面向5G用户设备业务感知功耗优化的三阶段终端侧机器学习流水线

《IEEE Access》：A Three-Stage On-Device Machine Learning Pipeline for Service-Aware Power Optimization in 5G User Equipment

　　

摘要：下一代无线通信技术（如5G）的发展使得超可靠低时延通信（Ultra-Reliable Low-Latency Communication, URLLC）和增强移动宽带（Enhanced Mobile Broadband, eMBB）资源得以利用。为提升用户感知性能即体验质量（Quality of Experience, QoE），需依据应用特定需求合理分配网络资源给各应用，因此在用户设备（User Equipment, UE）层面进行智能资源管理日益必要。研究人员提出一种面向5G UE业务感知功耗优化的三阶段端侧机器学习（On-Device Machine Learning）流水线。该流水线由三部分组成：（1）流量分类器（Traffic Classifier，基于XGBoost），对实时（Real-Time, RT）/非实时（Non-Real-Time, NRT）流量进行实时二分类；（2）无数据预测器（NO-DATA Predictor，基于知识蒸馏Knowledge Distillation压缩得到的Student型逻辑回归Student-LogReg），预测NRT会话中的流量空闲（NO-DATA）区间；（3）有限状态机（Finite State Machine, FSM）控制器，在预测到NO-DATA概率P(NO-DATA) ≥ 0.80连续两个时隙时暂停分类器推理，当P(NO-DATA) < 0.60时在一个时隙内恢复。基于韩国KT 5G独立组网（Standalone, SA）商用网络流量的实验评估表明，该框架在保持QoE错误率0.26％、零重新分类（RECLASSIFY）事件的前提下，减少61.42％的分类器推理调用次数；预测器的DATA召回率（DATA Recall）达98.35％，有效防止分类器误分类。该方案为资源受限的端侧环境实现应用感知、高能效的网络管理提供了可行解决途径。为验证泛化性，流水线被植入自研Android测量应用，在六国（韩国、日本、澳大利亚、墨西哥、巴西、英国）七款三星Galaxy机型商用网络上实地测试，获得28组测量……

论文解读：《A Three-Stage On-Device Machine Learning Pipeline for Service-Aware Power Optimization in 5G User Equipment》（发表于IEEE Access）

一、研究背景与立题依据

随着5G用户数预计在2030年达63亿、5G流量占比升至80％，支持超可靠低时延通信（URLLC）与增强移动宽带（eMBB）的高需求服务（扩展现实XR、云游戏、超高清流媒体）使智能手机蜂窝通信模块功耗显著上升。用户设备（User Equipment, UE）为支持大带宽与多输入多输出（Multiple-Input Multiple-Output, MIMO）层持续激活射频（Radio Frequency, RF）电路，尤其当低吞吐量应用运行于高性能配置下时产生无意义能耗。传统端口（Port-based）与载荷（Payload-based / 深度包检测Deep Packet Inspection, DPI）流量分类法在加密普及后失效，基于统计特征的机器学习流量分类成为主流，但持续运行复杂分类模型本身也会带来端侧计算开销。3GPP连接态非连续接收（Connected-mode Discontinuous Reception, C-DRX）可在物理层令RF进入休眠，却未涉及上层机器学习推理层的能耗管理。现有研究多聚焦网络配置层节能或单独提升分类/预测精度，缺乏将流量分类、空闲区间预测与推理门控相结合且在多国商用5G网络实地验证的端侧方案。因此，研究人员提出一种三阶段端侧机器学习流水线，在保障QoE前提下大幅削减分类器推理调用以降低UE电流消耗。

二、主要关键技术方法

研究人员采用IEEE DataPort公开的韩国商用5G网络流量数据集（共328小时，含直播流、点播流、视频会议、在线游戏、云游戏等六类应用），按会话边界时序切分为训练集60％、验证集20％、测试集20％以防止时间泄露。特征提取选用包到达间隔时间（Inter-Arrival Time, IAT）、吞吐量（Throughput）、包长、方向比（Directional Ratio，上行UL/总量）及传输层协议分布（TCP/QUIC/UDP），均无需解密载荷。流量分类器选用XGBoost进行RT（实时：视频会议、云游戏、直播）/ NRT（非实时：点播流）二分类，以实时假负例（RT-FN，将RT误分为NRT）为首要最小化目标。NO-DATA预测器以教师—时态卷积网络（Temporal Convolutional Network, TCN）经知识蒸馏（Knowledge Distillation, KD）压缩为学生逻辑回归（Student-LogReg），输入长度W＝20秒滑动窗口的NRT流量统计特征，二分类预测未来3秒内是否出现NO-DATA区间，以DATA FN（漏检数据到来）为首要抑制目标。有限状态机（Finite State Machine, FSM）控制器设定双阈值门控：连续两时隙P(NO-DATA) ≥ 0.80进入PAUSE挂起分类器（预测器持续运行），P(NO-DATA) ＜ 0.60或连续三时隙检测到DATA则触发RECLASSIFY恢复RUN态。整套流水线以ONNX Runtime嵌入Android前台服务，在七款Samsung Galaxy终端、六国（含英国5G SA网）商用载波实地部署验证。

