Bachelorthesis

• 1.

  Werner, D.: Simulative Evaluation of (In-)Confident Machine Learning for User-based Active Learning, (2023).
  • [ Abstract ]
  Machine learning is becoming more and more prevalent in networking, e.g, network monitoring and managament. Though, expert knowledge is always valuable, sometimes irreplaceable. As the machine learning model may not always be confident, one idea is to relay such inconfident decisions to an expert, i.e., the admin, which can decide what to do with this decision and potentially relabel it, called user-based active learning. The goal of this thesis is to perform a simulative analysis regarding the influence of various parameters, such as the confidence threshold (i.e., when to relay the information) or the processing time and qualification level of the admin (i.e., a fast but not always correct expert, slow but accurate etc.). For more information, read the linked presentation slide and/or message katharina.dietz@uni-wuerzburg.de.
• 1.

  Komander-Gaitan, P.: Measurement of Social Networks within Mobile Messaging Applications, (2023).
• 1.

  Ostermann, M.: Improving Web QoE Estimation with Contrastive Learning, (2023).
• 1.

  Michler, J.: Correlating Machine Learning Confidence to Outlier Detection for Network Monitoring Tasks, (2023).
  • [ Abstract ]
  The detection of outliers in network traffic is an omnipresent topic for network security, e.g., to detect malicious activity or unknown devices and apps in the network, that deviate from the normal network activity. The goal of this thesis is to compare a myriad of different detection algorithms and compare them not only regarding their accuracy and detection time, but also with regards to the false negatives and false positives, i.e., investigate the outliers they disagreed on, which were falsely detected etc., as this may be a reason to include more than one algorithm, e.g., in a monitoring system. For more information, read the linked presentation slide and/or message katharina.dietz@uni-wuerzburg.de.
• 1.

  Steinbeck, A.: Network Measurement of Mobile Instant Messaging Traffic, (2023).
• 1.

  Karl, L.: Design, Implementation, and Execution of a QoE Study for Short Video Services, (2023).
• 1.

  Full, D.: Investigating Quality of Experience of Video Conferencing via Crowdsourcing, (2023).

• 1.

  Glauer, S.: Experimental Evaluation Tool for Exploring User-based Active Learning for ML-based Browser and URL Detection, (2022).
  • [ Abstract ]
  While Machine Learning (ML) is gaining more and more popularity, the actual incorporation into running systems is still lacking, e.g., due to missing trust of network operators. To build this trust, the goal of this work is to incorporate an active learning approach into an already existing ML-approach, that opens up the possibility of making ML-based decisions more explainable and allows to incorporate feedback of the administrator, e.g.,to retrain ML models with the adjusted decisions.
• 1.

  Frieling, M.: Evaluating the Interaction between Web and Video QoE with Crowdsourcing, (2022).
• 1.

  Rduch, T.: Investigation of Fundamental Differences in the Perception of Web Browsing and Video Streaming Quality of Experience, (2022).
• 1.

  Pham, T.T.: Quantifying the Influence of Consent Banners on Web QoE with Crowdsourcing, (2022).
• 1.

  Hufen, S.: OMNeT++ Simulation for Investigating the Impact of Edge Caching for Mobile Instant Messaging, (2022).
• 1.

  Amir, M.: Relating Google’s Web Vitals and Web QoE in a Crowdsourcing Approach, (2022).
• 1.

  Kilicarslan, S.: Simulative Performance Evaluation of Device-to-Device-based Mobile Messaging, (2022).

• 1.

