Supervisor: Seufert, M.: Transfer Learning Approaches for QoE Monitoring of Encrypted Video Streaming Traffic, (2019).
Contact/Kontakt: michael.seufert@uni-wuerzburg.de Title: Transfer Learning Approaches for QoE Monitoring of Encrypted Video Streaming Traffic Abstract: This work is focused on Quality of Experience (QoE) monitoring of encrypted video streaming traffic. Here, machine learning based methods are used to estimate QoE metrics based on features, which are extracted from the encrypted traffic. While these machine learning models achieve very good performance for a specific training data set, they typically show a worse performance when applied to different data sets. Thus, in this thesis, transfer learning approaches shall be tested and/or developed, which allow the existing models to generalize also over heterogeneous data sets. The performance of the transfer learning approaches shall be evaluated and a methodology for generalizing machine learning based QoE monitoring models shall be developed. Titel: Transferlernverfahren bei der QoE Messung auf verschlüsseltem Videostreamingverkehr Inhalt: Diese Arbeit beschäftigt sich mit der QoE Messung auf verschlüsseltem Videostreamingverkehr. Hierbei werden Methoden des maschinellen Lernens (ML) eingesetzt um QoE-Metriken zu schätzen basierend auf Features, die aus dem verschlüsselten Verkehr extrahiert werden. Während diese ML-Modelle sehr gute Leistung für spezifische Datensätze zeigen, haben sie typischerweise eine schlechtere Leistung wenn sie auf andere Datensätze angewandt werden. Deshalb sollen in dieser Arbeit Transferlernverfahren getestet und/oder entwickelt werden, die es erlauben, dass die existierenden Modelle auch für heterogene Datensätze verallgemeinert werden können. Die Leistung der Transferlernansätze soll bewertet werden und eine Methodik für die Generalisierung von ML-Modellen für QoE Messungen soll entwickelt werden.
Supervisor: Seufert, M.: Algorithms Towards Proactive QoE-aware Traffic Management, (2019).
Contact/Kontakt: michael.seufert@uni-wuerzburg.de Title: Algorithms Towards Proactive QoE-aware Traffic Management Abstract: QoE-aware traffic management aims at improving the packet transmission and handling in the network in order to maximize the Quality of Experience (QoE) of Internet services. While most of today's approaches follow a reactive design, i.e., they change the traffic management only after a QoE degradation are detected or imminent, the focus of this work is to advance towards a more proactive design. This means algorithms shall be developed to improve the traffic management, such that it can be adjusted to changing network and service characteristics before QoE degradations can be noticed by the end users. In the thesis, also the performance of the algorithms shall be evaluated. Titel: Algorithmen für proaktives QoE-bewusstes Verkehrsmanagement Inhalt: QoE-bewusstes Verkehrsmanagement zielt darauf die Übertragung und den Umgang mit Paketen im Netzwerk zu verbessern, um damit die subjektive Dienstgüte (QoE) von Internetdiensten zu verbessern. Während die meisten der heutigen Ansätze eher ein reaktives Design haben, d.h., sie ändern das Verkehrsmanagement erst wenn eine Verschlechterung der QoE wahrgenommen wurde oder unmittelbar bevorsteht, liegt der Fokus dieser Arbeit darauf eine proaktiveres Design voranzubringen. Das bedeutet, dass Algorithmen entworfen werden sollen, um das Verkehrsmanagement zu verbessern, so dass es auf sich ändernde Netzwerk- und Dienstcharakteristika adaptiert werden kann bevor Verschlechterungen der QoE vom Endnutzer wahrgenommen werden können. In der Arbeit soll auch die Leistung der Algorithmen bewertet werden.
Supervisor: Seufert, M.: Estimating QoE of Web Browsing in the Network, (2019).
Contact/Kontakt: michael.seufert@uni-wuerzburg.de Title: Estimating QoE of Web Browsing in the Network Abstract: This work is focused on Quality of Experience (QoE) of web browsing, i.e., the subjectively perceived goodness of the web browsing performance. First, known impact factors and metrics of web browsing (such as page load time, above the fold time, SpeedIndex) have to be tested and additional impact factors have to be identified. Afterwards, these impact factors have to be estimated from web browsing traffic, which is typically encrpyted. A measurement framework will be set up and crowdsourcing studies will be conducted to generate ground truth data. Different monitoring methods will be applied (such as model-based or machine-learning-based monitoring) and their performance for estimating the QoE of web browsing will be evaluated. Titel: Abschätzen der subjektiven Dienstgüte von Webbrowsing im Netzwerk Inhalt: Diese Arbeit beschäftigt sich mit der QoE von Webbrowsing, d.h., der subjektiven Güte des Webbrosing-Dienstes. Zuerst müssen bekannte Einflussfaktoren und Metriken (z.B. Seitenladezeit, "Über dem Knick"-Zeit, SpeedIndex) getestet werden und zusätzliche Einflussfaktoren identifiziert werden. Danach müssen diese Einflussfaktoren aus dem (typischerweise verschlüsselten) Webbrowsing-Netzwerkverkehr abgeschätzt werden. Ein Messframework wird aufgesetzt und Crowdsourcing-Studien werden durchgeführt um eine Datengrundlage zu erstellen. Verschiedene Monitoringansätze werden angewendet (z.B. modell- oder Machine-Learning-basiertes Monitoring) und ihre Leistungsfähigkeit beim Abschätzen der subjektiven Dienstgüte von Webbrowsing wird ausgewertet.
Loh, F.: Machine Learning Approach to Classify Video Stalls at Network Layer, (2019).
Supervisor: Geissler, S.: Investigating the Feasibility of Machine Learning for Placement Problems in Softwarized Networks, (2018).
Softwarization is a crucial part of modern and next generation networks, increasing flexibility, scalability and efficiency. However, new challenges regarding the placement of entities like SDN controllers or virtual network functions need to be addressed in order to reap those benefits. Unfortunately, most of these problems are NP-hard and can thus not be solved in an efficient way. In order to alleviate this issue, the goal of this thesis is to investigate the application of machine learning approaches to a special version of a placement problem, namely SDN controller placement. Since this problem can be solved extensively in a reasonably time frame, it is possible to evaluate the machine learning approach to a common ground truth and generate a reasonable amount of training data for the machine learning model.
Gray, N.: Evaluation of Offloading Firewall Rules with P4, (2018).
Contact: nicholas.gray@informatik.uni-wuerzburg.de Firewalls are classical network middle boxes, which are physically implemented within the data path. Following this design pattern causes the network to become inflexible and harder to scale as additional hardware devices have to be deployed whenever the limits of the current configuration are reached, resulting in a high maintenance and requisition cost. Network Function Virtualization (NFV) is a novel paradigm aiming to mitigate these drawbacks by shifting the function of hardware middle boxes to software programs run on Commodity of the Shelf servers. While increasing the network flexibility, it also imposes additional delays on the data path as the complete networking and software stack has to be traversed for each packet. P4 allows the execution and packet matching process on inexpensive, programmable networking cards at line rate. Goal of the thesis is the implementation and evaluation of a distributed stateful firewall based on P4.
