Masterthesis

• 1.

  Sichermann, M.: Analyzing Delays in Mobile Roaming: Towards Understanding the Global IPX Network, (2023).
• 1.

  Simonovski, F.: Measurement Study of the Performance and Energy Efficiency of an IoT-Edge-Cloud in Kubernetes, (2023).
• 1.

  Karsai, C.: Automated Detection of Operator Outages based on Mobile Signalling Data, (2023).

• 1.

  Leidinger, F.: Evaluation of Graph-based Deep Reinforcement Learning for the TSN Per-Port Latency Assignment Optimization Problem, (2022).
• 1.

  Seybold, J.: Implementation and Evaluation of Time-Sensitive Networking Mechanisms in Software with Accelerated Packet Processing Techniques, (2022).
• 1.

  Ceanuri Devesa, J.K.: Performance Evaluation of Feature Representation Transfer Approaches for Video QoE Estimation Across Different Networks, (2022).
• 1.

  Spangenberger, M.: Investigating the Benefits of Encoding at Runtime for DASH Video Streaming, (2022).

• 1.

  Raffeck, S.: Evaluating the Nature-inspired DESYNC Mechanism as an Energy-efficient LoRaWAN MAC, (2021).
• 1.

  Vomhoff, V.: Investigating IoT-centric signaling traffic at the MVNO Mobile Core - Modeling and Classification, (2021).
• 1.

  Schüler, J.: Real-time Video QoE Estimation for Network Management based on Feature Calculation on a 100Gbps Programmable Data Plane, (2021).

• 1.

  Plesker, F.: Simulation of a 5G Network Infrastructure, (2020).
  • [ Download ]
• 1.

  Berani, S.: Fingerprinting Websites in Encrypted Network Traffic, (2020).
• 1.

  Dietz, K.: Identification and Evaluation of KPIs in SDN via Simulation for Establishing Topology Classifications and Prediction Models, (2020).
• 1.

  Poignée, F.: Machine Learning Approach to Predict Video Streaming Behavior at Network Layer, (2020).
• 1.

  Janiak, L.: Potential Traffic Savings by Leveraging Proximity of Communication Groups in Mobile Messaging Applications, (2020).
• 1.

  Stulier, N.: Characterisation of the APM in videogames using DOTA 2, (2020).
• 1.

  Tönsing, L.: Prediction of YouTube’s Chunk Request from Monitored Encrypted Network Traffic, (2020).

• 1.

  Ott, S.: Design and Performance Evaluation of NMS-aware SDN Controle Plane Mechanisms, (2019).
• 1.