  Funk, M.S.: Comparing Video QoE Models Using Subjective QoE Data Sets, (2021).
  • [ Abstract ]
  Contact: anika.seufert@informatik.uni-wuerzburg.de -- Inhalt: Der weltweite Videoverkehr hat in den letzten Jahren dramatisch zugenommen. Mit diesem rasanten Wachstum steigt auch das Interesse am Anwendungsverhalten von Video-Streaming-Diensten und dem daraus resultierenden Benutzererlebnis. Um mit Hilfe von objektiven Parametern (wie z. B. der Anzahl an Stalling Events oder Qualitätswechseln) die Zufriedenheit der Endnutzer (QoE) abzuschätzen, gibt es in der Literatur zahlreiche Modelle. Ziel dieser Arbeit ist es daher, einen Überblick über die Gemeinsamkeiten aber auch Unterschiede dieser QoE-Modelle zu bekommen. Dazu sollen mehrere Modelle implementiert werden und anhand verschiedenener subjektiver Video-Streaming-Datensätze verglichen werden. -- Abstract: Global video traffic has increased dramatically in recent years. With this rapid growth, there is also increasing interest in the application behavior of video streaming services and the resulting user experience (QoE). In order to estimate end-user satisfaction using objective parameters (such as the number of stalling events or quality changes), there are numerous models in the literature which can be used. Therefore, the goal of this thesis is to get an overview of the similarities but also differences of these QoE models. For this purpose, several models will be implemented and compared using different subjective video streaming datasets.
• 1.

  Engelbrecht, T.: Investigating the Relationship of Network Data Arrival and the Rendering Process in Chrome, (2021).
• 1.

  Sichermann, M.: Evaluting the Mobile Internet Experience in Bavaria from End User Perspective, (2021).
  • [ Abstract ]
  Derzeit gibt es sogenannte Datenprovider (siehe zB www.tutela.com), die über Mobile Apps Leistungsmessungen von 5G-Mobilfunknetzen machen. In dieser Arbeit sollen diverse Monitoring-Lösungen und -Konzepte, die im großen Umfang die Leistung von 5G bestimmen können (zB über Mobile Apps), untersucht werden. Bei Interesse und für weitere Details bitte melden! Florian Wamser
• 1.

  Knaub, A.: Investigation of Stream Aggregates for Asynchronous Traffic Shaping, (2021).
  • [ Abstract ]
  Kontakt: alexej.grigorjew@uni-wuerzburg.de -- Moderne Systeme enthalten immer mehr Machine-to-Machine (M2M) Kommunikation, welche traditionell durch Bus-Systeme wie CAN und PROFIBUS unterstützt wurden. Neuere Systeme haben jedoch höhere Anforderungen an Bandbreite, Latenz und Zuverlässigkeit, weshalb langsam ein Übergang in Richtung Ethernet-Technologien stattfindet. Daraus entstanden sehr viele verschiedene Technologien, die im Grunde die gleichen Ziele verfolgen, aber untereinander nicht kompatibel sind. Die IEEE Standardisierungsgruppe Time-Sensitive Networking (TSN) versucht, durch diverse Erweiterungen der Ethernet-Standards eine einheitliche Definition der Mechanismen zu bilden. Ein solcher Mechanismus, der Echtzeit-Garantien ermöglicht, lautet Asynchronous Traffic Shaping (ATS). Zur Einhaltung der Garantien sind außerdem Reservierungsprotokolle im Einsatz. Ein neuer Echtzeit-Datenstrom sendet seine Anforderungen an das Netzwerk und wird entweder angenommen oder abgelehnt, je nach vorhandenen Ressourcen. Dabei geht es nicht nur um Bandbreite, sondern z.B. auch um Warteschlangenlängen und Prioritäten. Formeln zur Berechnung der Latenz existieren bereits in der Literatur. Diese sind jedoch von Natur aus ineffizient bei Datenströmen, die sehr selten senden (~ 1 Mal pro Sekunde). Sie verbrauchen ähnlich viele Warteschlangen-Ressourcen wie häufig sendende Ströme (~ 1 Mal pro Millisekunde), benötigen aber natürlich viel weniger Bandbreite. So kann eine Ablehnung schon dann erfolgen, wenn eigentlich kaum Verkehr fließt. Hier soll Stream Aggregation ansetzen. Viele sehr kleine Datenströme werden zu einem größeren Strom mit etwas höherer Bandbreite zusammengefasst, um die Ressourcen effizienter einsetzen zu können. Für ATS auf der Data-Plane erscheint das Aggregat wie ein einziger Strom. In dieser Arbeit soll ein kleines Framework zur Berechnung der Latenzgarantien in einem gegebenen Netzwerk geschrieben werden. Außerdem soll eine Möglichkeit zur Aggregation mehrerer Ströme eingebaut werden. In der Evaluation soll dann dieses Framework benutzt werden, um für einige Netzwerke exemplarisch die Effizienz mit und ohne Aggregation zu vergleichen.
• 1.

