ResLearn-XR: новый метод прогнозирования XR-трафика и оценки QoE в 8 раз точнее
На платформе arXiv опубликована статья о фреймворке ResLearn-XR, предназначенном для моделирования сетевого трафика Extended Reality (XR) и оценки качества пользовательского опыта (Quality-of-Experience, QoE). Разработка решает проблему нестабильного, скачкообразного характера трафика, характерного для VR/AR-приложений.
ResLearn-XR использует двухэтапную структуру обучения на временных последовательностях. Базовая модель предсказывает будущие значения, а дополнительные остаточные модули (residual learning) корректируют предсказания с учетом текущих изменений. Это позволяет точнее адаптироваться к резким колебаниям нагрузки, возникающим при работе XR-сервисов.
Оценка риска QoE выполняется в пространстве логитов отдельной ветвью, для которой разработан алгоритм DDA. Он преобразует наблюдаемые на прикладном уровне пакеты в признаки, связанные с таймингом кадров. Это важно для анализа зашифрованного трафика, когда содержимое пакетов недоступно.
Также авторы собрали набор данных, объединяющий непрерывные записи XR-трафика с сессионными оценками пользователей. На его основе ResLearn-XR продемонстрировал снижение ошибки SMAPE до 17,84% для прогноза числа кадров, их размера и интервалов между ними. При оценке риска QoE ошибка снизилась на 87,8% по сравнению с одноступенчатыми базовыми моделями.
