КЛІЄНТСЬКИЙ TINYML ПРОФАЙЛЕР МЕРЕЖЕВИХ ХАРАКТЕРИСТИК У ВЕББРАУЗЕРІ

Artem Prylipa; Anna Filatova

doi:10.26906/SUNZ.2025.4.114

Автор(и)

Artem Prylipa
Anna Filatova

DOI:

https://doi.org/10.26906/SUNZ.2025.4.114

Ключові слова:

клієнтське профілювання мережі, TinyML, Web Performance API, softmax-класифікація, RUM вимірювання, адаптивне завантаження контенту, QoE

Анотація

Представлено клієнтський TinyML профайлер мережевих характеристик у веббраузері, орієнтований на роботу на пристроях з обмеженими ресурсами та в умовах нестабільних або повільних мереж. Рішення поєднує порогове вирішальне правило з легковаговою логістичною моделлю, що виконується локально та забезпечує класифікацію мережевого з’єднання. Актуальність. Зростання частки мобільного трафіку, різнорідність мережевого середовища та обмеженість наявних браузерних індикаторів ускладнюють точне прийняття рішень на клієнті. Об’єкт дослідження: процес клієнтського профілювання та класифікації якості мережевого з’єднання у браузері на основі стандартних Web Performance API та ML-моделей. Мета роботи: аналіз, проєктування та реалізація прозорого й відтворюваного профайлера, здатного класифікувати тип мережевого з’єднання, формувати інтерпретовані ознаки без серверної підтримки. Методи. Використано Navigation/Resource Timing і PerformanceObserver для збору сирих сигналів. Сформовано вектор із 14 ознак (медіани/квантилі RTT і пропускної здатності, варіабельність, евристика втрат, індикатори протоколів та Service Worker). Запропоновано порогове правило з гістерезисом і довірою рішення та softmax модель. Результати. Розроблено профайлер без спеціальних дозволів і сторонніх сервісів. У контрольованих сценаріях емуляції мережі досягнуто підвищення точності класифікації порівняно з чистим пороговим підходом, забезпечено низькі накладні витрати та пояснюваність рішень. Висновки. Запропоноване рішення є ефективним засобом оперативної та інтерпретованої оцінки мережевих умов у браузері, придатним для середовищ з обмеженими ресурсами. Результати можуть бути використані для подальшого вдосконалення адаптивного завантаження, розширення простору ознак і впровадження компактніших ML-моделей у вебзастосунках.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Muralidhar, A. & Lakkanna, Y. (2024). From clicks to conversions: Analysis of traffic sources in e-commerce. https://arxiv.org/abs/2403.16115 DOI: https://doi.org/10.47363/JMM/2024(6)182

2. Jiang, D., Wang, F., Lv, Z. & Mumtaz, S. (2023). QoE-aware efficient content distribution scheme for satellite-terrestrial networks. IEEE Transactions https://doi.org/10.1109/TMC.2021.3074917 DOI: https://doi.org/10.1109/TMC.2021.3074917

3. Taha, M. (2023). An efficient software-defined network controller based routing adaptation for enhancing QoE of multimedia streaming service. Multimedia Tools and Applications. https://doi.org/10.1007/s11042-023-14938-5 DOI: https://doi.org/10.1007/s11042-023-14938-5

4. MDN Web Docs. Effective connection type (ECT). https://developer.mozilla.org/enUS/docs/Glossary/Effective_connection_type

5. W3C Wiki. Network Quality Monitoring and Prediction. https://www.w3.org/wiki/Network_Quality_Monitoring_and_Prediction

6. Kruger, H. J. J. (2023). A conceptual quality framework for online distance education in a South African higher education context. http://hdl.handle.net/2263/93779

7. Jueckstock, J. P. (2021). Enhancing the security and privacy of the web browser platform via improved web measurement methodology. https://repository.lib.ncsu.edu/server/api/core/bitstreams/65b7fbc8-0e70-41f8-82dd-bfc79d6e37c9

8. MDN Web Docs. NetworkInformation (API). https://developer.mozilla.org/en-US/docs/Web/API/NetworkInformation

9. Kirimi, N. & Barakat, C. (2024). Passive network monitoring and troubleshooting from within the browser: A data-driven approach. International Wireless Communications and Mobile Computing Conference (IWCMC 2024). https://doi.org/10.1109/IWCMC61514.2024.10592376 DOI: https://doi.org/10.1109/IWCMC61514.2024.10592376

