haku: @instructor Riikonen, Antti / yhteensä: 7
viite: 2 / 7
Tekijä:Dhungana, Saurav
Työn nimi:Mobile Web Usage: A Network Perspective
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:11 + 78      Kieli:   eng
Koulu/Laitos/Osasto:Sähkötekniikan korkeakoulu
Oppiaine:Radio Communications   (S3019)
Valvoja:Hämmäinen, Heikki
Ohjaaja:Riikonen, Antti
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201310157700
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  1088   | Arkisto
Avainsanat:mobile internet
network measurements
Tstat traffic classifier
WURFL
device identification
Tiivistelmä (eng):With recent advances in mobile devices and network capabilities, Mobile Internet subscription has caught up to and in some markets even surpassed that of the traditional fixed-line Internet.
Hence, in order to sustain future growth and improve their business model, there is a need for the stakeholders to understand the ever evolving Mobile Internet user behaviour.
This thesis analysed data collected from a mobile cellular network in Finland during a week in 2010 using a modified version of the Tstat traffc classifier tool to capture HTTP header and network flow data.
Since this was the first time this tool was used for the network measurements, the main aim of the thesis was to test the reliability of the data and then to create an analysis process to build in-depth understanding of the traffic usage patterns.
Another goal was also to identify mobile handset devices using the new dataset available.
First, a study of the traffic symmetry and diurnal pattern of the traffic flow was done, which showed downlink dominating the traffic with periods of high traffic during the evening hours.
Comparison with the port-based classification showed that the Tstat traffic classifier was more capable in identifying modern Internet applications correctly.
The results also found HTTP to be the dominant protocol in Mobile Internet.
These information rich HTTP headers enabled detailed study of the HTTP traffic.
The Operating System (OS) information available in the User-Agent (UA) header validated the fact that most traffic is indeed from PC based devices and thus enabled separate study for mobile handset based traffic.
For identifying the handsets, the UA headers were mapped to the WURFL database.
From this study, Nokia devices were found to have the highest traffic volume and flows followed by the iOS and Android OS platforms.
However, there were lot of malformed and non-standard UAs, which means there is a need to further refine the handset identification methodology.
ED:2013-12-02
INSSI tietueen numero: 48081
+ lisää koriin
INSSI