Forschung

Forschung

Meine Forschung konzentriert sich hauptsächlich auf die QoE von Internetanwendungen, künstliche Intelligenz und maschinelles Lernen für Kommunikationsnetze, Messungen und Analyse von (verschlüsseltem) Netzverkehr, proaktive QoE-bewusste und nutzerzentrierte Lösungen für das Netzverkehrsmanagement, ML-basierte Konfiguration von industriellen Netzen, Überwachung und Orchestrierung von Edge-Cloud-Diensten, gruppenbasierte Kommunikation, sowie Leistungsbewertung und Modellierung von Kommunikationssystemen. Im Folgenden wird jedes Forschungsthema näher erläutert.

Quality of Experience von Internetanwendungen

In Telekommunikationsnetzen wird die Dienstgüte (Quality of Service, QoS) objektiv durch Netzparameter wie Paketverlust, Verzögerung oder Jitter ausgedrückt. Eine gute QoS garantiert jedoch nicht, dass alle Kunden den Service als gut empfinden. So wurde Quality of Experience (QoE) - ein Konzept für die subjektiv empfundene Dienstgüte - eingeführt. QoE ist definiert als „der Grad der Freude oder des Ärgers des Benutzers einer Anwendung oder eines Dienstes. Sie ergibt sich aus der Erfüllung seiner Erwartungen hinsichtlich des Nutzens und / oder der Freude an der Anwendung oder dem Dienst im Lichte der Persönlichkeit und des aktuellen Zustands des Benutzers. [...] Im Zusammenhang mit Kommunikationsdiensten wird die QoE von Dienst, Inhalt, Netz, Gerät, Anwendung und Nutzungskontext beeinflusst“ (COST Action Qualinet Whitepaper, 2013). Sie berücksichtigt, wie Kunden den Gesamtwert einer Dienstleistung wahrnehmen, und stützt sich daher auf subjektive Kriterien. QoE ist stark anwendungsabhängig und um alle Einflussfaktoren zu verstehen, müssen umfangreiche subjektive Studien durchgeführt werden.

Künstliche Intelligenz und maschinelles Lernen für Kommunikationsnetze

Der Fortschritt beim Umgang mit Big Data mittels Techniken der künstlichen Intelligenz und des maschinellen Lernens reicht von der digitalisierten Gesellschaft als Ganzes bis zum Netzbereich. Hier werden sich KI-fähige Kommunikationsnetze vorgestellt, die sich kontinuierlich autonom konfigurieren und optimieren (Zero-Touch), um den Netzverkehr effizient zu bewältigen, das Netz sicher zu betreiben und QoE-Verschlechterungen für Kunden zu vermeiden. Für dieses proaktive Netzmanagement sind insbesondere Mechanismen erforderlich, die das Netz rechtzeitig auf die zukünftigen Netzanforderungen der Dienste der Nutzer vorbereiten. Ein solches proaktives Verkehrsmanagement kann insbesondere dann erwünscht sein, wenn die QoE und Netzsicherheit für mehrere Benutzer mit unterschiedlichen Diensten in heterogenen Netzen optimiert wird, z. B. im Kontext von Smart Cities, in denen aktuelle und aufkommende Dienste mit unterschiedlichen Anforderungen von einer großen Anzahl Nutzer gleichzeitig genutzt werden und die über eine Vielzahl von Mobilfunk- und Festnetzen geliefert werden.