  Prantl, T.: Machine Learning for Synthetically Generated, Adaptive Streaming Data, (2019).
  • [ Abstract ]
  Ziel dieser Arbeit war es, die Einsatzmöglichkeiten maschinellen Lernens im Bereich des adaptiven Videostreamings zu analysieren und entsprechende Grundlagen zu schaffen. Insbesondere zielt die Arbeit darauf ab, im großen Stil Streaming-Daten synthetisch zu generieren, die als Eingabe für maschinelles Lernen verwendet werden können. Zu diesem Zweck beginnt die Ausarbeitung damit, Grundlagen und Verfah- ren zu erklären, sowie eine Auswahl aus verwandten Arbeiten zu treffen, um daraus wertvolle Ideen abzuleiten. Einer der wichtigsten Begriffe in diesem Zusammenhang war die Definition und Abstraktion des adaptiven Video-Streamings. Hierbei wurden verschiedene Streaming-Adapationsalgorithmen modelliert und neu implementiert, die die Bitrate für die Filmsegemente, die sogenannten Chunks, bestimmen. Ähnlich wichtig war der Begriff der Quality of Experience, die im weiteren Verlauf der Ar- beit als Bewertungsmethode für das Streaming-Erlebnis beim Benutzer diente. Es wurde zu Beginn ein Überblick über die verschiedenen bekannten Verfahren aus der Literatur gegeben. Anschließend wurden die technischen Details, die möglichen Eingabeparameter und die Auswirkungen der verschiedenen Bewertungsverfahren diskutiert. Die Arbeit nutzt lediglich vorhandene QoE-Modelle aus der Literatur. Die Erstellung und Validierung von neuen QoE-Modellen ist nicht Gegenstand der aktuellen Arbeit. Im Hinblick auf verwandte Arbeiten wurden Arbeiten von Orsolic et al. und Mao et al. herangezogen. Als Ergebnis daraus wurden, mit Blick auf das geplante Vor- haben, folgende Ziele aufgstellt: einen umfangreichen Datensatz mit dem Verhalten verschiedener Adaptionsalgorithmen in stark flukturierenden Netzwerken zu generie- ren, geeignete Kombinationen von Algorithmen zu testen und einen globalen Ansatz zur Optimierung von Video-Streaming-Vorgängen mit Hilfe von Ensemble-Learning zu finden. Das erste Ziel war folglich, einen entsprechend großen inhomogenen Streaming- Datensatz für zukünftige Forschungsarbeiten bereitzustellen. Ein möglicher Ansatz bestand darin, dies mit Hilfe von synthetisch generierten Daten zu realisieren. Dazu wurde die synthetische Erzeugung von Streaming-Daten untersucht, um eine Metho- de zur schnellen Herstellung von Streaming-Daten zu erhalten. Zu diesem Zweck wur- de eine Simulation entwickelt, die das Verhalten der Adaptionsalgorithmen BBA0, FESTIVE und PANDA für ein bestimmtes Video in einem bestimmten Netzwerk, mittels eines generalisierten Modelles, berechnet. Um die Genauigkeit dieser Simu- lation zu überprüfen, wurden für jeden Algorithmus drei Streaming-Prozesse real durchgeführt und in der Simulation nachgestellt. Der Vergleich des simulierten und realen Streaming-Prozesses zeigte eine gute Übereinstimmung zwischen Simulati- on und Realität und außerdem, dass ein Adaptionsverfahren umso besser simuliert werden kann, je mehr es die zeitliche Entwicklung der Parameter berücksichtigt. Mit dem Begriff Quality of Experience (QoE) wurde eine Möglichkeit zur Bewertung der simulierten Streamingvorgänge genutzt und anschließend wurden gängige QoE-Verfahren vorgestellt, aus denen eine begründete Auswahl getroffen wurde. Um mit der Simulation möglichst viele Streaming-Daten zu erzeugen, wurde eine Toolchain für deren automatisierte Generierung vorgestellt. Die Toolchain umfasst dabei die automatische Herstellung und Konvertierung von Videos, deren Simulation durch alle vorgegebenen Netzwerke mittels der drei eingeführten Adaptionsverfah- ren sowie die Bewertung des simulierten Streamingvorganges mit Hilfe von sieben vorgegebenen unterschiedlichen QoE-Modellen. Mit dieser Toolchain wurden fast 3 Millionen Streamingprozesse generiert, die auf die einzelnen Verfahren verteilt sind. Neben der Simulation der herkömmlichen Verfahren wurde eine neue Simulati- onsmethode trainiert, welche die herkömmlichen Vorgehensweisen der Algorithmen BBA0, FESTIVE und PANDA kombiniert. Das neue Verfahren fand heraus, dass man im Schnitt die gleiche durchschnittliche QoE erhält wie das beste herkömmliche Verfahren, wenn man immer nur die zwei höchsten Bitraten wählt. Aus diesem Ver- halten ließ sich schlussfolgern, dass die Analyse der verwendeten QoE-Modelle und deren möglichst optimale Ausprägung auf dem verwendeten Datensatz essentiell für maschinelles Lernen in diesem Bereich ist. Aus diesem Grund empfiehlt diese Arbeit, dass bevor weitere maschinelle Lernver- fahren auf adaptive Streaming-Daten angewendet werden, zuerst die exsistierenden QoE-Modelle und deren Verhalten genauer untersucht werden sollten. Für diese Un- tersuchungen stellt die im Rahmen dieser Arbeit entwickelte Toolchain ein wertvolles Hilfsmittel dar, da sie die schnelle Generierung von Streaming-Daten und deren Be- wertung anhand von sieben verschiedenen QoE-Modellen ermöglicht.
• 1.

