검색 상세

Autonomous Networking for Web Quality of Experience

웹 체감 품질을 위한 자율제어 네트워킹

  • Minwoo Joo (주민우, 대학원 컴퓨터학과 소프트웨어전공)

초록/요약

Over the past several decades, Web technologies have been used ubiquitously in our daily lives to realize various Internet-connected applications. Beyond the traditional hypertext-based ones, the Web evolution now reaches the new emerging applications, which makes it more challenging to achieve better Web quality of experience (QoE) perceived by users while browsing those advanced Web applications. To maximize this Web QoE, autonomous networking has been in the spotlight as a promising strategy. In spite of the previous research efforts on autonomous networking at endpoint, three fundamental aspects still remains immature: autonomous optimization of Web QoE regardless of target application or user's intention and context, in-depth analysis of actual user perception on Web browsing performance, and verification in practical Web environments for its sustainable use. This dissertation explores autonomous networking for Web QoE in terms of autonomicity, measurablity, and evolvability. To this end, we propose novel profiling and prefetching mechanisms for Web applications based on user interaction. To grasp user's browsing behaviors and future actions over general Web applications, we graft a data-driven approach based on user interaction and a predictive approach from machine learning together. We then analyze the performance gains from our autonomous networking technology for Web browsing by investigating various QoE metrics and their correlations extensively. Finally, it is emulated and evaluated in accordance with real Web browsers, which validates the feasibility and stability against the future evolution of Web technologies. In the former part, we address the problem of user interaction prediction for Web applications. User interaction prediction for Web applications is crucial to improve browsing experience. With the prediction, for instance, a browser can prefetch the content to be accessed next reducing long wait times in advance. However, predicting the user interaction is challenging in practice. Collecting detailed interaction data is difficult due to the constraints on target application and platform. Moreover, Web navigation prediction mechanisms for general applications have a low accuracy with conventional machine learning models. As a remedy, we propose a Web interaction profiling framework, WebProfiler, which collects user interaction data in a generic way and accurately predicts the next navigation. Both navigation and click events are collected by using JavaScript event handlers and clicked objects are identified reliably through a document object model based approach. Furthermore, we adopt gated recurrent unit (GRU), a representative deep learning technique suitable for coping with time series Web interaction data, and present two advanced techniques for training the GRU-based model: uniform resource locator (URL) grouping to handle the variant URLs of a Web page and Web embedding to represent both events in a unified vector space. The experimental results based on the real user interaction data showed that click events within an application improved the overall prediction performance, which were overlooked by most of the previous research. In addition, our evaluation results demonstrated that WebProfiler can achieve a sufficient level of prediction performance for practical use considering its accuracy and feasibility. In the latter part, we cover the Web prefetching problem and consequent effects on user-perceived QoE. Web prefetching is a key technology to hide network latencies from users. Conventional prefetching methods, however, misconstrue the purpose of user's browsing behaviors and resulting experience due to their dependence on statistical characteristics or metadata of individual Web applications. To mitigate existing limitations, we propose a predictive prefetching scheme, WebPrefetcher, which utilizes interaction events to decipher user's genuine intention and context. Our intensive performance analysis results obtained with a real Web browser demonstrate that WebPrefetcher improves user-perceived quality of experience noticeably, outperforming competitive models.

