Prédiction de la QoE de la Wi-Fi domestique avec mesures passives sur les points d'accès de base

Predicting home Wi-Fi QoE from passive measurements on commodity access points

• Auteur / Autrice : Diego Neves da Hora
• Direction : Renata Teixeira, Karel Van Doorselaer
• Type : Thèse de doctorat
• Discipline(s) : Informatique et réseaux
• Date : Soutenance le 27/04/2017
• Etablissement(s) : Paris 6
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Centre de recherche de Paris (Paris)
• Jury : Président / Présidente : Serge Fdida
• Jury : Rapporteurs / Rapporteuses : Isabelle Guérin-Lassous, Salah Eddine El Ayoubi

Mots clés

Mots clés contrôlés

Qualité d'expérience (télécommunications)

Mots clés libres

Wi-Fi

Réseau domestique

QoE

Surveillance passive

Capacité de liaison

Prédiction

Wi-Fi

Home network

QoE

Résumé

Une mauvaise qualité Wi-Fi peut perturber l'expérience des utilisateurs domestiques sur Internet, ou la qualité de l'expérience (QoE). Détecter quand le Wi-Fi dégrade la QoE des utilisateurs est précieux pour les fournisseurs d’accès internet (FAI), surtout que les utilisateurs tiennent souvent pour responsable leur FAI lorsque leur QoE se dégrade. Pourtant, les FAI ont peu de visibilité au sein de la maison pour aider les utilisateurs. Cette thèse conçoit et évalue des techniques de surveillance passive de la qualité Wi-Fi sur les points d'accès de base (APs) et prédit quand la qualité du Wi-Fi dégrade la QoE de l'application Internet. Nous concevons et évaluons une méthode qui estime la capacité de liaison Wi-Fi. Nous concevons et évaluons prédicteurs de l'effet de la qualité Wi-Fi sur la QoE de quatre applications populaires: la navigation sur le Web, YouTube, la communication audio et vidéo en temps réel. Nous concevons une méthode pour identifier les événements qui traduisent une mauvaise QoE pour identifier les cas où les prédicteurs QoE estiment que toutes les applications visées fonctionnent mal. Nous appliquons nos prédicteurs aux métriques Wi-Fi collectées sur une semaine de surveillance de 832 points d’accès de clients d'un grand FAI résidentiel. Nos résultats montrent que la QoE est bonne sur la grande majorité des échantillons, mais nous trouvons encore 9% des échantillons avec une mauvaise QoE. Pire, environ 10% des stations ont plus de 25% d'échantillons dont la QoE est médiocre. Dans certains cas, nous estimons que la qualité Wi-Fi provoque une QoE médiocre pendant de nombreuses heures, bien que dans la plupart des cas ces événements soient courts.

Poor Wi-Fi quality can disrupt home users' internet experience, or the Quality of Experience (QoE). Detecting when Wi-Fi degrades QoE is valuable for residential Internet Service Providers (ISPs) as home users often hold the ISP responsible whenever QoE degrades. Yet, ISPs have little visibility within the home to assist users. This thesis designs and evaluates techniques to passively monitor Wi-Fi quality on commodity access points (APs) and predict when Wi-Fi quality degrades internet application QoE. Our first contribution is the design and evaluation of a method that estimates Wi-Fi link capacity. We extend previous models, suited for 802.11a/b/g networks, to work on 802.11n networks using passive measurements. Our second contribution is the design and evaluation of predictors of the effect of Wi-Fi quality on QoE of four popular applications: web browsing, YouTube, audio and video real time communication. Our third contribution is the design of a method to identify poor QoE events. We use K-means clustering to identify instances where the QoE predictors estimate that all studied applications perform poorly. Then, we classify poor QoE events as short, intermittent, and consistent poor QoE events. Finally, our fourth contribution is to apply our predictors to Wi-Fi metrics collected over one week from 832 APs of customers of a large residential ISP. Our results show that QoE is good on the vast majority of samples of the deployment, still we find 9% of poor QoE samples. Worse, approximately 10% of stations have more than 25% poor QoE samples. In some cases, we estimate that Wi-Fi quality causes poor QoE for many hours, though in most cases poor QoE events are short.