  Schweifler, R.: Evaluating the Impact of Browsing Delays on the QoE of Music Streaming, (2021).
  • [ Abstract ]
  Contact: anika.seufert@informatik.uni-wuerzburg.de -- Inhalt: Streaming wird heutzutage immer beliebter. Dazu zählt nicht nur das schon tiefgehend untersuchte Video-Streaming, auch Musik-Streaming über Applikationen wie Spotify wird immer populärer. Während bei Video-Streaming schon viele Untersuchungen zur Nutzerzufriedenheit und deren Einflussfaktoren gemacht wurden, gibt es bei Musik- bzw. Audio-Streaming bisher nur wenige Studien hierzu. In bisherigen QoE-Studien wurde das Streamen von Liedern separat von der verwendeten Applikation untersucht. Aus diesem Grund sollen in dieser Arbeit die Frage beantwortet werden, ob Nutzer den Musik-Stream als schlechter empfinden, wenn sie vorher eine schlechtere Erfahrung durch Browsing-Verzögerungen beim Benutzen der Applikation hatten. Dazu soll eine Web-Musik-Streaming-Applikation entworfen werden, um verschiedene Einflussfaktoren auf die QoE zu simulieren (z.B. Verzögerungen bei der Suche von Liedern oder beim Laden aller Titel einer Playliste). Anschließend wird eine subjektive Nutzerstudie durchgeführt und QoE-Bewertungen zur simulierten Verschlechterung gesammelt und ausgewertet. -- Abstract: Streaming is becoming more and more popular these days. This includes not only video streaming, which has already been studied in depth, but also music streaming via applications such as Spotify is becoming increasingly popular. While many studies have already been conducted on user satisfaction and its influencing factors for video streaming, there have only been a few studies on music and audio streaming. In previous QoE studies, the streaming of songs was examined separately from the application used. For this reason, this thesis aims to answer the question whether users perceive the music stream as worse if they previously had a worse experience due to browsing delays when using the application. For this purpose, a web music streaming application will be designed to simulate different factors influencing QoE (e.g., delays in searching songs or loading all tracks of a playlist). Subsequently, a subjective user study will be conducted and QoE ratings on the simulated degradation will be collected and evaluated.
• 1.

  An, S.H.: Investigation of Timed Gates for Predictable Latency in Dynamic Networks, (2021).
  • [ Abstract ]
  Kontakt: alexej.grigorjew@uni-wuerzburg.de -- Moderne Systeme enthalten immer mehr Machine-to-Machine (M2M) Kommunikation, welche traditionell durch Bus-Systeme wie CAN und PROFIBUS unterstützt wurden. Neuere Systeme haben jedoch höhere Anforderungen an Bandbreite, Latenz und Zuverlässigkeit, weshalb langsam ein Übergang in Richtung Ethernet-Technologien stattfindet. Daraus entstanden sehr viele verschiedene Technologien, die im Grunde die gleichen Ziele verfolgen, aber untereinander nicht kompatibel sind. Die IEEE Standardisierungsgruppe Time-Sensitive Networking (TSN) versucht, durch diverse Erweiterungen der Ethernet-Standards eine einheitliche Definition der Mechanismen zu bilden. Ein bekannter Mechanismus zur Umsetzung von Echtzeitanforderungen sind Timed Gates. Dabei werden Gate Control Lists konfiguriert, die genau steuern, welcher Port im Netzwerk zu welcher Zeit senden darf, ähnlich wie bei Zugfahrplänen an Bahnhöfen. Oftmals erfolgt diese Konfiguration als globale Netzwerk-weite Optimierung, welche alle Switches genau auf einander abstimmt. Die dazu notwendige Rechenzeit erlaubt die Nutzung aber nur für statische Anwendungszwecke. In dynamischen Szenarien ändern sich die Verkehrsanforderungen regelmäßig, und entscheidungen müssen schneller getroffen werden. Stattdessen können Zeitfenster auch länger geöffnet bleiben, um eine ganze Reihe von Paketen übertragen zu können. Neue Verkehrsströme können dann dynamisch zu diesen Gruppen hinzugefügt werden, solange das Zeitfenster groß genug ist, ohne die Gate Control Lists neu zu berechnen. Sobald das Zeitfenster nicht mehr ausreicht, werden neue Verkehrsanfragen abgelehnt. Je länger ein Zeitfenster aber ist, desto mehr verzögert es jedoch die anderen Gruppen. Die Frage ist also, wie die Effizienz eines gegebenen Netzwerks von den Zeitfenstern abhängt. In dieser Arbeit soll ein kleines Framework geschrieben werden, das für ein gegebenes Netzwerk und für eine gegebene Zeitfensterkonfiguration berechnet, wie viele der Echtzeit-Verkehrsströme darin platziert werden können. In einer Parameterstudie soll damit empirisch ermittelt werden, wie die Effizienz einer Konfiguration von diesen Parametern abhängt.
• 1.

