Procjena performansi usluge YouTube na osnovu analize kriptiranog prometa za 360 video na iOS platformi

master's thesis

• Title (english): YouTube Performance Estimation Based on the Analysis of Encrypted Network Traffic for 360 Video on the iOS platform
• Author: Dunja Šašić
• Mentor: Lea Skorin-Kapov (mentor)
• Committee member: Lea Skorin-Kapov (predsjednik povjerenstva)
• Committee member: Ognjen Dobrijević (član povjerenstva)
• Committee member: Mirko Sužnjević (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2018-07-06, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Cilj ovog rada bilo je istraživanje i opisivanje mehanizama na kojima radi usluga YouTube za prikazivanje 360 stupnjeva videa, provođenje mjerenja u laboratorijskom testnom prostoru za prikupljanje tragova mrežnog prometa i pokazatelja uspješnosti aplikacijskog sloja. Također smo identificirali skup značajki prometa koji su izvučeni iz tragova mrežnog prometa i testirali ih da bismo ih mogli koristiti za procjenu performansi aplikacijskog sloja pomoću strojnog učenja.
Skup podataka koji je analiziran sastoji se od 348 primjeraka. Koristili smo alat za strojno učenje pod nazivom WEKA. Korištenjem WEKA-e iz baze podataka smo izvukli relevantne atribute koji bi mogli imati utjecaja prilikom klasifikacije određenog modela. Napravili smo klasifikacijske modele s 4 različita algoritma strojnog učenja: J48, OneR, Naïve Bayse i SMO. Analizirani su dobiveni rezultati klasifikacije i njihova točnost. Najmanja točnost klasifikacije bila je za početno kašnjenje, a najbolja je bila za rezoluciju u slučaju kad instance dijelimo u dvije klase. Nije bilo značajne razlike u učinkovitosti između izabranih algoritama strojnog učenja.

Abstract (english)

In this thesis the focus was on investigating and describing the mechanisms behind the YouTube 360-degree video service, conducting measurements in a laboratory testbed to collect network traffic traces and application-layer performance indicators. We also identified a set of traffic features that was extracted from network traffic traces and tested them to see can they be used to estimate application-layer performance using a machine learning approach.
The dataset that was analysed consists of 348 instances. We used the machine learning tool WEKA. Using WEKA we subset a dataset using wrapper methods and trained classification models with 4 different machine learning algorithms: J48, OneR, Naïve Bayse and SMO. Classification accuracy was assessed and discussed. The worst classification accuracy was for target variable initial delay and best one was for resolution that separate instances in two classes. There was no significant difference in efficiency between algorithms.

• Keywords: strojno učenje; KPI; iskustvena kvaliteta; YouTube; klasifikacija mrežnog prometa; značajke mrežnog prometa
• Keywords (english): machine learning; KPIs; Quality of Experience; YouTube; network traffic; classification; network traffic features
• Language: english
• URN:NBN: urn:nbn:hr:168:252652
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2019-03-14 01:09:51