真实移动网络中 VoIP 流量的多变量时间序列表征与预测
网络与互联网体系结构
2023-07-14 v1 机器学习
机器学习
摘要
预测移动场景下的实时流量（如 VoIP）行为，有助于运营商更好地规划网络基础设施并优化资源分配。为此，本文针对真实移动环境中的 VoIP 流量，提出对其关键 QoS/QoE 描述符（其中部分在技术文献中被忽视）的预测分析。该问题被形式化为多变量时间序列分析。这种形式化方法能够发现并建模各描述符之间的时间关系，并预测它们在未来时段的行为。研究采用向量自回归模型以及机器学习（基于深度与基于树）方法，通过将多变量时间序列问题重构为监督学习问题，在性能与时间复杂度方面进行了对比。此外，还进行了一系列辅助分析（平稳性、正交脉冲响应等），以揭示时间序列的分析结构并深入理解其相互关系。整个理论分析均有实验支撑：我们在真实世界的 LTE-Advanced 环境中开展了一系列试验，收集、后处理并分析了约 600,000 个语音数据包，按流组织并依据编解码器区分。
引用
@article{arxiv.2307.06645,
title = {Multivariate Time Series characterization and forecasting of VoIP traffic in real mobile networks},
author = {Mario Di Mauro and Giovanni Galatro and Fabio Postiglione and Wei Song and Antonio Liotta},
journal= {arXiv preprint arXiv:2307.06645},
year = {2023}
}
备注
15 pages