NeuralEmu：面向 5G 网络的即测量驱动、基于机器学习的高保真仿真
网络与互联网体系结构
2026-04-30 v1 机器学习
摘要
当前和未来的应用需求低延迟且持续的吞吐量，而这些应用频繁穿越 5G 蜂窝网络以应对包动态的波动，因为 5G 基站调度器会动态响应用户工作负载和无线信道条件。评估这些环境中网络算法的任务受限于现有工具：record-and-replay 仿真器与商业运营商专有 5G 调度器的反馈互动被切断，而全栈仿真器依赖过于简单化的调度逻辑。为弥合这一现实差距，我们提出 NeuralEmu，一种高保真、基于机器学习的仿真框架，直接从 extremely high-resolution 网络遥测工具中学习复杂 5G 调度器资源分配行为。NeuralEmu 是首个能够处理多个客户端的仿真器，利用机器学习基于瞬时用户缓冲占用和信道状态动态预测资源块分配和调制方案。为捕捉真实的跨用户争用，一个流量重建模型反向转换 5G 调度结果，以恢复无控制背景用户的底层流量模式。作为高性能 Linux 中间件仿真器实现，NeuralEmu 对各种网络应用（包括但不限于网页加载时间降低 55%、WebRTC 编码器比特率降低 57%、云游戏包单向延迟降低 51%）在仿真误差方面相对于最新技术显著改进，为明天的实时交互式网络协议和应用提供了一个准确、标准化的测试平台。
引用
@article{arxiv.2604.26080,
title = {NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation},
author = {Haoran Wan and Yaxiong Xie and Kyle Jamieson},
journal= {arXiv preprint arXiv:2604.26080},
year = {2026}
}