L’Ecole doctorale : Sciences et Technologies de l’Information et de la Communication avec Télécom SudParis et le Laboratoire de recherche SAMOVAR
présentent
l’AVIS DE SOUTENANCE de Monsieur Diego RIVERA
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat de l’Université Paris-Saclay, préparé à Télécom SudParis en :
réseaux, information et communications

Quand: le mardi 28 février 2017 à 15h00

Ou: à Télécom SudParis – Salle A003 – 9 rue Charles Fourier 91011 Evry

Membres du jury :

Résumé :

A l’époque où l’Internet est devenu la plateforme par défaut pour offrir de la valeur ajoutée, des nouveaux fournisseurs de services multimédia ont saisi cette opportunité en définissant les services Over-The-Top (OTT). Cependant, Internet n’étant pas un réseau de distribution fiable, il nécessaire de garantir de haut niveau de Qualité d’Expérience (QoE), ainsi que les revenues des Fournisseurs de Services d’Internet (ISP) et des OTTs. Le travail présenté dans ce document va au-delà de l’état de l’art, en proposant une solution qui prend en compte cet objectif. Les principaux apports qui y sont présentés peuvent être synthétisées en quatre contributions. En premier lieu, l’inclusion des paramètres liés aux modèles d’affaires dans l’analyse de la QoE a demandé un nouveau cadre pour calculer la QoE d’un service OTT. Ce cadre est basé sur le formalisme mathématique des Machines Étendues à États Finis (EFSM), ce qui profite de deux avantages des EFSMs~: les traces des machines suivent les décisions de l’utilisateur et les variables du contexte utilisés comme indicateurs de qualité, seront utilisées ultérieurement pour computer la QoE. La deuxième contribution consiste à mettre en œuvre deux algorithmes. Le premier fait le calcul d’une forme équivalent, ayant la forme d’un arbre qui représente les traces de la machine. Le deuxième utilise les traces et fait le calcul de la QoE pour les états terminaux de chaque trace. Les deux algorithmes peuvent être utilisés comme base d’un outil de monitorage capable de prévoir la valeur de la QoE d’un utilisateur. De plus, une mise en œuvre concrète des ces deux algorithmes comme une extension de l’Outil de Monitorage de Montimage (MMT) est aussi présentée. La troisième contribution présente la validation de l’approche avec un double objectif. D’une part, l’inclusion de paramètres du modèle d’affaires est validée et on détermine leur impact sur la QoE. D’autre part, le modèle de la QoE proposé est validé par la mise en œuvre d’une plateforme d’émulation d’un service OTT qui montre des vidéos perturbés. Cette implémentation est utilisée pour obtenir des valeurs estimées par utilisateurs réels qui sont utilisés pour dériver un modèle approprié de la QoE. La dernière contribution se base sur le cadre donné et fournit un analyse statique d’un service OTT. Cette procédure est réalisé par un troisième algorithme qui calcule la quantité des configurations contenues dans le modèle. En analysant à l’avance touts les scénarios possibles qu’un utilisateur peut rencontrer, le fournisseur des services OTT peut détecter des défauts dans le modèle et le service à une stade précoce du développement.

Abstract :

At a time when the Internet has become the de facto platform for delivering value, the new multimedia providers took advantage of this opportunity to define Over-The-Top (OTT) services. Considering that Internet is not a reliable distribution network, it is necessary to ensure high levels of Quality of Experience (QoE) and revenues for Internet Service Providers (ISP) and OTTs. The work presented in this dissertation goes beyond the state of the art by providing a solution having this goal in mind. The main contributions presented here can be summarized in four main points. First, the inclusion of business-model related parameters in the QoE analysis required a new framework for calculating the QoE of an OTT service. This framework is based on the Extended Finite States Machine (EFSM) mathematical formalism, which takes advantage of two features of the EFSMs: (1) the traces of the machines that keep track of the user’s decisions and; (2) the context variables used as quality indicators, correlated later with the QoE. The second contribution is the design and the implementation of two algorithms. The first computes the $l$-equivalent, a version in the form of a tree of the model that exposes the traces of the machine. The second uses the traces and computes the QoE at the final stages of each trace. Both algorithms can be used to design a monitoring tool that can predict a user’s QoE value. In addition, a concrete implementation is given as an extension of the Montimage Monitoring Tool (MMT). The third contribution presents the validation of the approach, having two objectives in mind. On the one hand, the inclusion of business-model related parameters was validated by determining the impact of such variables on the QoE. On the other hand, the proposed QoE model is validated by the implementation of an OTT emulation platform showing disrupted videos. This implementation is used to obtain QoE values evaluated from real users, values used to derive an appropriate QoE model. The last contribution uses the framework to perform a static analysis of an OTT service. This is done by a third algorithm that computes the amount of configurations contained in the model. By analyzing in advance all the possible scenarios a user can face — and their respective QoE, the OTT provider can detect flaws in the model and the service from the early stages of development.