prikaz prve stranice dokumenta Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa
No public access
master's thesis
Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2019. urn:nbn:hr:168:348175
Slovjak, Karlo
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Slovjak, K. (2019). Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:348175

Slovjak, Karlo. "Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2019. https://urn.nsk.hr/urn:nbn:hr:168:348175

Slovjak, Karlo. "Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2019. https://urn.nsk.hr/urn:nbn:hr:168:348175

Slovjak, K. (2019). 'Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 26 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:348175

Slovjak K. Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2019 [cited 2024 November 26] Available at: https://urn.nsk.hr/urn:nbn:hr:168:348175

K. Slovjak, "Procjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2019. Available at: https://urn.nsk.hr/urn:nbn:hr:168:348175

Metadata
TitleProcjena stanja popunjenosti međuspremnika usluge YouTube na temelju analize kriptiranog mrežnog prometa
Title (english)Estimation of YouTube client buffering state based on the analysis of encrypted network traffic
AuthorKarlo Slovjak
MentorLea Skorin-Kapov (mentor)
Committee memberLea Skorin-Kapov (predsjednik povjerenstva)
Committee memberMaja Matijašević (član povjerenstva)
Committee memberMirko Sužnjević (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2019-02-28, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Abstract
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.
Abstract (english)
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.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:348175
Study programmeTitle: Information and Communication Technology
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2019-03-14 00:47:02