more

초록/요약

지난 수십 년간 웹 기술은 우리의 일상생활 도처에서 인터넷에 연결된 다양한 응용들을 실현하기 위해 사용되어 왔다. 웹 기술의 발전은 하이퍼텍스트 기반의 전통적인 응용들을 너머 새로운 신생 응용들에 이르고 있고, 이러한 고도의 웹 응용들을 탐색함에 있어서 사용자가 인지하는 웹 체감 품질을 향상시키는 것은 더욱 달성하기 어려워졌다. 이와 같은 웹 체감 품질을 극대화하기 위해 자율제어 네트워킹이 유망한 기술로 각광받고 있다. 하지만 엔드포인트 단에서 자율제어 네트워킹에 대해 이루어진 기존 연구들에도 불구하고, 대상 응용이나 사용자 의도, 문맥에 구애받지 않는 웹 체감 품질의 자율적인 최적화, 웹 탐색 성능에 대한 실질적인 사용자 인식에 대한 깊이 있는 분석, 지속 가능한 사용을 위한 실제 웹 환경에서의 검증이라는 세 가지 근본적인 한계점들이 여전히 산재해 있다. 본 학위 논문은 웹 체감 품질을 위한 자율제어 네트워킹을 자율성, 측정성, 발전성 측면에서 탐구한다. 이를 위해 우리는 웹 응용을 위한 사용자 상호작용 기반 프로파일링 및 프리페칭 메커니즘을 제안한다. 먼저 일반적인 웹 응용들에 대해 사용자의 웹 탐색 행동을 이해하고 미래의 행동을 예측하기 위해 우리는 사용자 상호작용을 토대로 한 데이터 기반 접근 방법과 기계 학습에 근간을 둔 예측적 접근 방법을 접목한다. 그리고 다양한 체감 품질 척도들과 그들 간의 상관관계를 광범위하게 연구함으로써 우리는 웹 탐색을 위해 제안한 자율제어 네트워킹 기술로부터 얻어진 성능 향상에 대해 면밀히 분석한다. 마지막으로 실제 웹 브라우저를 활용한 구현과 평가를 통해 다가올 웹 기술의 발전에 대해 제안 기술이 갖는 실현 가능성과 안정성을 검증한다. 학위 논문의 전반부에서 우리는 웹 응용을 위한 사용자 상호작용 예측 문제를 다룬다. 웹 응용을 위한 사용자 상호작용 예측은 탐색 경험을 향상시키는 것에 있어 매우 중대한 요소이다. 이러한 예측을 통해 웹 브라우저는 다음으로 접근될 콘텐츠를 미리 서버에 요청함으로써 긴 대기 시간을 사전에 줄일 수 있다. 하지만 실제 환경에서 사용자 상호작용을 예측하는 것은 도전적인 문제이다. 구체적으로 세밀한 상호작용 데이터를 수집하는 것은 대상 응용이나 플랫폼에 대한 제약들로 인해 어렵고, 일반적인 웹 응용들에 대한 웹 내비게이션 예측은 종래의 기계 학습 모델들만으로는 낮은 정확도를 갖는다. 이를 위한 해결책으로 우리는 사용자 상호작용 데이터를 통용적인 방법으로 수집하고 다음 내비게이션을 정확히 예측하는 웹 상호작용 프로파일링 프레임워크인 WebProfiler를 제안한다. 자바스크립트 이벤트 핸들러를 활용하여 내비게이션과 클릭 이벤트들이 모두 수집되고 클릭된 객체들은 문서 객체 모델 기반의 접근법을 통해 안정적으로 인식된다. 또한 우리는 시계열 웹 상호작용 데이터를 다루는데 적합한 대표적인 심층 학습 기법인 게이트 순환 유닛을 도입하고, 이러한 게이트 순환 유닛 기반 모델을 학습시키기 위한 두 가지 발전된 기법들을 제시한다. 제시된 두 가지 기법들은 웹 페이지에 대한 인터넷 주소 변종들을 처리하기 위한 인터넷 주소 그룹핑과 사용자 상호작용 이벤트들을 통합된 벡터 공간에 표현하기 위한 웹 임베딩을 포괄한다. 실제 사용자 상호작용 데이터를 토대로 한 실험 결과는 대부분의 기존 연구들에서 간과되었던 응용 내에서 발생하는 클릭 이벤트들이 전체적인 예측 성능을 향상시킨다는 것을 보였다. 또한 우리의 성능 평가 결과는 WebProfiler가 정확도와 실현 가능성 측면에서 실제 웹 환경에 적용 가능한 고수준의 예측 성능을 달성할 수 있음을 확인하였다. 학위 논문의 후반부에서 우리는 웹 프레피칭 문제와 이에 따른 사용자가 인지하는 웹 체감 품질에 대한 영향에 대해 논의한다. 웹 프리페칭은 사용자에게 네트워크 지연을 숨기기 위한 주요 기술에 해당한다. 하지만 기존의 프레피칭 기법들은 통계적인 특성이나 개별 웹 응용의 메타데이터에 대한 의존성으로 인해 사용자의 탐색 행동의 목적이나 이로 인한 체감 품질의 변화를 제대로 반영하지 못한다. 이와 같은 기존의 한계점을 완화시키기 위해 우리는 사용자의 의도와 문맥을 판독하기 위해 상호작용 이벤트들을 활용하는 예측적 프리페칭 기법인 WebPrefetcher를 제안한다. 실제 웹 브라우저를 통한 집중적인 성능 분석 결과 우리는 WebPrefetcher가 다른 모델들에 비해 사용자 체감 품질을 현저히 개선하는 것을 입증하였다.

more

목차

Contents

Abstract

Contents

List of Figures

List of Tables

1 Introduction 1
1.1 Background and Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Structure of the Dissertation . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 User Interaction Prediction Framework for Web Applications 5
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 User Interaction and Better Web QoE . . . . . . . . . . . . . . . . 9
2.2.2 Data Collection for User Interaction . . . . . . . . . . . . . . . . . 10
2.2.3 Web Navigation Prediction for Modern Web Applications . . . . . 11
2.3 Design of WebProfiler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 User Interaction Data Collection . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.1 Event Tracing in Web Browsers . . . . . . . . . . . . . . . . . . . . 15
2.4.2 Object Identification for Click Events . . . . . . . . . . . . . . . . 17
2.4.3 Real User Interaction Data . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Web Navigation Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.1 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.2 GRU-based Prediction Model . . . . . . . . . . . . . . . . . . . . . 22
2.5.3 URL Grouping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.4 Web Embedding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.1 Hyperparameter Tuning . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6.2 Impact of Click Events on Prediction . . . . . . . . . . . . . . . . . 30
2.6.3 Benefits of URL Grouping and Web Embedding . . . . . . . . . . 32
2.6.4 Comparison to Other Machine Learning Models . . . . . . . . . . . 33
2.7 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3 Predictive Prefetching Based on User Interaction for Web Applcations 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1 Conventional Web Prefetching Strategies . . . . . . . . . . . . . . 40
3.2.2 Web Prefetching with User Interaction and Deep Learning . . . . . 42
3.3 WebPrefetcher Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.1 Overall Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2 Predictive Prefetching Engine . . . . . . . . . . . . . . . . . . . . . 45
3.4 Performance Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.1 Implementation and Experimental Setup . . . . . . . . . . . . . . . 47
3.4.2 Evaluation of Web Prefetching Performance . . . . . . . . . . . . . 48
3.4.3 In-depth Analysis for QoE Metrics . . . . . . . . . . . . . . . . . . 53
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4 Conclusion 59

Bibliography 61

국문초록

Acknowledgement

more
반출 Meta View 목록