This thesis presents an empirical analysis of the performance of WebTransport and WebSocket using the Socket.IO framework under varying network conditions. The thesis investigates two primary experiments, message round trip time and multiplexing performance, both conducted under three scenarios—perfect network (0% packet loss), moderate network (5% packet loss), and poor network (15% packet loss). The experiments were conducted on a system running Fedora 40 with a 12th Gen Intel Core i5-12600K processor and 16 GB of memory. The findings demonstrate that WebTransport mitigates Head-of-Line (HOL) blocking more effectively than WebSocket, especially in environments with degraded networks. WebTransport (Reliable) provided a significant performance advantage under suboptimal network conditions when measuring message round trip time, while WebTransport (Unreliable) consistently demonstrated slightly lower latency but with some data loss. When multiplexing, WebTransport showed significant performance benefits compared to using WebSocket.

Quality of Experience (QoE) is the degree of delight or annoyance of the user of an application or service [1]. To ensure a proper level of QoE for end users, networks and service providers have to continuously monitor their systems in terms of technical parameters, which can then be used to estimate QoE. Especially for video streaming services, which consume a large amount of traffic, network problems such as bandwidth fluctuations quickly develop into annoying artefacts visible to the users, which may lead to abandonment of services. Internet Service Providers (ISPs) are therefore continuously monitoring video network streams in order to provide the better QoE. In this regard to conduct the user behavioral studies, the ISPs spend a large amount of money and energy every time. To avoid this, we are using existing user behavioral studies and simulating the user behavior in an automated set-up and try to measure the impact of network conditions. In our current studies based on the user-behavioral model used [5], we can conclude that low upload speeds don’t affect on simulated user behavior unless they are in high download speed networks. Simulated users with the mid-range download and upload bandwidth tend to face more stalling and quality switches compared to both low and high-bandwidth users. Key quality indicators(KQIs) of video QoE also depends on the number of videos we measure in a single session. Reloading of player helps to reduce stalling for mid and high bandwidths. Reloading worsens the situation in low bandwidth scenarios. / Kvalitet av erfarenhet (QoE) definieras som: "Graden av fröjd eller förargelse av användaren av en applikation eller en service. Den resulterar från uppfyllelsen av hans eller hennes förväntningar med hänsyn till hjälpmedlet, och/eller njutning av applikationen eller servicen i ljuset av användarens personlighet och aktuella tillstånd" [1]. Att att se till en riktig nivå av QoE för slut användare, nätverk och tjänstefamiljeförsörjare måste övervakar fortlöpande deras system när det gäller tekniska parametrar, som kan därefter vara den van vid bedömningen QoE. Speciellt för videoen som strömmar service, som konsumerar ett stort belopp av trafik, framkallar nätverksproblem liksom bandbreddväxlingar snabbt in i förargliga artefacts som är synliga till användarena, som kan leda till övergivande av service. Internetleverantörer (ISPs) är därför fortlöpande videopp nätverksströmmar för övervakning för att att ge den bättre QoEen. I detta avseende att föra de beteendestudierna för användaren, spenderar ISPsna en stor mängd pengar och energi varje gång. Att undvika denna, använder simulerar vi beteendestudier för existerande användare och användareuppförandet i en automatiserat aktivering och försök för att mäta inverkan av nätverksvillkor. I våra aktuella studier som baseras på den använda användare-beteendemodellen [5], oss kan avsluta som laddar upp lågt hastigheter inte påverkar på simulerat användareuppförande, om inte de är i höga nedladdninghastighetsnätverk. Simulerade användare med mitt–området nedladdar och laddar upp bandbredd ansar för att vända mot mer avbrottsoch kvalitetsströmbrytare som jämförs till både låga och höga bandbreddanvändare. Nyckelkvalitetsindikatorer (KQIs) av video QoE beror också på numret av video som vi mäter i en enkel period. Tillbakaläggande av spelaren hjälper att förminska avbrott för mittoch höga bandbredder. Tillbakaläggande försämrar läget i scenarion för låg bandbredd.