Intelligent evaluation of quality of experience in interactive cloud services

Esta tesis doctoral se centra en las Aplicaciones Interactivas Basadas en la Nube (CIAs), también conocidas como Aplicaciones Interactivas Distribuidas Basadas en la Nube (CDIAs) o Aplicaciones Interactivas en Tiempo Real (RIAs). Las CIAs, que requieren respuestas en tiempo real a las interacciones de los usuarios, incluyen servicios de escritorio remoto, servicios de juegos en la nube y aplicaciones web interactivas. La calidad de experiencia (QoE), definida por la ITU-T como la aceptabilidad general de una aplicación o servicio percibida por el usuario, es crucial para las CIAs, donde el tiempo de interactividad —el periodo entre la interacción del usuario y la respuesta gráfica— es una métrica clave. La pandemia de COVID-19 aceleró la transición al trabajo remoto, aumentando la dependencia de las CIAs para tareas que van desde la ofimática hasta labores para las que se requieren escritorios remotos. Este cambio subraya la importancia de una monitorización precisa de la QoE para garantizar la productividad y la satisfacción del usuario. En la presente tesis evaluamos las propuestas actuales para la cuantificación de QoE en entornos CIAs, identificando etapas y métricas comunes. Presentamos la herramienta TeCLA, desarrollada para abordar las limitaciones de las metodologías previas de evaluación de QoE. Gracias al despliegue de TeCLA en escenarios reales, la tesis recopila datos para evaluar su efectividad en comparación con los métodos tradicionales, particularmente el uso del Round Trip Time como aproximación del tiempo de interactividad. Los hallazgos respaldan la idoneidad de la metodología propuesta para medir la QoE en entornos empresariales CIA. La tesis valida este enfoque mediante su implementación en un entorno corporativo, ofreciendo un sistema pionero para la detección de anomalías utilizando redes neuronales LSTM. Basándonos en el desarrollo previo de TeCLA, proponemos su evolución, TeCLAe, una herramienta mejorada que captura métricas tanto en el cliente ligero como en el servidor remoto gracias a una configuración de doble agente. TeCLAe proporciona información detallada sobre el comportamiento de la infraestructura y el rendimiento de las aplicaciones, esencial para diagnosticar posibles elementos problemáticos de la infraestructura en despliegues CIAs que pueden degradar la QoE de los usuarios. Gracias al trabajo realizado, se proporciona un marco integral para medir y mejorar la QoE en CIAs, crucial para la creciente adopción de soluciones de trabajo remoto. Las herramientas y metodologías propuestas permiten un monitoreo preciso de la QoE y la detección proactiva de problemas, mejorando la experiencia del usuario, la productividad y la escalabilidad de las aplicaciones interactivas basadas en la nube.

This doctoral thesis focuses on Cloud Interactive Applications (CIAs), also known as Cloud Distributed Interactive Applications (CDIAs) or Real-Time Interactive Applications (RIAs). CIAs, which require real-time responses to user interactions, include remote desktop services, cloud gaming services, and interactive web applications. Quality of Experience (QoE), defined by the ITU-T as the overall acceptability of an application or service as perceived by the user, is crucial for CIAs, where interactivity time — the period between user interaction and graphical response — is a key metric. The COVID-19 pandemic accelerated the shift to remote work, increasing reliance on CIAs for tasks ranging from office automation to remote desktop requirements. This shift underscores the importance of precise QoE monitoring to ensure productivity and user satisfaction. In this thesis, we evaluate the current proposals for quantifying QoE in CIA environments, identifying common stages and metrics. We introduce the TeCLA tool, developed to address the limitations of previous QoE assessment methodologies. By deploying TeCLA in real-world scenarios, the thesis gathers data to assess its effectiveness compared to traditional methods, particularly the use of Round Trip Time (RTT) as an approximation of interactivity time. The findings support the suitability of the proposed methodology for measuring QoE in corporate CIA environments. The thesis validates this approach through its implementation in a corporate setting, offering a pioneering system for anomaly detection using LSTM neural networks. Building on the previous development of TeCLA, we propose its evolution, TeCLAe, an enhanced tool that captures metrics on both the thin client and the remote server through a dual-agent configuration. TeCLAe provides detailed insights into the infrastructure’s behaviour and application performance, essential for diagnosing potential problematic elements in CIA deployments that may degrade user QoE. The work conducted provides a comprehensive framework for measuring and improving QoE in CIAs, crucial for the growing adoption of remote work solutions. The proposed tools and methodologies enable precise QoE monitoring and proactive problem detection, enhancing user experience, productivity, and the scalability of cloud-based interactive applications.