  Oesen, E.: Machine Learning Based Web QoE Monitoring for Encrypted Network Traffic, (2021).
• 1.

  Arslanian, A.: QoE Study for Compatible Video and Web Browsing QoE Models, (2021).
• 1.

  Theiner, M.: Profiling the E2E Delays of Streamed Video Games with the Camera Method, (2021).
  • [ Abstract ]
  Determining the E2E lag of actions in video games is not trivial since there is no built-in way to grasp the full lag, including that contributed by the input and output. A standardized method is to record both input and output with a high framerate camera and count the frames from a visible input event to the result on screen. Your job is to perform these measurements for different actions in a series of games, and examine the overhead game streaming generates for them. Note: It might currently not be possible to perform these experiments, as they rely on a physical testbench.
• 1.

  Wieser, V.: Bandwidth Measurements in Mobile Scenarios using a Raspberry Pi, (2021).
• 1.

  Bühler, M.: Modelling the Communication behavior in WhatsApp, (2021).
• 1.

  Schumann, L.K.: Investigation of Hardware and Software Timestamping in Different Network Interfaces, (2021).
  • [ Abstract ]
  Kontakt: <alexej.grigorjew@uni-wuerzburg.de> - Ziel: Vergleich unterschiedlicher Mechanismen zum Timestamping von eingehenden (und ggf. ausgehenden) Paketen mit unterschiedlichen Netzwerkkarten und Endgeräten; Betrachtung von Genauigkeiten, Unterschieden, Konsistenz, Voraussetzungen und Aufwand
• 1.

  Schmitt, P.: Exploratory Comparison of Contemporary Cloud Gaming Services, (2021).
  • [ Abstract ]
  Recently, Cloud Gaming services have once again risen in popularity, with more and more commercial offerings becoming available. Your job in this thesis would be to investigate and compare these services on a technical level and based on their network characteristics.
• 1.

  Ebner, M.: Plausible Performance Prediction of Simulated SDN-enabled Networks via Machine Learning, (2021).
  • [ Abstract ]
  In recent years, Software-Defined Networking (SDN) emerged as an innovative network architecture and gained increasing popularity due to its centralized network management. However, this central point induces a potential bottleneck and possible single-point-of-failure to the network. Therefore, so-called distributed architectures come into play, which keep the logical view centralized, but physically distributed. The goal of this thesis is to evaluate two opposing approaches and predict their performance via Machine Learning (ML). The simulation will be conducted on basis of a preexisting framework based on OMNeT++, which already implements two distributed SDN-architectures, ready for simulation.
• 1.

  Khelloqi, S.: Evaluation of Data Augmentation for Machine Learning on Network Traffic, (2021).

• 1.

  Mertinat, N.: Impact of Content Selection on Crowdsourced QoE Studies of HTTP Adaptive Streaming on Mobile Devices, (2020).
• 1.

  Dworschak, N.-D.: Evaluating Temporal Impairments in Music Streaming, (2020).
• 1.

  Halloway, M.: Investigating the Influence of App Browsing Delays on the QoE of Music Streaming, (2020).
• 1.