三、研究结果

SECTION I. Introduction（引言）

研究人员指出5G流量激增致网络拥塞与UE发热，传统分类法失效，引出端侧ML流量分类必要性，阐明所提三阶段流水线（分类器＋预测器＋FSM控制器）基本构思，并归纳三点主要贡献：分层推理门控架构、知识蒸馏极轻量预测模型、以NRT-FP最小化为目标的业务感知FSM。

SECTION II. Related Work（相关工作）

梳理5G/6G中eMBB与URLLC并存、C-DRX与UE辅助信息（UE Assistance Information, UAI）省电机制、端口/DPI分类局限及ML/DL（XGBoost、RNN/LSTM）流量分类进展、知识蒸馏等TinyML压缩手段，以及基于ARIMA/TCN的流量预测与C-DRX定时器优化研究，指出现有工作未同时实现ML推理层调用削减、QoE量化评估及多国实机验证。

SECTION III. System Architecture and Dataset（系统架构与数据集）

系统由Traffic Classifier（XGBoost，RT/NRT二分类）、NO-DATA Predictor（Student-LogReg via KD，仅作用于NRT时隙）及FSM Controller（PAUSE/RESUME/RECLASSIFY）构成。数据集来自韩国运营商采集的六类应用流量，按会话做时间顺序切分防泄露，NO-DATA与DATA类别不平衡用1:2.06类权重平衡。特征选取IAT、下行（Downlink, DL）比特率、包长、方向比、协议分布，均可从加密流时间戳提取。

SECTION IV. System Implementation and Testing（系统实现与测试）

—Traffic Classifier：对比XGBoost、LightGBM、HistGB、Random Forest，XGBoost在RT-FN最低可接受基础上NRT-FP（将NRT误分为RT致过早退出PAUSE）最少且ROC-AUC最优，选为最终分类器（测试集准确率≈96.9％）。

—Traffic Predictor：对比LogReg、Student-LogReg(KD)、多层感知机（Multilayer Perceptron, MLP）、TCN，搜索滑动窗口W∈{5,10,15,20,25}s；W＝20 s时Student-LogReg(KD) DATA Recall＝98.35％、DATA FN＝13为最优，模型仅7.1 KB。

—FSM Controller：仿真显示Student-LogReg(KD)方案分类器调用削减61.42％，QoE错误率0.26％，RECLASSIFY事件0次；优于固定跳窗（Fixed-Window-Skip，错率5.77％）且仅略低于Oracle上界（92.62％），证明门控策略在节能与QoE间取得Pareto优势。

SECTION V. On-Device Validation（端侧验证）

定制Android测量应用（minSdk 26, targetSdk 34, ONNX Runtime 1.17.0）在七款Galaxy机型、六国（韩/日/澳/墨/巴/英，含英国EE的5G SA）八家运营商商用网执行29场次测试。分类器均值推理延迟0.75 ms、预测器0.88 ms，模型总占398.8 KB。所有场次RECLASSIFY＝0；NRT应用（YouTube/Netflix）平均分类器调用削减46.1％，RT应用（YouTube Live/Zoom）平均33.2％；LG U+网YouTube达60.4％（与仿真基准61.42％相差1.02百分点），英国5G SA网下YouTube 48.5％、Netflix 45.7％、YouTube Live 50.7％，证实方案跨无线接入技术（Radio Access Technology, RAT）与跨国商用网泛化能力。

SECTION VI. Conclusion and Future Work（结论与展望）

研究人员得出结论：所提三阶段端侧ML流水线在真实5G NSA/SA商用网中以零RECLASSIFY事件、QoE错误率0.26％实现分类器推理调用削减61.42％（实地NRT均值46.1％），其载波无关设计依赖流量统计量故具跨国泛化性。局限含通过Android BatteryManager API测电流（待Monsoon等硬件级计量）、5G SA样本偏少、FSM参数未按业务自适应调优。未来拟开展硬件电流仪直接测量、扩大5G SA重训评测、基于强化学习（Reinforcement Learning, RL）的自适应FSM控制器。

四、研究结论（翻译结论核心内容）

本研究提出并验证了面向5G用户设备业务感知功耗优化的三阶段端侧机器学习流水线，含流量分类器（XGBoost）、NO-DATA预测器（经知识蒸馏的学生逻辑回归）及有限状态机控制器。该流水线在保持QoE错误率0.26％与零RECLASSIFY事件的同时减少61.42％的分类器推理调用。61.42％的削减源于预测器可提前20秒预判NO-DATA时段以实现 preemptive PAUSE；0.26％ QoE错误率得益于FSM的RECLASSIFY机制可在至多三个时隙内纠正RT误分为NRT的情形；跨国泛化性来自FSM与载波参数无关的纯流量统计设计。实地部署于定制Android测量应用在七款三星Galaxy机型、六国商用5G NSA与SA网络，28场测试RECLASSIFY均为0，削减率19.6％～60.4％（LG U+/YouTube 60.4％，与仿真基准差1.02百分点），NRT应用均值46.1％高于RT应用33.2％（差12.9百分点），验证了方案在多国异质载波下的稳定性。