Περίληψη |
Η αύξηση στον αριθμό των φορητών συσκευών, των δυνατοτήτων τους όπως η πρόσβαση σε πολλαπλές διεπαφές δικτύου, έχουν δημιουργήσει ταχεία αύξηση στην ζήτηση και κίνηση της
ασύρματης πρόσβασης, τα τελευταία χρόνια. Τα ασύρματα δίκτυα όμως συχνά μπορεί να
εμφανίσουν «περιόδους οξείας δυσλειτουργίας», μειώνοντας με αυτό τον τρόπο την
εκλαμβανόμενη
από τον χρήστη ποιότητα εμπειρίας της υπηρεσίας (QoE) που εκτελείται σε
ασύρματες συσκευές. Η επίδραση των δικτυακών συνθηκών στην εκλαμβανόμενη από τον
χρήστη ποιότητα υπηρεσίας δεν έχει γίνει ακόμη κατανοητή σε βάθος. Η εκτίμηση της επίδρασης
των διαφορετικών δικτυακών συνθηκών και παραμέτρων των συστημάτων είναι σημαντική για
την βελτίωση των τηλεπικοινωνιακών υπηρεσιών. Γενικά, ανάλογα με το είδος υπηρεσίας και το
περιβάλλον η εκλαμβανόμενη από τον χρήστη εμπειρία μπορεί να επηρεαστεί από διάφορους
τεχνολογικούς, κοινωνικούς, οικονομικούς και ψυχολογικούς παράγοντες. Στη βιβλιογραφία, η
πλειοψηφία παρόμοιων εργασιών προσπαθούν να χαρακτηρίσουν και να προβλέψουν την
εμπειρία του χρήστη, αναλύοντας διαφορετικές μετρήσεις και συχνά χρησιμοποιώντας μία
αθροιστική προσέγγιση.
Η ομάδα μας έχει αναπτύξει το
uQoE, ένα αρθρωτό σύστημα που περιλαμβάνει εργαλεία
παρακολούθησης και συλλογής δεδομένων (uQoE tracker) και αλγορίθμους για την χρηστο-κεντρική ανάλυση και πρόβλεψη της αντιλαμβανόμενης ποιότητας υπηρεσίας (αλγόριθμος πρόβλεψης MLQoE) στα πλαίσια της υπηρεσίας βίντεο συνεχούς ροής. Το
uQoE
tracker
συλλέγει
μετρήσεις του δικτύου και των συστημάτων, καθώς και σχόλια από τον χρήστη. Ο αλγόριθμος
πρόβλεψης
MLQoE
εφαρμόζει πολλαπλούς αλγορίθμους μηχανικής μάθησης και προσαρμόζει
τις υπερ-παραμέτρους τους, παίρνοντας ως είσοδο τις μετρήσεις που συλλέγει ο
uQoE
tracker.
Επιλέγει δυναμικά τον αλγόριθμο μηχανικής μάθησης που παρουσιάζει την καλύτερη απόδοση
και τις παραμέτρους του αυτόματα με βάση την είσοδο (π.χ., δικτυακές μετρήσεις και μετρήσεις
των παραμέτρων του συστήματος). Αυτή η εργασία εφάρμοσε το
MLQoE
για την πρόβλεψη της
αντιλαμβανόμενης ποιότητας για την υπηρεσία βίντεο συνεχούς ροής στο πλαίσιο δύο μελετών
πεδίου. Η πρώτη μελέτη πραγματοποιήθηκε
στο περιβάλλον παραγωγής ενός μεγάλου
τηλεπικοινωνιακού παρόχου και η δεύτερη στο ΙΤΕ. Η ανάλυση έδειξε τις παραμέτρους με την
κυρίαρχη επίδραση στην αντίληψη της ποιότητας και αποκάλυψε ότι μπορεί να υπάρχουν
διαφορές μεταξύ των χρηστών. Το γεγονός αυτό παρακινεί τη χρήση εξατομικευμένων
μηχανισμών προσαρμογής σε βίντεο συνεχούς ροής για την αντιμετώπιση της υποβάθμισης της
απόδοσης του δικτύου.
Το MLQoE έχει αρκετά καλή απόδοση.
|