  Gray, N.: Evaluation of the Impact of Network Topologies and Applications on Synchronization Strategies of Distributed SDN Controllers, (2020).
  • [ Abstract ]
  Software-defined Networking (SDN) separates the data from the control plane and outsources the latter to a logically centralized instance called the controller. This enables a common view of the network topology and provides a central entity for network configurations. The controller is often distributed to impose no single point of failure and to balance the load efficiently among the physical controller instances. To maintain a consistent view of the network, synchronization between the individual controller instances is required. Controller implementations can be categorized by their utilized synchronization strategy and largely fall in one of two categories, namely horizontal or hierarchical. Goal of this thesis is to evaluate the impact of the network topology and running controller applications on the performance of the controller when using different synchronization mechanisms. As access to large SDN test beds is limited the investigations will be done by simulations within the OMNeT++ framework.
• 1.

  Kargl, J.: Analysis of QoE Aspects of 3D Point Cloud Reduction, (2020).
• 1.

  Aliev, E.: Evaluation of the Impact of Web Cross-Traffic on TCP and QUIC Video Streaming, (2020).
• 1.

  Hessenauer, L.: Classification of IoT Signaling Incidents, (2020).
  • [ Download ]
• 1.

  Fehler, H.: Comparison of Web QoE Algorithms on Different Devices, (2020).
• 1.

  Hofmann, J.: Deep Reinforcement Learning for Configuration of Time-Sensitive-Networking, (2020).
• 1.

  Carsai, C.: Performance Evaluation of Actor-based Softwarized Network Functions, (2020).

• 1.

  Leidinger, F.: Studing the Initial Delay of the YouTube Mobile App with TensorFlow, (2019).
• 1.

  Wolz, M.: Hit Detection with Asymmetric Latency in UE4 Authoritative Multiplayer Games, (2019).
• 1.

  Simonovski, F.: Studying the Video Segmentation for different Streaming Platforms, (2019).
• 1.

  Hildebrand, K.: Towards a Source Traffic Model for Instant Messaging using WhatsApp, (2019).
• 1.

  Haberzettl, L.: QoS Assessments of Spotify’s Mobile Application for Audio Streaming, (2019).
• 1.

  Kurak, T.: Subjektive Nutzerstudie zur Untersuchung des Einflusses von persönlicher Bekanntheit und Popularität eines Videos auf die QoE, (2019).
• 1.

  Janiak, T.: Investigating the Influence of Listener Attentiveness on the QoE of Music Streaming, (2019).
• 1.

  Ewald, M.: Observing Changes in Machine Learning Behavior from Input Latency in Games, (2019).

• 1.

  Vomhoff, V.: Traffic Measurement Study of the Amazon Echo Show, (2018).
• 1.

  Bocerov, M.: Videokompressionsverfahren und ihre Eignung für Adaptives Videostreaming, (2018).
• 1.

  Wollek, A.: Validierung eines generischen HAS-Modells für unterschiedliche Heuristiken., (2018).
• 1.

  Hefter, J.: Analyzing the Streaming Behaviour of a Popular Video-On-Demand Service, (2018).
• 1.