10. MDN Web Docs. Performance (Web Performance API). https://developer.mozilla.org/en-US/docs/Web/API/Performance

11. MDN Web Docs. PerformanceResourceTiming. https://developer.mozilla.org/en-US/docs/Web/API/PerformanceResourceTiming

12. MDN Web Docs. PerformanceObserver. https://developer.mozilla.org/en-US/docs/Web/API/PerformanceObserver

13. Goenka, P., Zarifis, K., Gupta, A. & Calder, M. (2022). Towards client-side active measurements without application control. ACM SIGCOMM Computer Communication Review. https://doi.org/10.1145/3523230.3523234 DOI: https://doi.org/10.1145/3523230.3523234

14. Verma, D. (2022). A comparison of web framework efficiency: Performance and network analysis of modern web frameworks. https://urn.fi/URN:NBN:fi:amk-2022061417896

15. Lucas, G. A., Lunardi, G. L. & Dolci, D. B. (2023). From e-commerce to m-commerce: An analysis of the user’s experience with different access platforms. Electronic Commerce Research and Applications, 58, 101240. https://doi.org/10.1016/j.elerap.2023.101240 DOI: https://doi.org/10.1016/j.elerap.2023.101240

16. Sharma, T., Mangla, T., Gupta, A., Jiang, J. & Feamster, N. (2023). Estimating WebRTC video QoE metrics without using application headers. IMC 2023. https://doi.org/10.1145/3618257.3624828 DOI: https://doi.org/10.1145/3618257.3624828

17. Mangla, T., Halepovic, E., Ammar, M. & Zegura, E. (2019). Using session modeling to estimate HTTP-based video QoE metrics from encrypted network traffic (eMIMIC). IEEE Transactions on Network and Service Management. https://doi.org/10.1109/TNSM.2019.2924942 DOI: https://doi.org/10.1109/TNSM.2019.2924942

18. Bronzino, F., Schmitt, P., Ayoubi, S., Martins, G., Teixeira, R. & Feamster, N. (2019). Inferring streaming video quality from encrypted traffic: Practical models and deployment experience. Proceedings of the ACM on Measurement and Analysis of Computing Systems (POMACS). https://doi.org/10.1145/3366704 DOI: https://doi.org/10.1145/3366704

19. Rudin, C. (2019). Stop explaining black box machine learning models for high-stakes decisions and use interpretable models instead. Nature Machine Intelligence. https://doi.org/10.1038/s42256-019-0048-x DOI: https://doi.org/10.1038/s42256-019-0048-x

20. TensorFlow.js. Platform and environment. https://www.tensorflow.org/js/guide/platform_environment

21. Microsoft Open Source Blog. ONNX Runtime Web – Running your machine learning model in browser. https://opensource.microsoft.com/blog/2021/09/02/onnx-runtime-web-running-your-machine-learning-model-in-browser/

22. MDN Web Docs. WebAssembly. https://developer.mozilla.org/en-US/docs/WebAssembly

23. W3C. Web Neural Network API (WebNN). https://www.w3.org/TR/webnn/

24. Dhar, S., Tang, X., et al. (2021). A survey of on-device machine learning: An algorithms and learning theory perspective. ACM Computing Surveys. https://doi.org/10.1145/3450494 DOI: https://doi.org/10.1145/3450494

25. Shi, W. & Dustdar, S. (2016). The promise of edge computing. IEEE Computer. https://doi.org/10.1109/MC.2016.145 DOI: https://doi.org/10.1109/MC.2016.145

26. Malavolta, I., et al. (2020). Evaluating the impact of caching on the energy consumption and performance of progressive web apps. MOBILESoft ’20. https://doi.org/10.1145/3387905.3388593 DOI: https://doi.org/10.1145/3387905.3388593

27. Wang, Q., et al. (2025). Anatomizing deep learning inference in web browsers. ACM (IMC record). https://doi.org/10.1145/3688843 DOI: https://doi.org/10.1145/3688843

28. Yan, Y., Tu, T., Zhao, L., Zhou, Y. & Wang, W. (2021). Understanding the performance of WebAssembly applications. IMC ’21. https://doi.org/10.1145/3487552.3487827 DOI: https://doi.org/10.1145/3487552.3487827