  Popp, C.: Measurement and Analysis of QoE Influencing Factors for WebRTC, (2019).
  • [ Abstract ]
  Web Real-Time-Communication (WebRTC) beinhaltet eine Reihe neuartiger Tech- nologien und Standards zur qualitativ hochwertigen Audio-, Video- und Datenüber- tragung zwischen Web-Nutzern und Nutzergruppen. Alles wird under der Prämisse der Echtzeitkommunikation übertragen, so dass Interaktivität ermöglicht wird, also der Dialog und Wechselbeziehung zwischen Nutzern für alle drei Arten der Übertra- gung in WebRTC. So erlaubt WebRTC hiermit das Chatten, Telefonieren, Video- Telefonieren, Screensharing, Webinars und Video-Games im Browser unabhängig von der zugrunde liegenden Hardwareplattform, sei es mit Hilfe von Web- oder mobilen Anwendungen ohne dass zusätzliche Plugins erforderlich sind. Hierfür ver- wendet WebRTC eine Kommunikationsarchitektur die Datenübertragung auf zwei Wegen ermöglicht. Eine Möglichkeit ist die Verwendung eines zentralen Servers, der vom Dienstanbieter bereitgestellt werden muss. Daten an andere Clients in der Session werden über den Server an die entsprechenden Empfänger weitergeleitet (RELAY). Die zweite Möglichkeit ist die direkte Kommunikation der Clients unter- einander (P2P). Da es aufgrund der Verwendung von Network Address Translation (NAT) und Firewalls in der Regel unmöglich ist, direkt Daten an Clients in anderen Netzwerken zu schicken, verwendet WebRTC Interactive Connectivity Establish- ment (ICE), um direkte Kommunikation zu ermöglichen. WebRTC wird vom World Wide Web Consorcium (W3C) und von der Internet Engineering Task Force (IETF) entwickelt und standardisiert. Seit der initialen Veröffentlichung im Jahr 2011 wird WebRTC von einer Vielzahl bekannter Dienste zur Bereitstellung von Echtzeitkom- munikation verwendet. Zu diesen Diensten zählen u.a. Google Hangouts, Facebook Messenger und Citrix GoToMeeting. Diese Arbeit diskutiert Einflussfaktoren auf System und Netzwerkebene, welche die Quality of Experience (QoE) im Kontext von WebRTC beeinflussen. Basierend auf der Analyse bestehender Literatur zu den Themenbereichen Echtzeitkommu- nikation und QoE wurde eine Reihe an Parametern, welche die Nutzererfahrung beeinflussen, identifiziert. Mithilfe dieser Parameter wurden drei Metafaktoren Syn- chronität, Stabilität und Qualität definiert, welche für die QoE relevant sind. Diese werden mittels Key Performance Indikatoren (KPI) näher bestimmt. Jeder KPI be- trachtet einen spezifischen Aspekt des Metafaktors, zu welchem er gehört. Um das Verhalten der Metafaktoren zu untersuchen, wurde ein Mess-Framework implemen- tiert. Dieses ermöglicht automatische und replizierbare Messungen von WebRTC- Anwendungen im Browser. Im Rahmen dieser Messungen ist es möglich, das wie- dergegebene Video, die Dauer einzelner Messungen, die Anzahl an Teilnehmern, so- wie die Sendebandbreite zu definieren. Während der Messungen werden automatisch Messdaten gesammelt. Im Anschluss werden die Daten aller Teilnehmer automatisch auf einem Kontroll-PC gesammelt und für die Weiterverarbeitung organisiert. Das Framework steht öffentlich zum herunterladen bereit. Mithilfe des Mess-Frameworks wurden mehrere Messreihen mit zwei und drei Teilnehmern durchgeführt, um QoE Einflussfaktoren für WebRTC zu analysieren und näher zu bestimmen. Während der Messreihen wurde die Bandbreite zwischen 250 kbit/s and 50 Mbit/s variiert. Die allgemeine Evaluation der Messdaten zeigt, dass bei der Analyse der Einfluss- faktoren von Nutzerzufriedenheit und QoE zwischen den verschiedenen möglichen Kommunikationsmodi unterschieden werden muss. Falls an einer Session nur zwei Teilnehmer teilnehmen, wird im Laufe der Session von RELAY zu P2P-Kommuni- kation gewechselt. Gibt es hingegen drei Teilnehmer, wird während der gesamten Session mittels RELAY kommuniziert. Dies trifft für die implementierte ICE- und WebRTC-Serverinfrastruktur mit jitsi-Server und Chrome-Browser beim Client zu. Hiermit wird die Datenmenge, welche von einem einzelnen Client gesendet werden muss, reduziert. Vergleicht man die RELAY und die P2P-Phase von einer Messung mit zwei Teilnehmern, ist auffällig, dass