  Weber, K.: Machine Learning for Classification of Streaming Data, (2018).
  • [ Abstract ]
  Laut Vorhersagen [1] soll mobiles Video Streaming im Jahr 2021 etwa dreiviertel des gesamten Internetverkehrs ausmachen. Schon in der heutigen Zeit nimmt es bereits einen großen Teil ein. Dies führt dazu, dass Netzwerkprovider herausfinden müssen, wie sie mit der Masse an Verkehr umgehen sollen, um gleichzeitig ihre Kunden zufrieden stellen zu können. Eine Metrik, um die Nutzerzufriedenheit festzustellen, ist Quality of Experience (QoE). Mit Hilfe von QoE-Management können Provider anhand des Datenverkehrs die Zufriedenheit der Kunden beeinflussen und trotzdem die Kosteneffizienz zu wahren. Ein wichtiger Teil vom QoE-Management ist das QoE-Monitoring. Da allerdings der Netzwerkverkehr verschlüsselt ist und deshalb deep packet inspection nicht mehr verwendet werden kann, muss auf statistische Analysen zurück gegriffen werden. Das Ziel der Arbeit ist es, wichtige QoE-Einflussfaktoren für Mobile Video Stream- ing, speziell am Beispiel YouTube, zu finden mit Hilfe von Machine Learning (ML). Um die Daten zu sammeln, wurde ein Versuchsaufbau bestehend aus einer Linux- Maschine und einem Smartphone benutzt, wobei der PC als Router für das Smartphone zum Internet diente. Auf dem Smartphone lief die originale YouTube-App, welche auch im Google Play Store erhältlich ist, sowie eine Wrapper-App für das Monitoring. Diese kann autonom die YouTube-App starten und Videos abspielen. Während ein Video läuft werden Netzwerk- und Anwendungsinformationen gesam- melt und auf dem Gerät in einer separaten Datei gespeichert. Mit diesen Daten konnten drei verschiedene Datensätze gemessen werden, wobei zwei zur QoE-Vorhersage für initial delay und der dritte Datensatz zur QoE-Vorhersage for stalling events verwendet wurden. Der erste Datensatz bestand aus drei ver- schiedenen Videos und 1070 Instanzen, der zweite Datensatz aus 18 Videos und 1400 Instanzen und der letzte Datensatz aus 930 Instanzen sowie drei Videos. Des Weiteren wurden die Videos mit verschiedenen Bandbreitenbegrenzungen abgespielt, welche von 0.5 Mbits/s bis 5 Mbits/s reichten. Um die Datensätze mit ML klas- sifizieren zu können, mussten die Instanzen zuvor in vordefinierte Klassen anhand ihres initial delay oder ihrer Anzahl an stallings aufgeteilt werden. Versuche mit dem ersten Datensatz zeigten, dass QoE-Schätzungen mit drei Videos nicht aussagekräftig genug sind. Anhand der Ergebnisse mit dem zweiten Datensatz konnten aber folgende wichtige Einflussparameter festgestellt werden: der gesamte Durchsatz von Up- und Downlink, sowie der Durchsatz in den ersten 20 Sekunden. Einflussreiche Parameter sind außerdem der Durchsatz der ersten fünf Segmente, welche nicht leer sind, und deren Größe. Im Anschluss daran wurden weitere QoE-Vorhersagen mit verschiedenen Klassen- aufteilungen gemacht. Es stellte sich heraus, dass die Genauigkeit der Vorhersagen mit steigender Klassenzahl stark nachlässt. Des Weiteren wurden Schätzungen mit Klassenaufteilungen aus anderen QoE-Studien auf unsere Datensätze angewendet, welche allerdings keine weiteren Erkenntnisse lieferten. Zum Schluss wurden QoE-Schätzungen mit dem dritten Datensatz für stalling gemacht und die daraus folgenden Ergebnisse mit den Resultaten der QoE-Vorhersagen mit dem zweiten Datensatz verglichen. Die Faktoren, welche zuvor bei den QoE- Schätzungen für initial delay als wichtige QoE-Einflussfaktoren galten, erwiesen sich bei den QoE-Schätzungen für stalling als nicht einflussreich. Weitere QoE- Vorhersagen zeigten, dass die Anzahl an Qualitätsänderungen während des Videos, sowie die mittlere Ankuftszeit und die kumulative Verteilung der Ankunftszeit der Uplink Requests, großen Einfluss auf die QoE haben.
• 1.

  Katzmareck, M.: Identifying Relationship Pattern within WhatsApp, (2018).
• 1.

  Poignée, F.: Influence of Tension on QoE in Video Streaming, (2018).
• 1.

  Janiak, L.: Impact of the measurement design on application behavior of video streaming, (2018).
• 1.

