|
|
|
|
| LEADER |
04798na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2019 ci ||||| m||| 00| 0 en d |
| 035 |
|
|
|a (HR-ZaFER)ferid5277
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Slovjak, Karlo
|
| 245 |
1 |
0 |
|a Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa :
|b diplomski rad /
|c Karlo Slovjak ; [mentor Lea Skorin-Kapov].
|
| 246 |
1 |
|
|a Estimation of YouTube client buffering state based on the analysis of encrypted network traffic
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b K. Slovjak,
|c 2019.
|
| 300 |
|
|
|a 59 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Telekomunikacije i informatika, šifra smjera: 53, datum predaje: 2019-02-08, datum završetka: 2019-02-28
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Ovaj rad istraživao je načine klasificiranja stanja međuspremnika i razdvajanje faza reprodukcije YouTube videa. Prvi dio se sastojao od stvaranja liste YouTube videa i prikupljanja podataka. Prikupljanje je izvršeno na razini YouTube aplikacije i skupljanjem mrežnog prometa između YouTube klijentske aplikacije i YouTube servera. Mrežni uvjeti su simulirani prethodno razvijenom skriptom, koja simulira scenarije iz stvarnog života na LTE mobilnoj mreži. Ta skripta je pripremljena u pet različitih verzija, gdje je svaka verzija imala drugačija ograničenja propusnosti. Prikupljanje podataka s razine YouTube aplikacije je ostvareno ViQMonWrapper aplikacijom, koja se izvršavala u pozadini i prikupljala podatke iz Stats for Nerds opcije u YouTube aplikaciji. Mrežni promet je prikupljen koristeći Wireshark i polja relevantna za ovaj rad su izdvojena u posebnu CSV datoteku.
Ta CSV datoteka je uparena s datotekom generiranom od strane ViQMonWrapper aplikacije kako bi se stvorio skup podataka koji se može koristiti za predviđanje klasifikatora temeljem strojnog učenja. Stvoreni skup podataka je ocjenjivao obilježja mrežnog prometa u rasponu promjenjivog kliznog prozora, s ciljem pružanja raznolikosti obilježja. Kako bi pružili temelj za klasificiranje strojnim učenjem, klasifikatori su prvo ručno uneseni u skup podataka.
Zadnji korak je izvršavanje algoritama strojnog učenja, kako bi se predvidjeli YouTube klasifikatori. Previđanje je izvršeno uspješno, a Random Forest algoritam se prikazao kao najtočniji, pružajući točnost od preko 90%.
Budući zadaci će se usredotočiti na mijenjanje obilježja kako bi se testirala klasifikacija s različitim skupovima podataka te analiza je li strojno učenje potrebno za klasificiranje stanja među spremnika i faza reprodukcije YouTube-a.
|
| 520 |
3 |
|
|a Sažetak na engleskom: This thesis researched ways to classify YouTube buffer state and delimit the playout phases of video. First part consisted of YouTube playlist creation and data collection. Collection was done on YouTube application level and capturing of network traffic between YouTube client and YouTube’s servers. Network conditions were simulated via previously developed script, that simulates real-life scenario on the LTE mobile network. That script was prepared in five different versions, with each version introducing different bandwidth limitations. YouTube application level data collection was achieved by using ViQMonWrapper application that run in the background and collected data from YouTube’s Stats for Nerds. Network traffic was collected using Wireshark and fields relevant to this thesis were extracted to separate CSV file.
This CSV file was matched with file generated by ViQMonWrapper to produce dataset that can be used for machine learning-based prediction of classifiers. Generated dataset evaluated features of network traffic over a span of varying sliding window, to provide variety of features. To provide basis for the machine learning classification, the classifiers were first manually input into dataset.
Final step was execution of machine learning algorithms to predict YouTube classifiers. Prediction was done successfully, with the Random Forest algorithm being the most accurate, providing accuracy well over 90%.
Future work will focus on the features alteration to test the classification with different dataset and analysis whether the machine learning approach is needed for YouTube buffer state and playout phase classification.
|
| 653 |
|
1 |
|a klasificiranje stanja međuspremnika
|a klasificiranje faza reprodukcije
|a strojno učenje
|a YouTube
|a šifrirani mrežni promet
|a iskustvena kvaliteta
|
| 653 |
|
1 |
|a buffer state classification
|a playout phase classification
|a machine learning
|a YouTube
|a encrypted network traffic
|a Quality of Experience
|
| 700 |
1 |
|
|a Skorin-Kapov, Lea
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 50018
|d 50018
|