XR流量预测误差直降87.8%！残差学习新框架ResLearn-XR来了
ResLearn-XR: Residual Learning for Network Traffic and Quality-of-Experience-Aware Modeling in Extended Reality
📖 AI 总结
本文介绍了一项名为ResLearn-XR的残差学习框架，用于预测扩展现实（XR）网络流量并评估体验质量（QoE）风险。该框架采用两阶段时序学习结构，将基础序列预测模型与任务特定的残差学习组件相结合，以应对XR流量突发性强、非平稳的动态特征。残差学习分别在值空间和逻辑空间操作，前者用于连续流量预测，后者用于概率性QoE风险评估。研究还引入了数据描述符算法（DDA），可将数据包级应用层观测转化为帧时序感知描述符，适用于加密流量分析，并构建了配对连续流量轨迹与用户报告QoE标签的XR流量-QoE数据集。实验结果显示，ResLearn-XR在帧数、帧大小和到达间隔预测上SMAPE最多降低17.84%，QoE风险评估SMAPE较单阶段基线最多降低87.8%，显著提升了XR网络建模的准确性。
🔑 关键词速览
| ResLearn-XR | 一种用于XR网络流量预测和QoE风险评估的残差学习框架。 |
| 残差学习 | 一种通过添加残差连接或残差组件来增强模型预测能力的学习方法。 |
| QoE风险 | 体验质量风险，指用户对服务体验可能下降的概率性评估。 |
| 数据描述符算法（DDA） | 一种因果特征构建模块，将数据包级观测转换为帧时序感知描述符，用于加密流量分析。 |
| SMAPE | 对称平均绝对百分比误差，一种衡量预测准确度的指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