  Gölz, J.: Evaluation of the Movement Synchronization of Unreal Engine 4, (2018).
  • [ Abstract ]
  The Quality of Service and associated Quality of Experience that networked games provide to a user are susceptible to many influences. Network conditions are a known factor, when it comes to evaluating the synchronization of clients that partake in the same game, as well as the server. Compared to prior work, that either only focused on a small parameter space or used theoretical approaches that did not factor in the effects different game and engine settings can have, this was the target of this thesis. By implementing a fully automated testbed, utilizing an Unreal Engine 4 game prototype, a multitude of different parameter sets could be tested and evaluated. This was done by observing character locations and replicated movement information, and printing them to log files. Instead of querying humans for perceived QoE, spatial and temporal differences between replicated characters and their movement was measured. When evaluating these measurements, insights regarding parameter dependencies and critical measurement influences were gained. This for example includes the necessity of an advanced, unified character movement model to improve evaluation potential.
• 1.

  Borst, V.: Experimental Evaluation of the Interface Design of Crowdsourcing Tasks, (2018).

• 1.

  Shweiki, R.: Determination of Traffic Patterns by a Remote Controllable Drone, (2017).
  • [ Abstract ]
  Durch die steigende Anzahl an Endgeräten im Netzwerk und den damit verbundenen Anstieg an Datenverkehr ist es für den Provider wichtig, die erzeugte Menge an Datenverkehr genau zu kennen. Dies stellt sich durch viele neue Geräte mit neuen Verkehrsmustern jedoch als schwierig heraus, weshalb detaillierte Verkehrsmodelle für jedes Gerät erstellt werden müssen. Auf der anderen Seite profitiert auch der Nutzer von der genauen Verkehrsanalyse. Störungen in von ihm genutzen Services werden schneller erkannt und behoben. In der hier vorgestellten Arbeit soll diese Verkehrsanalyse anhand einer vom Nutzer ferngesteuerten Drohne durchgeführt werden: Ziel der Arbeit ist es mit Hilfe einer am Lehrstuhl vorhandenen Drohne Datenverkehrsmessungen durchzuführen und zu evaluieren. Es soll herausgefunden werden, wie sich die Distanz zum Nutzer oder Hindernisse zwischen dem Nutzer und der Drohne auf den Datendurchsatz beispielsweise bei einer WiFi oder Bluetooth Verbindung auswirkt. Abschließend sollen die gewonnenen Ergebnisse mit Hilfe von vorhandenen Verkehrsmustern verglichen werden und Gemeinsamkeiten sowie Unterschiede herausgefunden und analysiert werden.
• 1.

  Abd El Hai, S.: Measuring the Applicability of the Analytic Model for SDN Controller Traffic and Switch Table Occupancy, (2017).
  • [ Abstract ]
  In the paper 'Analytic Model for SDN Controller Traffic and Switch Table Occupancy' a model has been created and later been verified by simulation. The next step is to test the applicability of the model by measurements. The task is to create a testbed and methods to accomplish this. <christopher.metter@informatik.uni-wuerzburg.de>
• 1.

  Sträßer, M.: SDN-based Elephant Detection, (2017).
  • [ Abstract ]
  • [ Download ]
  ZOOM is an SDN based approach for elephant detection in SDN enabled networks. The idea is to split the IP address space into sections that are iteratively refined until only the largest flows remain. These are then returned as elephant flows. A proof-of-concept implementation and basic evaluation has already been performed in the paper \emph{ZOOM: Lightweight SDN-based Elephant Detection}.
• 1.

  Bocerov, M.: Video Encoding Techniques and their Impact on the Trade-off between Bitrate and Video Quality, (2017).
  • [ Abstract ]
  Video content providers like YouTube and Netflix leverage the emergence of novel techniques for video encoding. The goal of this thesis is to give an overview on currently applied techniques and to evaluate/compare their characteristics w.r.t. the resulting video quality and encoding effort.
• 1.

  Popp, C.: Study on the Accuracy of Video Monitoring VNF in High Mobility Environments, (2017).
• 1.

  Flaig, N.: Simulative Performance Comparison of Adaptation Logics for HTTP Adaptive Streaming, (2017).
• 1.

  Tönsing, L.: Semi-automated Generation of Image Annotations using Crowdsourcing and Tools for automated Translation, (2017).
• 1.

  Smietanka, O.: Detecting People Flows with Distributed Loudness Sensors, (2017).
• 1.

  Stulier, N.: Evaluation of Cranial Deformations Using Crowdsourcing, (2017).
• 1.

