Resumo Técnico: Aprendendo QoE a partir de Medições ao Nível de Pacote em Tráfego de Videoconferência Criptografado

Declaração do Problema

A proliferação de aplicações de videoconferência (VCA), como Zoom e WhatsApp, acelerada pela mudança para o trabalho remoto pós-pandemia, aumentou a necessidade de um monitoramento robusto da Qualidade de Experiência (QoE). Enquanto os Provedores de Conteúdo (CPs) podem avaliar a qualidade comparando os dados transmitidos e recebidos, os Provedores de Serviços de Internet (ISPs) enfrentam desafios significativos devido à ampla adoção da criptografia de ponta a ponta. Essa criptografia torna a Inspeção Profunda de Pacotes (DPI) tradicional ineficaz, pois os ISPs não conseguem acessar o conteúdo da carga útil (payload) para avaliar a qualidade.

Consequentemente, os ISPs devem confiar em medições passivas de características de tráfego não criptografadas (Qualidade de Serviço, ou QoS) para inferir a QoE. No entanto, a relação entre métricas de QoS (ex: perda de pacotes, jitter) e a QoE percebida pelo usuário é altamente não linear e complexa. As abordagens existentes de aprendizado de máquina (ML) e aprendizado profundo (DL) frequentemente sofrem de sobreajuste (overfitting) em conjuntos de dados pequenos, dependem de características de nível de aplicação indisponíveis em tráfego criptografado ou exigem arquiteturas computacionalmente caras, inadequadas para implantação em tempo real. Além disso, muitos modelos existentes dependem de características estatísticas criadas manualmente (handcrafted) ou indicadores específicos de aplicação (ex: eventos de rebuffer) que são inacessíveis aos operadores de rede.

Metodologia

Os autores propõem o qCNN, um framework leve, simples e eficaz para prever métricas de QoE (especificamente BRISQUE e Mean Opinion Score, ou MOS) usando apenas medições de baixo nível de pacotes provenientes de tráfego criptografado. O framework opera sem informações de nível de aplicação ou inspeção de carga útil.

1. Características de Entrada

O modelo utiliza duas características primárias de baixo nível de tráfego extraídas de fluxos criptografados:

• Tamanho do Pacote (PCKT): O tamanho dos pacotes individuais.
• Tempo de Interchegada de Pacotes (PIAT): O intervalo de tempo entre pacotes consecutivos.
  Estas características são agregadas em intervalos de 0,5 segundo. Os autores hipotetizam que estas medições refletem o estado operacional do canal de comunicação (ex: níveis de compressão, congestionamento, eventos de reconexão) e servem como indicadores indiretos de qualidade perceptual.

2. Arquitetura: qCNN

A arquitetura consiste em três módulos distintos:

• Módulo de Incorporação (EMBD): Um componente inovador que transforma a sequência unidimensional de medições de tráfego em uma representação bidimensional. Diferente de abordagens anteriores que utilizam empilhamento de linhas fixas, este módulo emprega uma camada convolucional $1 \times 1$ treinável para realizar uma operação de "inflação". Isso cria um tensor $M \times M$, permitindo que a rede aprenda combinações ponderadas e interações entre as características de entrada enquanto preserva a informação estrutural.
• Módulo de Cabeça (HEAD): Um extrator de características de Rede Neural Convolucional (CNN) baseado na arquitetura ResNet-18. Este módulo processa a representação incorporada 2D para extrair características localmente salientes. Os autores utilizam transferência de aprendizado (transfer learning), inicializando o módulo HEAD com pesos pré-treinados no ImageNet-1K. Para equilibrar desempenho e custo computacional, os dois primeiros blocos residuais são congelados, enquanto as camadas restantes são ajustadas (fine-tuning).
• Módulo de Preditor (PRED): Uma camada totalmente conectada que mapeia as características de alto nível extraídas pelo módulo HEAD para um escalar de saída representando a métrica de QoE prevista.

3. Estratégias de Treinamento e Otimização

• Aumento de Dados (Data Augmentation): Para melhorar a robustez e generalização, o pipeline de treinamento aplica ruído Gaussiano aditivo e permutação aleatória de elementos dentro do vetor de entrada com uma probabilidade de 0,2.
• Cronograma de Taxa de Aprendizado (Learning Rate Schedule): Os autores introduzem um cronograma Saw-LR, uma estratégia de taxa de aprendizado cíclica inspirada no trabalho de Smith. Este cronograma diminui gradualmente a taxa de aprendizado com picos periódicos para ajudar o otimizador a escapar de mínimos locais, demonstrando desempenho superior em comparação com taxas de aprendizado fixas.
• Regularização: O Dropout é empregado com uma probabilidade baixa ($p=0,01$) após a fase inicial de convergência para evitar o sobreajuste.

