נושא הפרוייקט

מספר פרוייקט מחלקה שמות סטודנטים אימייל שמות מנחים

הפקת תובנות איכות צפיה מתעבורת שיחות ועידה מוצפנת

QoE inference from encrypted video conference traffic

תקציר בעיברית

מכיוון שתעבורת הווידאו שולטת באינטרנט, ספקי האינטרנט מתמודדים עם האתגר של זיהוי איכות החוויה (QoE) עקב הצפנה. הפרויקט שלנו מתבסס על מחקרים קודמים בנושא זום ומרחיב אותו כך שיכלול MS-Teams. כדי לתמוך בגישת למידת המכונה שלנו, יצרנו מערך נתונים מקיף של תעבורת וידאו מוצפנת בזמן אמת.



על ידי אימון רשת נוירונים באמצעות מערך נתונים זה, אנו שואפים לחזות במדויק QoE למרות ההצפנה. המודלים שפיתחנו מפגינים דיוק גבוה בהערכת מדדי QoE שונים.

יש לציין כי רשת הנוירונים המלאכותית (ANN) משיגה דיוק משמעותי בחיזוי BRISQUE, PIQUE ו-NIQE, בעוד שמודל עץ ההחלטות (DT) מציג תוצאות מבטיחות בחיזוי רזולוציה.



לסיכום, הפרויקט שלנו משתמש בהצלחה במערך הנתונים שנוצר כדי לאפשר חיזוי של QoE מתעבורת וידאו מוצפנת בזמן אמת. הדיוק שהושג על ידי המודלים שלנו מציג את האפקטיביות של למידת מכונה בהערכת וידאו QoE, ומספק תובנות חשובות לספקי האינטרנט כדי להבטיח תמיכה נאותה לתעבורת וידאו.

תקציר באנגלית

As video traffic dominates the Internet, operators face the challenge of detecting quality of experience (QoE) due to encryption. Our project builds upon previous research on Zoom and expands it to include MS-Teams. To support our machine learning approach, we have created a comprehensive dataset of encrypted real-time video traffic.



By training a neural network using this dataset, we aim to accurately predict QoE despite encryption. The models we have developed demonstrate high accuracy in assessing various QoE metrics.

Notably, the Artificial Neural Network (ANN) achieves significant accuracy in BRISQUE, PIQUE, and NIQE, while the Decision Tree (DT) model shows promising results in resolution prediction.



In conclusion, our project successfully utilizes a created dataset to enable the prediction of QoE from encrypted real-time video traffic. The accuracy achieved by our models showcases the effectiveness of machine learning in assessing video QoE, providing valuable insights for network operators to ensure adequate support for video traffic.