die RELAY-Phase unabhängig von der Netz- werkbandbreite eine konstant hohe Stabilität der erfassten Parameter aufweist. Die P2P-Phase hingegen benötigt eine gewisse Mindestbandbreite, um diese Stabilität zu erreichen. In der P2P-Phase ist die maximal erreichbare Videobitrate allerdings höher, was die Nutzerzufriedenheit laut QoE-Studien beeinflussen kann. Messungen mit drei Teilnehmern weisen ein Verhalten vergleichbar mit der RELAY Phase von Messungen mit zwei Teilnehmern auf. Im Bezug auf den Metafaktor Synchronität ist auffällig, dass für alle Phasen und sowohl mit zwei, als auch mit drei Teilnehmern, eine Mindestbandbreite von 500 kbit/s notwendig ist, um eine gute Bewertung der Synchronität zu erreichen. Eine Ausnahme hiervon bildet die Audio/Video-Synchronisation. Diese erfordert im Fall von zwei Teilnehmern eine Mindestbandbreite von 2.0 Mbit/s. Nehmen drei Cli- ents an der Messung teil, sind die erreichten Werte für die Audio/Video-Synchronität durchgängig schlechter als für zwei Clients. Der zweite Metafaktor ist Stabilität. Für diesen gibt es größere Unterschiede be- zogen auf das Verhalten von RELAY und P2P-Phase. Während der RELAY-Phase werden durchgängig hohe Werte für die verschiedenen KPIs berechnet. Die berech- neten Werte ändern sich zeitweise, allerdings sind sie dennoch konstant höher als die Werte der P2P-Phase. Bezogen auf den KPI Auflösung, liegt der Haupgrund für die schlechte Bewertung der P2P-Phase in der Art und Weise, wie die Videoauflösung an die verfügbare Bandbreite angepasst wird. Im Fall des zweiten KPIs, welcher die Videoauflösung betrachtet, zeigt die P2P-Phase ein Verhalten ähnlich zum ersten Metaparameter. Geringe Bandbreiten führen zu schlechten Werten. Mit steigender Bandbreite verbessern sich diese und bleiben nach dem Erreichen des Maximums konstant. Aufgrund des beschriebenen Verhaltens wird die Stabilität der RELAY- Phase konstant besser bewertet als die der P2P-Phase. Messungen mit zwei Teil- nehmern zeigen ein Verhalten ähnlich der RELAY-Phase von Messungen mit zwei Teilnehmern. Qualität ist der dritter Metafaktor. Unabhängig von der konfigurierten Bandbrei- te erreicht die P2P-Phase hier immer bessere Bewertungen als die RELAY-Phase, was auch im angegeben Modell in der Arbeit durch Zahlen bestätigt wird. Zwi- schen der Bewertung von Audio- und Videodaten gibt es signifikante Unterschiede. Aufgrund technischer Einschränkungen unterstützt das Messframework keine Wie- dergabe von Audio. Das führt dazu, dass automatisch eine regelmäßige Abfolge von Pieptönen wiedergegeben wird. Wir vermuten, dass dies dazu führt, dass der Audio Adaptionsmechanismus von WebRTC nicht funktioniert. Aufgrund dieser Annahme betrachten wir die Audioqualität als konstanten Faktor. Der zweite KPI, welcher die Qualität betrifft, behandelt die Videoqualität. Sofern die verfügbare Bandbrei- te größer als 2.0 Mbit/s ist, erreicht die P2P-Phase konstant bessere Werte als die RELAY-Phase. Andernfalls sind die Werte der beiden Phasen vergleichbar. Hohe Bandbreiten zeigen eine Limitierung der RELAY-Phase bezüglich der Videobitrate. Wir vermuten, dass es sich hierbei um Limitierungen handelt, welche vom Betreiber des Dienstes eingerichtet wurden. Die Messungen mit drei Teilnehmern zeigen ein ähnliches Verhalten wie die RELAY Phase, allerdings sind die maximal erreichten Bitraten pro Video geringer. Zuletzt definieren wir eine simple Abschätzungsfunktion QoE simple für die QoE von WebRTC aufgrund unserer bisherigen Analyse für die Infrastruktur unseres Frameworks. Diese ist definiert als der Durchschnitt der Metafaktoren. Die berech- neten Werte für QoE simple zeigen, dass die RELAY-Phase für geringe Bandbreiten geringfügig bessere Werte erreicht. Im Fall höherer Bandbreiten ergibt sich ein Vor- teil zugunsten der P2P-Phase. Das Modell erlaubt WebRTC-Anbietern und Provi- dern die Abschätzung der QoE über eine simple Messung von Einflussfaktoren. Die subjektive Validierung des Modells wird in einer nächsten Arbeit angegangen. Alle Metafakotoren wurden aufgrund des bisherigen Stands der Technik in der Literatur ausgewählt und eingebunden.
• 1.

