Unser Paper "Improving the Transfer of Machine Learning-Based Video QoE Estimation Across Diverse Networks" wurde im IEEE Transactions on Network and Service Management (TNSM) Journal veröffentlicht. Das Paper hebt hervor, dass frühere Arbeiten zur Schätzung von QoE/KPI für verschlüsselten Videoverkehr typischerweise nur in einem spezifischen Netzwerkumfeld durchgeführt wurden. Im Gegensatz dazu untersucht dieses Paper die Crossvalidierung von Modellen für verschiedene Netzwerke, um deren Leistung unter unterschiedlichen Bedingungen zu bewerten. 

Abstract:

Da der Video-Streaming-Verkehr in der Regel Ende-zu-Ende verschlüsselt ist, besteht seitens der Netzbetreiber ein großes Interesse daran, neue Wege zur Bewertung der Streaming-Leistung auf der Anwendungsebene zu finden. Maschinelles Lernen (ML) wurde ausgiebig genutzt, um Lösungen zu entwickeln, die aus den Mustern im verschlüsselten Datenverkehr Key Performance Indicators (KPI) und/oder Quality of Experience (QoE) auf Anwendungsebene ableiten. Derartige Erkenntnisse ermöglichen ein benutzerorientierteres Verkehrsmanagement und ermöglichen die Abschwächung von QoE-Verschlechterungen, wodurch die Abwanderung von Kunden verhindert werden kann. Die in der Literatur vorgeschlagenen ML-basierten Lösungen zur QoE/KPI-Schätzung werden in der Regel auf einer begrenzten Anzahl von Netzwerkszenarien trainiert, und es ist oft unklar, wie die erhaltenen Modelle abschneiden, wenn sie in einer zuvor unbekannten Umgebung angewendet werden (z. B. wenn das Modell in den Räumlichkeiten eines anderen Netzbetreibers angewendet wird). In diesem Beitrag wird diese Lücke geschlossen, indem die Leistung von QoE/KPI-Schätzmodellen, die anhand von 4 separaten Datensätzen aus 48000 Videostreaming-Sitzungen trainiert wurden, übergreifend ausgewertet wird. Das Paper bewertet eine Reihe von Methoden zur Verbesserung der Leistung von Modellen, wenn diese in einem anderen Netzwerk angewendet werden. Die analysierten Methoden erfordern keine oder wesentlich weniger anwendungsbezogene Daten, die in der neuen Umgebung gesammelt wurden, wodurch der Umfang der erforderlichen Datenerfassung erheblich reduziert wird.

Paper: Michael Seufert, Irena Orsolic. "Improving the Transfer of Machine Learning-Based Video QoE Estimation Across Diverse Networks".

Link zum Paper:  Improving the Transfer of Machine Learning-Based Video QoE Estimation Across Diverse Networks