟(视频解码和显示)三部分组成的。其中，服务器端响应延迟通常主导着交互延迟。因为包括游戏呈现、视频编码和传输任务在内的大部分计算都是在服务器端进行处理的。这严重影响了玩家的游戏体验。

现有的研究工作已经尝试从加速视频编码、预测渲染帧等多个方面来降低云游戏系统的响应延迟。其中，加速云游戏视频编码主要通过对游戏引擎和视频编解码器进行修改，将一些来自游戏引擎的信息直接输入到编解码器中来提高视频编码和解码的速度。这种方法可以使编码速度提高大约24％，但是需要对游戏引擎和编解码器进行修改。预测渲染帧技术将预测用户输入和投机执行相结合，对用户的输入进行预测并提前进行渲染出多个可能的游戏画面，然后根据用户的实际输入选择正确的画面，通过这种方法可以显著的提高游戏的流畅程度，但是会耗费较多的计算资源。以上的方法都可以有效的降低云游戏的响应延迟。然而，到目前为止，似乎还没有人考虑过通过对服务器上的共享资源进行划分来优化云游戏中的响应延迟。

【发明内容】

本发明的目的是解决现有云游戏系统响应延迟过高的问题，提供一种用于降低云游戏中响应延迟的动态资源划分方法，能够有效地对云游戏系统中服务器上的共享资源(CPU核、LLC)进行划分，降低服务器端响应延迟。

一种用于降低云游戏中响应延迟的动态资源划分方法。该方法的流程参照图1，其主要步骤包括：

步骤1(S1)，找到云游戏系统中服务器上各个进程IPC与响应延迟的关系，回归出各进程IPC与响应延迟的线性关系；

步骤2(S2)，测量各个进程在不同分组不同资源划分时单独的IPC数据，为接下来建立机器学习预测模型提供训练集；

步骤3(S3)，建立机器学习预测模型，对给定分组、给定资源划分下，分组中各进程IPC与对应权重相乘之和进行预测；

步骤4(S4)，根据机器学习预测模型的预测结果，使用启发式算法找到使响应延迟最低的分组方式；

步骤5(S5)，建立多智能体Q-learning模型，对于每一个进程组建立一个Q-table，多个智能体协同工作动态地调整资源；

步骤6(S6)，对多智能体Q-learning模型进行训练，直至Q-table收敛。