  Smietanka, O.: Discrete-Event Simulation of a Fully Virtualized Mobile Packet Core, (2019).
• 1.

  Morell, M.: Traffic Measurement Study for Real-Time Video Streaming with a Remote Controllable Drone, (2019).

• 1.

  Sommer, M.: Implementation of a Fuzzing Framework for SDN Security Analysis, (2018).
• 1.

  Stubenrauch, F.: On the Practicability of SDN in a University Network, (2018).
  • [ Abstract ]
  Contact: Alexej Grigorjew <alexej.grigorjew@informatik.uni-wuerzburg.de> The work should provide an overview of criteria that enable and encourage the use of modern concepts (such as NFV and SDN) in less agile networks with few operators and versatile traffic patterns. It should identify key influence factors that imply success and feasibility of the deployment of modern devices. In addition, a select choice of use cases shall be investigated by implementing them with modern utilities, and evaluated thereby to gain further insights.
• 1.

  Knapp, T.: Performance Evaluation of DASH Streaming with Real Time Encoding and Continuous Quality Levels, (2018).
  • [ Abstract ]
  Das Thema dieser Arbeit war die Bewertung von DASH Streaming unter Verwendung von Echtzeitkodierung. Zu diesem Zweck wurden vier verschiedene Codecs untersucht. Die spezifischen Parameter der Codecs wurden durch den Effekt klassifiziert, den sie auf die Metriken in Bezug auf die Leistung, die Komprimierung und die Qualität haben. Der Einfluss der signifikanten Parameter auf jede der drei Metriken wurde erforscht. Als Ergebnis wurde die Messung durch eine multi-dimensionale Funktion interpoliert. Nach der Codec Bewertung wurde ein aktuelles Video-Streaming Modell für Echtzeitkodierung erweitert. Folglich wurde ein Auswahlalgorithmus spezifiziert, der durch den Client verwendet wird, um die Kodierungsparameter zu wählen. Durch Anwendung der zuvor bestimmten Codec Funktionen auf das erweiterte Modell können mehrere Szenarien, wie zum Beispiel der Einuss variierender Bandbreite oder die Zeitanforderungsverteilungen mit Fokus auf die Qualitätseigenschaften gegeben durch das Modell, analysiert werden. Die Resultate zeigen die Anpassungsfähigkeit des neuen Modells hin zu veränderter Netzwerkumgebung und bewirken effektiv eine Vermeidung von Videounterbrechungen. Bisher scheint sich die Wahrscheinlichkeitsdichtefunktion des Pufferlevels in Abhängigkeit der Modellparameter in einzelnen Situationen zyklisch zu verändern. Das Modell kann mit jeder der vier untersuchten Codecs kombiniert werden. Den- noch zeigte der Codec H.264 eine geringfügig bessere Ausführung als die Anderen. Unter Verwendung von H.264 als Codec, hat sich das erweiterte Modell gegenüber des Referenzmodells durchgesetzt, da es gute Qualitätswerte unter Komprimierungs- und Performanz-Einschränkungen einhalten konnte. Dies war für das Referenzmodell unmöglich. Diese Arbeit soll Leser dazu ermutigen in Zukunft weitere Untersuchungen in Bezug auf Echtzeitkodierung durchzuführen. Auf technischer Seite können mehr Tests ausgeführt werden, um die Verwendbarkeit des Modells zu überprüfen. Alternativ kann das Modell weiter verbessert und neue Algorithmen erprobt werden.
• 1.

