面向 XR 服务的 ML 驱动 KQI 估计：以 360-Video 为例
网络与互联网体系结构
2022-12-26 v1 机器学习
摘要
XR 等尖端技术与服务的出现有望改变日常事务的处理方式。与此同时，现代去中心化架构方法的出现催生了 5G 等新一代移动网络，并为 B5G 及后续网络勾勒了路线图。这些网络有望成为实现元宇宙和其他未来构想的推动者。在此意义上，本工作提出了一个基于 ML（Machine Learning，机器学习）的框架，用于估计业务关键质量指标（KQI）。为此，仅需要运营商可获取的信息，例如这些网络的统计数据和配置参数。该策略避免运营商侵入用户数据并保障隐私。为验证该方案，选取 360-Video 作为虚拟现实（VR）的用例，从中估计视频分辨率、帧率、初始启动时间、吞吐量和延迟等具体 KQI。为每个 KQI 选择最佳模型时，使用了带交叉验证策略的搜索网格以确定最佳超参数调优。为促进各 KQI 模型的构建，采用了特征工程技术与交叉验证策略。性能使用 MAE（Mean Average Error，平均绝对误差）和预测时间评估。结果表明，KNR（K-Near Neighbors，K近邻）和 RF（Random Forest，随机森林）结合特征选择技术是最佳算法。此外，本工作将作为基于 E2E-Quality-of-Experience 的网络管理的基线，与网络切片、虚拟化和 MEC 等其他使能技术协同工作。
引用
@article{arxiv.2212.12002,
title = {ML-powered KQI estimation for XR services. A case study on 360-Video},
author = {O. S. Peñaherrera-Pulla and Carlos Baena and Sergio Fortes and Raquel Barco},
journal= {arXiv preprint arXiv:2212.12002},
year = {2022}
}
备注
This article has been submitted to Elsevier for possible publication. Copyright may be transferred without notice and this version might not be longer available