Messungen und Analysen des (verschlüsselten) Netzverkehrs

Um die aktuelle Situation im Netz zu bewerten, die die Grundlage des gesamten Netzmanagements bildet, verlassen sich die Netzbetreiber auf das Monitoring des Netzverkehrs, um die Zufriedenheit der Endbenutzer zu bewerten und die beobachteten Informationen für Netzmanagemententscheidungen zu verwenden. In der Regel verteilen sie Hardware-Middleboxen oder virtuelle Netzfunktionen in ihren Netzen, die den Datenverkehr untersuchen und relevante Merkmale extrahieren, z.B: um die QoE abschätzen oder Sicherheitsbedrohungen zu bewerten. Der jüngste Trend zur Ende-zu-Ende-Verschlüsselung verringert jedoch die Sichtbarkeit von Monitoringansätzen im Netz. Stattdessen sind Lösungen erforderlich, die die benötigten Informationen anhand von Merkmalen abschätzen, die aus den verschlüsselten Paketdaten extrahiert wurden. Wenn man die Herausforderung der QoE-Optimierung betrachtet, ist ein tiefes Verständnis der zugrunde liegenden Eigenschaften der Netz- und Anwendungsschicht der App erforderlich, um genaue (auf maschinellem Lernen basierte) QoE-Schätzer für beliebte Apps zu erstellen. Bei der Erweiterung des QoE-Konzepts dürfen Benutzerinteraktionen nicht vernachlässigt werden, da sie wertvolle Informationen über die QoE und die Netzanforderungen der Anwendung liefern können. Die Beobachtung von Benutzeraktionen ermöglicht es daher, das Zusammenspiel zwischen Netz und Benutzern besser zu verstehen, was die Möglichkeit bietet, das reaktive QoE-bewusste Netzmanagement in Richtung eines proaktiven QoE-bewussten Netzmanagements voranzutreiben.

Datengetriebene, proaktive, nutzerzentrierte Lösungen für das Netzmanagement

Netze müssen flexibel auf die Bedürfnisse der Nutzer zugeschnitten werden und sie müssen effektiv, sicher und nachhaltig betrieben werden. Gleichzeitig müssen diese Technologien eine hohe subjektive Dienstgüte (QoE), Zufriedenheit und Netzsicherheit für die Nutzer von Internetdiensten und -anwendungen sicherstellen. Nachdem die QoE-Faktoren von Internetdiensten bekannt sind, können Internetdienstanbieter deshalb Netzmanagement anwenden, um die wahrgenommene Dienstqualität zu verbessern. Dabei werden insbesondere die Konzepte anwendungsbewusster Netze und netzbewusster Anwendungen untersucht und genutzt. Das QoE-bewusste Netzmanagement kann erweitert werden, indem der Endnutzer, seine gemeinsam genutzten Ressourcen, sowie soziale Informationen, z. B. über seine Vorlieben, seine Interessen oder seine Interaktionen mit anderen Benutzern, zusätzlich berücksichtigt / einbezogen werden. Anstatt nur zu reagieren, wenn bereits eine QoE-Verschlechterung aufgetreten ist, muss das Netzmanagement datengetrieben und proaktiv werden, indem es sich ändernde Netzbedingungen und -anforderungen lernt oder sogar vorhersagt. Auf diese Weise kann die Netzkonfiguration rechtzeitig angepasst werden, um zu vermeiden, dass der Benutzer QoE-Verschlechterungen erleiden muss, und einen sicheren Netzbetrieb zu gewährleisten.

ML-basierte Konfiguration von industriellen Netzen

Echtzeitnetze bei der industriellen Automatisierung und der Kommunikation innerhalb von Fahrzeugen haben einen zunehmenden Bedarf sowohl für höhere Datenraten als auch für höhere Flexibilität. Dies benötigt eine dynamischere Zuteilung von Applikationsflüssen unter Berücksichtigung der unterschiedlichen Latenzanforderungen von kritischem Echtzeitverkehr sowie burstartigem Best-Effort-Verkehr. Netzbetreiber stehen dabei vor der Herausforderung Latenzgrenzen für Warteschlangen so festzulegen, dass die Netzauslastung maximiert wird. Durch die große Vielzahl an möglichen Netztopologien und Applikationsanforderungen sind klassische Ansätze wie erschöpfende Suchen im Parameterraum oder (ganzzahlige) lineare Optimierung (LP, ILP) für diese Art von Optimierungsproblemen bei der dynamischen Netzkonfiguration auf kurzen Zeitskalen nicht möglich. Deshalb könnte maschinelles Lernen (ML) genutzt werden, um schneller optimale Lösungen zu finden oder anzunähern.

