利用迁移学习生成用于移动应用测试的逼真云访问时间

网络服务质量（QoS）指标如访问时间、带宽和丢包率，在决定移动应用体验质量（QoE）方面起着重要作用。诸如无线资源控制（RRC）状态、移动网络运营商（MNO）特定的重传配置、由用户移动性触发的切换、网络负载等因素，会在 4G/LTE 和 WiFi 网络上导致这些 QoS 指标的高度变化，从而可能损害应用 QoE。因此，使移动应用暴露于逼真的网络 QoS 指标，对于试图预测其 QoE 的测试人员而言至关重要。一种可行的方法是使用合成轨迹进行测试。生成逼真合成轨迹的主要挑战在于环境的多样性以及缺乏广泛范围的真实轨迹来校准生成器。在本文中，我们描述了一种基于长短期记忆（LSTM）神经网络迁移学习的测量驱动方法来解决该问题。该方法仅需目标环境的相对较短样本即可使所提出的基础模型适配新环境，从而简化合成轨迹生成。我们展示了这一特性：针对多样目标环境适配的逼真 WiFi 与 LTE 云访问时间模型，其轨迹大小仅为在几十分钟内测量的 6000 个样本。我们证明，由这些模型生成的合成轨迹能够准确复现应用 QoE 指标分布及其离群值。