Συλλογές	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations
Τίτλος	Quality-of-Service assessment on YouTube video streaming on encrypted network traffic and machine learning approach to classify key quality indicators
Εναλλακτικός τίτλος	Αξιολόγηση της ποιότητας που λαμβάνει ο χρήστης στις εφαρμογές συνεχούς ροής βίντεο του YouTube και δημιουργία μοντέλου μηχανικής μάθησης για την πρόβλεψη προβλημάτων στη ροή των βίντεο
Δημιουργός	Αγγελούδης, Γεώργιος
Συντελεστής	Κουτσόπουλος, Ιορδάνης Αργυρόπουλος, Σάββας Πολύζος, Γεώργιος Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής
Τύπος	Text
Φυσική περιγραφή	47 p.
Γλώσσα	en
Περίληψη	Video streaming applications generate the most internet traffic today. Consequently, monitoring and management of video streaming quality has gained a significant importance in the recent years. The disturbances in the video, such as, amount of buffering and bitrate adaptations affect user Quality of Service (QoS). Network operators usually monitor such events from network traffic with the help of Deep Packet Inspection (DPI). However, it is becoming difficult to monitor such events due to the traffic encryption. To address this challenge, this thesis work makes the key contribution to present a test-bed, which performs automated video streaming tests under controlled time-varying network conditions and measures performance at network and application level. In other words, the objective is to monitor encrypted YouTube traffic (in HTTPS/QUIC) and extract information about the Key Quality Indicators (KQIs), such as startup delay, re-buffering time and events, quality changes.
Περιεχόμενα	Οι εφαρμογές ροής βίντεο παράγουν σήμερα το μεγαλύτερο μέρος της διαδικτυακής κίνησης. Συνεπώς, η παρακολούθηση και η διαχείριση της ποιότητας ροής απο βίντεο έχει αποκτήσει μεγάλη σημασία τα τελευταία χρόνια. Οι διαταραχές στο βίντεο, όπως το 'πάγωμα' των βίντεο και η αλλαγή της ποιότητας, επηρεάζουν την ποιότητα της υπηρεσίας (QoS) που λαμβάνει ο χρήστης. Οι διαχειριστές δικτύων συνήθως παρακολουθούν τέτοια γεγονότα από την κυκλοφορία δικτύου με τη βοήθεια του Deep Packet Inspection (DPI). Ωστόσο, γίνεται δύσκολη η παρακολούθηση παρόμοιων συμβάντων λόγω της κρυπτογράφησης της κυκλοφορίας. Για να αντιμετωπιστεί αυτή η πρόκληση, αυτή η εργασία διατριβής κάνει μια προσπάθεια να εκτελεστούν αυτοματοποιημένες δοκιμές ροής βίντεο υπό ελεγχόμενες χρονικά μεταβαλλόμενες συνθήκες δικτύου και μετρά την απόδοση σε επίπεδο δικτύου και εφαρμογών. Με άλλα λόγια, ο στόχος είναι η παρακολούθηση της κρυπτογραφημένης επισκεψιμότητας του YouTube (στο HTTPS / QUIC) και η εξαγωγή πληροφοριών σχετικά με τους βασικούς δείκτες ποιότητας (KQI), όπως η καθυστέρηση εκκίνησης, ο χρόνος επαναφοράς και τα συμβάντα, οι αλλαγές ποιότητας. Ακόμη θα γίνει μια απόπειρα να δημιουργηθούν μοντέλα πρόβλεψης αυτών των μετρικών ποιότητας που προαναφέρθηκαν, χρησιμοποιούνταν μοντέλα μηχανικής μάθησης.
Λέξη κλειδί	Key Quality Indicators (KQI) Network traffic Machine learning Ποιότητα βίντεο Μηχανική μάθηση Διαδικτυακή κίνηση Επιβλεπόμενη μάθηση Αλγόριθμος κατηγοριοποίησης Quality of Service (QoS) Deep Packet Inspection (DPI)
Ημερομηνία	31-05-2019
Άδεια χρήσης	https://creativecommons.org/licenses/by/4.0/