| Περίληψη |
Η ζήτηση και η χρήση ασύρματης πρόσβασης αυξάνονται ραγδαία.
Το πλήθος των
φορητών
συσκευών και οι
ικανότητες τους, συμπεριλαμβανομένης και της
δυνατότητας
πρόσβασης σε πολ
λαπλές διεπ
αφές δικτύου, επίσης αυξάνονται
δραματικά. Τα
ασύρματα δίκτυα συχνά παρουσιάζουν
«περιόδους οξείας δυσλειτουργίας»,
προκαλώντας σημαντική υπο
βάθμιση στην απόδοση της υπηρε
σ
ίας που εκτελείται σε
ασύρματες συσκευές και την αντίστοιχη εμπειρία του χρήστη. Η επίδραση
της απόδοσης
του δικτύου στην αντιλαμβανόμενη ποιότητα υπηρεσίας (
QoE
) από τον χρήστη για
ποικίλες υπηρεσίες δεν είναι καλά κατονοητή. Η εκτίμηση της επίδρασης των
διαφορετικών συνθηκών του δικτύου και
του καναλιού στην εμπειρία
του χρήστη είν
αι
σημαντική για την αναβάθμιση
των τηλεπικοινωνιακών υπηρεσιών. Η αντιλαμβανόμενη
ποιότητα υπηρεσίας για ποικίλες ασύρματες
υπηρεσίες,
συμπεριλαμβανομένης της
διαδικτυακής τηλε
φωνίας (
VoIP
), βίντεο συνεχούς ροής, κ
αι
περιήγησης στο διαδίκτυο,
είναι στο επίκεντ
ρο των πρόσφατων δραστηριοτήτων
δικτύωσης. Η πλειοψηφία τέτοιων
δραστηριοτή
των προσπαθούν να χαρακτηρίσουν
την
εμπειρία του χρήστη, αναλύοντας
ποικίλους τύπους μετρή
σεων συ
χνά με αθροιστικό τρόπο.
Αυτή η μεταπτυχιακή εργασία προτείνει το
MLQoE
, ένα
ν αρθρωτό αλγόριθμο για
χρηστο
-
κεντρική πρόβλεψη της αντιλαμβανόμενης ποιότητας υπηρεσίας. Το
MLQoE
εφαρμόζει πολλαπλούς
αλγορίθμους μηχανικ
ής μάθησης, ονομαστικά, Τεχνητά
Νευρων
ικά Δίκτυα, Μηχανές Διανυσμάτων
Υποστήριξης για παλινδρόμηση, Δέντρα
Απόφασης, και ταξινομητές Γκαουσιανού Αφελούς
Bayes
, και προσαρμόζει τις υπερ
-
παραμέτρους τους. Χρησιμοποιεί το εμφωλευμένο πρωτόκολλο Διασταυρωμένης
Επικύρωσης (
Cross
Validation
) για την
επιλογή του καλύτερου ταξινομητή κ
αι των
αντίστοι
χων καλύτερων τιμών των υπερ
-
παραμέτρων
του και εκτιμά την απόδοση του
τελικού μοντέλου. Το
MLQoE
είναι αρθρωτό, έτσι, μπο
ρεί εύκολα να επεκταθεί ώστε να
π
εριλαμβάνει και άλλους αλγορίθ
μους μηχανικής μάθηση
ς. Επιλέγει τον αλγόριθμο
μηχανικής μάθησης που παρουσιάζει την καλύτερη
απόδοση και τις παραμέτρους του
αυτόματα δεδομένου του συνόλο
υ δεδομένων που χρησιμοποιεί ως είσοδο.
Χρησιμοποιεί εμπειρικές μετρήσεις βασισμένες σε δι
κτυακές μετρικές (π.χ., απώλεια
πακέ
των, καθυστερήσεις, και διαδοχικές αφί
ξεις πακέτων) και υποκειμενικές
βαθμολογίες άποψης από
πραγματικούς χρήστες στο πλαίσιο μίας υπηρεσίας. Αυτή η
εργασία επικεντρώνεται στο
VoIP
και
αξιολογεί εκτενώς το
MLQoE
χρησιμοποιώντας
τρία μονόδρομα
σύνολα δε
δομένων που περιέχουν
VoIP
κλ
ήσεις σε ασύρματα δίκτυα
κάτω από ποικίλες συνθήκες δικτύου και ανάδραση από χρήστες
(συλλεγμένα σε
μελέτες πεδίου).
Το
MLQoE
έχει πολύ καλή απόδοση.
Για παράδειγμα, στα πειράματα
μας, μπορεί να επιτευχθεί μέσο απόλυτο λάθος μι
κρότερο του 0.50 και διάμεσ
ο απόλυτο
λάθος
μικρότερο από 0.30 (στην κλίμακα του
MOS
).
|
On user - centric modular QoE prediction for VoIP based on machine - learning algorithms