Überwachung, Orchestrierung und Konsolidierung von Edge-Cloud-Computing-Diensten

Edge Computing ist ein neues Paradigma, das das Cloud Computing erweitert, indem zusätzlich Computerressourcen am Netzrand verwendet werden, z. B. Server an mobilen Basisstationen oder sogar Geräte in den Häusern von Endnutzern. Durch die Nutzung der Netzfunktionsvirtualisierung (NFV) und der Verkettung von Servicefunktionen können Netzbetreiber Kapital- und Betriebskosten senken und die steigende Nachfrage nach flexibel bereitgestellten Diensten bewältigen. Dies umfasst personalisierte Dienste, die am Netzrand in der Nähe der Endnutzer instanziiert oder dahin migriert werden können, um die Nutzermobilität zu unterstützen und eine hohe QoE zu erzielen. Die Platzierung der Service-Apps, d. h. die Zuordnung von VMs zu physischen Servern, der benötigten verketteten Servicefunktionen, hat großen Einfluss auf die Leistung der Services und den Energieverbrauch einer Edge-Cloud-Plattform. Daher müssen geeignete Algorithmen zur Überwachung, Orchestrierung und Konsolidierung von verketteten Servicefunktionen entworfen und bewertet werden.

Gruppenbasierte Kommunikation

In den letzten Jahren wurde die Online-Kommunikation durch Gruppenkommunikation ergänzt. Diese Entwicklung ist vor allem für mobile Messaging-Anwendungen wie WhatsApp sichtbar. Nutzer kommunizieren nicht mehr nur eins zu eins, wie es für die traditionelle textbasierte Kommunikation, wie E-Mail oder SMS, typisch war. Viele soziale Anwendungen ermöglichen auch die Kommunikation in Gruppen, die spontan erstellt werden oder über einen längeren Zeitraum bestehen. Obwohl die Kommunikation aufgrund allgegenwärtiger Netzkonnektivität und Smartphone-Benachrichtigungen immer noch asynchron ist, werden die Aktivitäten der Nutzer häufig durch gepostete Nachrichten in diesen Gruppen ausgelöst. Die zunehmende Nutzung solcher Apps, das hohe Datenvolumen und die vervielfachte Übertragung jedes gesendeten Posts an alle Gruppenmitglieder stellen eine hohe Belastung für (mobile) Netze dar. Folglich könnte das sich veränderte Nutzerverhalten der Gruppenkommunikation möglicherweise störende Auswirkungen auf das zukünftige Internet haben. Modelle aus der Vergangenheit können nicht direkt für die gruppenbasierte Kommunikation verwendet werden und müssen angepasst werden, um Nutzerinteraktionen in einem kleineren Zeitrahmen zu integrieren.

Leistungsbewertung und Modellierung von Kommunikationssystemen

 Die Leistungsbewertung von Kommunikationssystemen hängt von der Verfügbarkeit von Systemeigenschaften und den gewünschten Eigenschaften der resultierenden Modelle ab. Analytische Methoden ermöglichen genaue und skalierbare Ergebnisse der Leistungsbewertung, sind jedoch auf (mathematisch nachvollziehbare) abstrakte Systemmodelle beschränkt. Sie können jedoch in der Planungsphase verwendet werden, wenn ein Prototyp des realen Systems noch nicht verfügbar ist. Simulationen können verwendet werden, um diese abstrakten Modelle zu bestätigen, aber sie können auch verwendet werden, um Ergebnisse für detailliertere Systemmodelle und kleine Problemgrößen zu erhalten. Schließlich können Messungen angewendet werden, um die Leistung realer Systeme oder Netze im Detail zu bewerten. Ziel aller Leistungsbewertungsmethoden ist es, Modelle zu erhalten, die das Kommunikationssystem gut genug beschreiben, um Ursachen für Leistungseinbußen zu erkennen und Erkenntnisse über mögliche Verbesserungen zu gewinnen.

Share by: