ResLearn：基于 Transformer 的残差学习用于元宇宙网络流量预测
人工智能
2024-11-20 v1 信号处理
摘要
我们的工作提出了一个预测元宇宙网络流量的综合解决方案，以应对扩展现实（XR）服务中对智能资源管理日益增长的需求。我们首先引入了一个最先进的测试平台，捕获了虚拟现实（VR）、增强现实（AR）和混合现实（MR）流量的真实世界数据集，并将其开放供进一步研究。为了提高预测精度，我们随后提出了一种新颖的视图帧（VF）算法，该算法能够在确保隐私合规的同时从流量中准确识别视频帧，并开发了一种基于 Transformer 的渐进式误差学习算法，称为 ResLearn，用于元宇宙流量预测。ResLearn 通过使用全连接神经网络来减少误差，显著改善了时间序列预测，特别是在流量高峰期，其表现比先前的工作提高了 99%。我们的贡献为互联网服务提供商（ISP）提供了用于实时网络管理的稳健工具，以满足服务质量（QoS）并提升元宇宙中的用户体验。
引用
@article{arxiv.2411.11894,
title = {ResLearn: Transformer-based Residual Learning for Metaverse Network Traffic Prediction},
author = {Yoga Suhas Kuruba Manjunath and Mathew Szymanowski and Austin Wissborn and Mushu Li and Lian Zhao and Xiao-Ping Zhang},
journal= {arXiv preprint arXiv:2411.11894},
year = {2024}
}