ResLearn-XR：面向扩展现实中的网络流量和体验质量感知建模的残差学习技术
arXiv:2609.04493v1 提出 ResLearn-XR，这是一种用于预测扩展现实（XR）网络流量并估算体验质量（QoE）风险的残差学习框架。该框架采用两阶段时序学习结构，包含基础序列预测模型与任务特定残差学习组件，分别在值空间和 logits 空间运行以应对 XR 流量的突发和非平稳特性。研究引入了数据描述算法（DDA），将数据包级应用层可观测特征转换为适用于加密流量分析的帧感知描述符，并构建了配对连续流量轨迹与会话级用户报告 QoE 标签的 XR 数据集。实验显示，ResLearn-XR 在帧数、帧大小及到达间隔预测中使 SMAPE 降低最高 17.84%，QoE 风险估算 SMAPE 较单阶段基线降低最高 87.8%。