4. Conjuntos de Dados

O estudo utiliza dois conjuntos de dados customizados coletados sob condições experimentais controladas:

• Conjunto de Dados WhatsApp (WA): 107 sessões de vídeo (4 minutos cada) rotuladas com BRISQUE (uma métrica de qualidade de imagem sem referência, objetiva). O conjunto de dados contém 10.607 amostras com variadas condições de largura de banda e perda de pacotes.
• Conjunto de Dados Zoom (ZO): 30 clipes de vídeo (6 segundos cada) rotulados com Mean Opinion Score (MOS), uma métrica de qualidade subjetiva derivada de avaliações humanas. Este conjunto de dados contém 500 amostras.

Principais Contribuições

1. Framework Inovador: Introdução do qCNN, um framework baseado em CNN para previsão de QoE a partir de medições de tráfego passivas e de baixo nível em canais criptografados, eliminando a necessidade de informações de nível de aplicação.
2. Transformação Aprendível de 1D para 2D: Desenvolvimento do módulo EMBD, que aprende a transformar sequências de tráfego em um espaço de características 2D, aumentando a capacidade da CNN de capturar dependências complexas em comparação com transformações manuais ou estáticas.
3. Análise de Estacionaridade de Tráfego: Investigação das propriedades de estacionaridade do tráfego de baixo nível. O estudo demonstra que sinais não estacionários (indicando mudanças ou degradação na rede) são frequentemente mais informativos para a previsão de QoE do que sinais estacionários.
4. Conjuntos de Dados Abertos: Liberação pública de dois conjuntos de dados de QoE customizados (WhatsApp e Zoom), sendo o conjunto de dados Zoom um recurso raro anotado com rótulos de MOS subjetivos para videoconferência.
5. Benchmarking de Desempenho: Demonstração de que o framework proposto alcança um desempenho de previsão superior em comparação com modelos clássicos de ML (SVM, Random Forest, XGBoost) e outras arquiteturas de DL (LSTM, TCN, CNNQoE) em ambos os conjuntos de dados.

Resultados Experimentais

O modelo qCNN foi avaliado via validação cruzada de 5 dobras (5-fold cross-validation) contra um conjunto de modelos de base.

• Conjunto de Dados WhatsApp (BRISQUE): O qCNN alcançou o melhor desempenho em todas as métricas, com um Erro Percentual Absoluto Médio (MAPE) de 7,16%, um Erro Quadrático Médio (RMSE) de 6,70 e um Coeficiente de Correlação Linear (LCC) de 0,88. Ele superou significativamente o próximo melhor modelo (CatBoost) e superou vastamente outros modelos de DL como TCN e LSTM-QoE, que mostraram correlação negativa ou próxima de zero em algumas métricas.
• Conjimento de Dados Zoom (MOS): Apesar do pequeno tamanho do conjunto de dados (500 amostras), o qCNN alcançou o menor MAPE (9,04%) e o Menor Erro Absoluto Médio (MAE, 0,2764) entre todos os modelos testados. Demonstrou robustez em condições de dados limitados, embora os autores notem as limitações estatísticas ao tirar conclusões fortes de uma amostra tão pequena.

Estudos de Ablação confirmaram que o módulo de cabeça CNN e o cronograma de taxa de aprendizado Saw-LR foram os componentes mais críticos para o desempenho. Remover a camada CNN resultou em uma queda catastrófica no desempenho, e o uso de taxas de aprendizado fixas produziu resultados inferiores em comparação com o cronograma Saw-LR proposto.

Significância e Alegações

O artigo afirma que o qCNN fornece uma solução simples, fácil de implementar e computacionalmente eficiente para a previsão de QoE em tráfego criptografado. Ao depender exclusivamente de tamanhos de pacotes e tempos de interchegada, o framework permite que os ISPs monitorem a experiência do usuário sem violar a privacidade ou exigir acesso a chaves de descriptografia.

Os autores enfatizam que a capacidade do framework de alavancar o aprendizado por transferência (via pesos pré-treinados do ImageNet) e embeddings aprendíveis permite que ele generalize efetivamente mesmo com conjuntos de dados relativamente pequenos. Eles posicionam o trabalho como um passo em direção a uma maior acessibilidade no monitoramento de QoE, oferecendo uma solução de código aberto que supera os modelos de estado da arte anteriores em precisão de previsão, mantendo um baixo overhead computacional adequado para implantação em borda (edge) e IoT.

O artigo permanece modesto quanto ao seu escopo, reconhecendo que o conjunto de dados Zoom é pequeno e que trabalhos futuros são necessários para validar o modelo em conjuntos de dados maiores e mais diversos e em uma gama mais ampla de plataformas de videoconferência. Sugere também que explorar variantes mais profundas de ResNet e arquiteturas baseadas em Transformer representa uma direção promissora para pesquisas futuras.