  Gensler, T.: Concept an Implementation of QoE Measurements for Audio Streaming in Spotify, (2018).
• 1.

  Steurer, F.: Design and Simulative Evaluation of Data-Driven Scheduling Algorithms for Crowdsourcing Tasks, (2018).

• 1.

  Loh, F.: Performance Evaluation of Service Chains in Cloud Networks Using Discrete-Time Analysis, (2017).
• 1.

  Pfaff, B.: Evaluation of a Distributed Control Plane for Managing Heterogeneous SDN and Legacy Networks, (2017).
• 1.

  Beutel, A.: Integration of SDN Performance Monitoring in existing Network Management Software, (2017).
• 1.

  Schwind, A.: Concept and Implementation of QoE Measurements in a Mobile Broadband Testbed, (2017).
• 1.

  Allendorf, F.: Assessing the Impact of Network Impairments on the Performance of Players in DOTA 2, (2017).
• 1.

  Tüchert, A.: Influence of loading delays on the perceived quality of web-based enterprise portals, (2017).
• 1.

  Wehner, N.: Simulative Evaluation of the QoE Fairness of HAS Adaptation Logics, (2017).
• 1.

  Pfaffenberger, F.: Evaluation of Network Monitoring Approaches in Cloud Environments - Experiment and Testbed Design, (2017).
• 1.

  Kamneng Kwam, B.: Performance Evaluation of Placement Algorithms for Service Chains, (2017).
• 1.

  Meixner, M.: Methods for Assessment of Multi-objective Optimization Algorithms with Application in the Context of SDN, (2017).

• 1.

  Geissler, S.: Mining Vulnerability Databases for Information on Hypervisor Vulnerabilities: Analyses and Predictions, (2016).
• 1.

  Fischer, V.: Emulation Framework for the Subjective Evaluation of Delays in Web and Business Applications, (2016).
  • [ Download ]
• 1.

  Scholz, M.: Einflussnahme zeitlicher und sozialer Muster auf die Effizienz von Caching, (2016).
• 1.

  Filar, K.: Evaluation of Energy Efficiency Measurements for Virtualized Network Functions, (2016).
• 1.

  Morgan, B.: Simulative Evaluation of Scheduling Mechanisms in Data Centers, (2016).
• 1.

  Müssig, A.: Comparison of State Synchronization Strategies for a Cloud-based Firewall VNF, (2016).
• 1.

  Schwarzmann, S.: Measurement-based Comparison of Different Application-Network Interaction Approaches, (2016).
• 1.

  Helmschrott, F.: Measurement-based Performance Assessment of the QUIC Web Transport Protocol, (2016).
• 1.

  Grigorjew, A.: Optimization of Virtual Network Function Chain Placement, (2016).
• 1.