  Bauer, A.: Impact of Game Mods on Game Sales and Player Behavior, (2017).
• 1.

  Waigand, M.: Towards Traffic Management for Mobile Group-based Communication in WhatsApp, (2017).
• 1.

  Waigand, P.: Predictive Modeling of Video Spreading in Online Social Networks, (2017).
• 1.

  Rosenberger, A.: Evaluation of the Stability of BGP Routes Based on RTT Measurements, (2017).
• 1.

  Tschammler, F.: Relationship between Context and QoE for Video Streaming, (2017).

• 1.

  Winkler, T.: Developement of a Web-based Library for Collecting Hard- and Software Context Information, (2016).
• 1.

  Ott, S.: Browser-based Measurements of HTTP Live Streaming Performance, (2016).
• 1.

  Landbeck, D.: Framework for Simulative Performance Evaluation of HTTP Adaptive Video Streaming, (2016).
• 1.

  Ott, M.: Performance Evaluation of Caching Architectures using the Internet Proxy Squid, (2016).
• 1.

  Romaguera, F.: Influence of Task Granularity on the Quality of Results in Crowdsourcing, (2016).
• 1.

  Raffeck, S.: Benchmarking SDN Controller with OFCProbe, (2016).
• 1.

  Ernst, F.: Einfluss von Netzwerkparamtern auf Synchronisationsmechanismen in Videospielen, (2016).
• 1.

  Sasu, B.: Investigation of Analytical Modeling Approaches for Edge Computing, (2016).
• 1.

  Zeidler, B.: Comparison of Machine Learning Approaches for YouTube Video Adaptation Estimation on Encrypted Traffic, (2016).
• 1.

  Zorn, F.: Methods for Improving the Qualitiy of Experience of Mobile Video Streams, (2016).
• 1.

  Knapp, T.: Assessment of the ONOS SDN Controller in Case of Network Errors, (2016).
• 1.

  Berani, S.: Evaluation of an Adaptive Flow Monitoring Implementation for SDN-based Networks, (2016).

• 1.

  Gensler, T.: Analysis of Friendliness in Software Development Communities, (2015).
• 1.

  Schwind, A.: Classification and Modeling of Group-based Communication in WhatsApp, (2015).
• 1.

  Lesch, V.: Estimating Worker Attention on Microtasking Platforms, (2015).
• 1.

  Wehner, N.: Automated Quality Evaluation of HTTP Adaptive Video Streaming with an Android App, (2015).
• 1.

  Züfle, M.: Testbed-based Comparison of Application-Aware Traffic Management Strategies, (2015).
• 1.

  Konrad, C.: Automated Evaluation of Group-based Communication in WhatsApp, (2015).
• 1.

  Lazarus, S.: Aging and Scaling of Online Social Networks Graphs, (2015).
• 1.

  Herrnleben, S.: Towards an Emulation of a Multi-Table OpenFlow Switch through a Proxy Layer, (2015).

• 1.

  Loh, F.: Determination of Traffic Patterns of the Facebook Mobile App and the WhatsApp Messenger, (2014).
• 1.

  Werthmann, A.: Implementation and Evaluation of Extended Resilience Metrics for the Pareto-Optimal Controller Placement in SDN-based Networks, (2014).
• 1.

  Beutel, A.: Comparison of Active and Passive Measurements of the Application Behaviour in Enterprise Networks with Thin-Client Architecture, (2014).
• 1.

  Stauch, S.: Modeling the Distribution of Home Routers in the Internet, (2014).
• 1.

  Borsos, R.: Social Network Analysis of Software Development Mailing Lists, (2014).
• 1.

  Bauer, A.: On Algorithms for Socially-Aware Prediction of Individual Content Requests, (2014).
• 1.

  Griepentrog, T.: Statistical Characterization of Geographic WiFi Hotspots Distribution, (2014).
• 1.

  Pfaffenberger, F.: Modelling and Analysis of Social and Temporal Dynamics of YouTube Video Request Processes, (2014).
• 1.

  Helmschrott, F.: An Abstract Simulative Evaluation of Signalling in LTE Core Networks, (2014).