UserNet (ML-basiertes Monitoring und Management der QoE für nutzerzentrierte Kommunikationsnetze, Emmy-Noether-Nachwuchsforschungsgruppe, gefördert durch die Deutsche Forschungsgemeinschaft (DFG))

Um das QoE-Monitoring für beliebige Internetanwendungen zu ermöglichen, wird das Zusammenspiel von QoE und Nutzerinteraktionen anhand von Messungen und subjektiven Studien untersucht und modelliert. Darüber hinaus werden ML-Methoden an das Gebiet angepasst, um sie auf verschlüsselten Netzwerkverkehr anwenden zu können. Dies ermöglicht die Quantifizierung der QoE durch die Überwachung von Interaktionen und den resultierenden Veränderungen im verschlüsselten Anwendungsverkehr. Auf dieser Grundlage wird durch den Einsatz von verstärkendem Lernen eine datengetriebene Verbesserung von QoE und QoE-Fairness ermöglicht, indem optimale Netzwerkkonfigurationen durch Interaktion mit der dynamischen Netzwerkumgebung gefunden werden. Mithilfe leistungsfähiger, softwaredefinierter Netzwerktechnologien (SDN) wie P4 und vorhandener Rechenressourcen im Netzwerk können solche feinkörnigen Modelle nun erstmals im Netzwerk implementiert werden, wodurch das Netzwerkmanagement dynamischer wird. Daher wird die Umsetzung der erforderlichen ML-basierten Algorithmen und Komponenten und deren Integration in den Netzwerkbetrieb erforscht.

 

 

 

 

In-Network Video Traffic Management (Zusammenarbeit mit  AT&T Research Labs, USA und Universität Würzburg, Deutschland)

Das rasante Wachstum von Kurzvideo-Streaming-Diensten wie TikTok, Instagram Reels oder YouTube Shorts stellt sowohl Dienstanbieter als auch Netzbetreiber vor große Herausforderungen. Hohe Datenmengen und applikationsspezifische Preloading-Strategien führen zu starken Schwankungen im Bandbreitenbedarf, was oft zu übermäßigem Ressourcenverbrauch führt – insbesondere, wenn Nutzer schnell durch Videos wischen und nur einen Bruchteil der geladenen Inhalte tatsächlich ansehen.
Um diesen Herausforderungen zu begegnen, können verschiedene Netzmanagement-Techniken eingesetzt werden. Dieses Projekt untersucht dabei unter anderem die Auswirkungen einer Bandbreitenbegrenzung auf den Kurzvideo-Datenverkehr. Um ein besseres Verständnis der Effekte zu erhalten, werden Daten sowohl auf der Netz- als auch auf der Anwendungsebene erfasst. Diese Forschung hilft, die Auswirkungen auf Netzdynamik, Fairness und die Quality of Experience (QoE) der Nutzer zu bewerten.
Die Ergebnisse tragen zur Entwicklung effizienterer Strategien für das Management von Videoverkehr bei, um die Netzauslastung zu optimieren und gleichzeitig ein ununterbrochenes Streaming-Erlebnis zu gewährleisten.