  Höfner, S.: Evaluation of Orchestration and Access Principles for Cloud Applications, (2016).
  • [ Abstract ]
  The main goal of this thesis is to define, analyze, and evaluate different orchestration and access principles of highly distributed Internet applications. For this purpose, different cloud application types have to be defined. Thereafter three different ap- plications are modeled, measured, and evaluated during the course of this thesis, namely a cloud based picture gallery, a distributed video streaming application and an interactive image processing application. These applications are supposed to run within an existing OpenStack environment that was developed during an earlier Master’s thesis. In the modeling process of the applications, it has to be taken into account that these applications should be scalable in the horizontal, as well as in the vertical dimension. Scaling in the horizontal dimension corresponds to the duplication or migration of services to different locations on the Internet, while the vertical scaling of an application refers to the scaling of the application scope, the complexity of the application functionality, or the provided content quality for specific users. The remainder of this work is structured as follows: Background information about cloud applications and their architecture is presented in Chapter 2. Thereafter, we discuss work that is related to this thesis in Chapter 3. This is followed by a characterization of different cloud application types in Chapter 4. After that, the orchestration and access principles that are important to this work are briefly de- scribed in Chapter 5. Subsequently, we introduce the cloud applications and their corresponding testbeds that have been developed during this thesis in Chapter 6. These applications are then evaluated under consideration of the previously de- scribed orchestration and access principles in Chapter 7. Finally, we conclude this thesis and try to give an outlook for further work in this area in Chapter 8.

• 1.

  Galster, C.: Cost-efficient Navigation in Complex Networks, (2015).
• 1.

  Kuhn, N.: Analysis of the Correlation between the Qualification of Crowdsourcing Workers and their Social Network Relationships, (2015).
• 1.

  Seith, A.: Gamified Subjective Assessment of Influence and Trust in Online Social Networks, (2015).
• 1.

  Oberste-Vorth, S.: Measurement-based Performance Comparison of SDN-related Northbound APIs, (2015).
• 1.

  Schnappauf, J.: Investigation of the Virtualized Network Function Traffic Shaping, (2015).
• 1.

  Frances Pajo, J.: Simulation Framework for Live Migration of Online Games towards the Edge, (2015).
• 1.

  Ehrmann, K.: Assessment of Event-Driven Impact on HTTP Live Streaming, (2015).
• 1.

  Kiermeier, F.X.: Interaction of Dynamic Adaptive Streaming over HTTP and Concurrent HTTP Applications, (2015).
• 1.

  Rachor, C.: Testbed-based RAS Evaluation in SDN using ONOS, (2015).
• 1.

  Gray, N.: Implementation of a Simulation Framework for Distributed SDN-Controller Architectures in OMNeT++, (2015).
• 1.

  Iffländer, L.: Performance Assessement of Service Migration Strategies, (2015).
• 1.

  Sanchez, O.R.: Modeling User Activity and Network Demands in Online Gaming of Dota 2, (2015).

• 1.

  Borchert, K.: Recommendation Systems in Crowdsourcing Platforms, (2014).
• 1.

  Lange, S.: Attribute Sampling in Online Social Networks: Algorithm Design, Performance Evaluation, and Applications, (2014).
• 1.

  Yan, X.: Evaluation of Impact Parameters of Objective QoE Metrics, (2014).
• 1.

  Scherer, J.: Analysis of the Impact of Delays in Web and Business Applications on the Perceived User Quality, (2014).

• 1.

  Scheuring, S.: Analyzing Trustworthiness and Qualification of Workers on Crowdsourcing Platforms, (2013).
• 1.

  Metter, C.: Towards a Platform-Independent and Flexible OpenFlow Controller Performance Analyzer, (2013).
• 1.

  Mayer, F.: Enhanced Resilience Aspects in the CAPEX-oriented Design of Multi-Layer Optical Networks, (2013).
• 1.

  Scheib, M.: Impact of Smartphone Traffic Patterns on Power Consumption in 4G LTE Networks, (2013).
• 1.

  Höhn, T.: Performance Assessment of QoE/QoS-Aware Network Control Approaches Using SDN, (2013).
• 1.

  Deschner, S.: Performance Comparison of Application-Aware Resource Scheduling with Respect to the Channel Behavior, (2013).
• 1.

  Moldovan, C.: YouTube Traffic Characterization: Impact of Flow Control Mechanisms and Internet-Wide Traffic Distribution, (2013).
• 1.

  Sieber, C.: Holistic Evaluation of Novel Adaptation Logics for DASH and SVC, (2013).