ML-basiertes Monitoring und Management von QoE für nutzerzentrierte Kommunikationsnetze (UserNet)

• Antragsteller: Professor Dr. Michael Seufert
• Fachliche Zuordnung: Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 500105691

Durch das Best Effort-Prinzip im Internet kann die gewünschte subjektive Dienstgüte (Quality of Experience, QoE) nicht gleichzeitig für alle Nutzer verschiedenster Internetanwendungen garantiert werden. Deshalb ist nutzerzentriertes Netzmanagement nötig, um bei Engpässen die Netzressourcen, wie z.B. Bandbreite, so zuzuteilen, dass die größtmögliche Anzahl von Nutzern zufrieden ist und eine möglichst faire Aufteilung hinsichtlich der resultierenden QoE erreicht wird (QoE-Fairness). Jedoch ist die Sichtbarkeit der Netzbetreiber auf die QoE durch die Ende-zu-Ende-Verschlüsselung des Datenverkehrs zunehmend eingeschränkt.Deshalb rückt der datengetriebene Ansatz des maschinellen Lernens (ML) in den Fokus, um feingranulare Modelle zu erstellen, die die hohe Komplexität der Wechselwirkungen zwischen Nutzer, Anwendungen und Netzen besser abbilden als bisherige Modelle. Wie bereits für Videostreaming gezeigt wurde, können mit ML-Modellen, trotz Verschlüsselung der Datenströme, relevante QoE-Informationen erhalten werden. Um die Abschätzung der QoE für beliebige Internetanwendungen zu ermöglichen, soll das Wechselspiel zwischen QoE und Nutzerverhalten mittels Messungen und subjektiven Studien untersucht und modelliert werden. Zusätzlich sollen ML-Methoden domänenspezifisch für den Einsatz auf verschlüsseltem Netzverkehr angepasst werden. Dadurch wird es möglich, die QoE über beobachtete Interaktionen und den dadurch ausgelösten Veränderungen im verschlüsselten Applikationsverkehr zu quantifizieren. Basierend darauf soll eine datengetriebene Verbesserung der QoE und QoE-Fairness ermöglicht werden, indem die optimalen Netzkonfigurationen durch Interaktion mit der dynamischen Netzumgebung unter Einsatz von verstärkendem Lernen gefunden werden.Mittels leistungsfähiger, softwarisierter Netztechnologien (SDN) wie P4 lassen sich, in Verbindung mit im Netz verfügbaren Rechenressourcen, solche feingranularen Modelle nun erstmals im Netz umsetzen, wodurch das Netzmanagement dynamischer wird. Deshalb soll die Implementierung der benötigten ML-basierten Algorithmen und Komponenten und deren Integration in den Netzbetrieb erforscht werden. Dies betrifft das Monitoring und die flexible Konfiguration von endnutzernahen Netzkomponenten, z.B. am Broadband Network Gateway oder am Wide Area Network Edge. Das Zusammenspiel von ML-basierten Modellen und neuen SDN-Technologien bietet dort neue Möglichkeiten für skalierbare Konzepte und Technologien, die die QoE und QoE-Fairness der Nutzer von beliebigen Internetdiensten trotz Verschlüsselung abschätzen, sowie proaktiv verbessern können. Dadurch können Netze flexibel auf die Anforderungen zugeschnitten werden, so dass QoE und QoE-Fairness der Nutzer bei gleicher Ressourcennutzung steigen. Dies komplementiert den Ausbau der Netzinfrastruktur und ermöglicht Netzbetreibern, die steigenden Anforderungen in den Kommunikationsnetzen zu bewältigen.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen