风险受控的吞吐量预测何时才能真正控制风险？一项针对 LEO 卫星链路的复现研究

基于风险预算的吞吐量预测将 LEO 卫星容量的点预测转换为保守界限，并将其高估率控制在用户指定的预算内，使准入控制能够安全地据此决策。我们在 BG-CFQS 作者使用的三组 Starlink 轨迹数据及独立的第四个数据集上复现了这一当前最先进的方法，并报告四项发现。第一，其风险保证可以复现，但取决于校准数据的划分方式：采用随机划分时，我们复现了所有已发表的数值结果，包括在全部三个数据集上通过风险检验；但采用部署后的终端实际面临的连续时间划分时，该保证仅在三个数据集中的一个上成立。第二，无论采用何种划分，该方法都无法满足低于 0.15 的风险预算，因为 0.15 是其候选分位数集合的下限。在全部四个数据集上，风险预算为 0.05、0.10 和 0.15 时，实际高估率均相同；在最严格的预算下，实际高估率达到预算的 1.4 至 3.7 倍。第三，静态保形校准无法改善排序，只能移动工作点；我们在延迟突增检测中精确验证了这一点，而在线校准可将 AUPRC 提高多达 51%。第四，组条件在线再校准可拆分为两种机制。在线部分的效果可以复现：在预算从 0.05 到 0.35 的范围内，它能将预算跟踪误差控制在 1% 以内，而静态校准的偏差为 16% 至 21%。组条件部分的效果则无法复现：在四个数据集中的三个上，以任何可用协变量为条件，包括实测的服务卫星几何关系，效果都不如不设条件；我们尝试预测哪些数据集会受益，但未能成功。本研究的创新在于实证发现，而非算法：我们主张的贡献是这些发现，而不是所用方法。