Клієнтський TinyML профайлер мережевих характеристик у веббраузері

Abstract

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 контрольо ваних 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. This research presents a client-side TinyML profiler of network in the web browser, designed for operation on resource-constrained devices and under unstable or low-bandwidth network conditions. The solution combines a threshold-based decision rule with a lightweight logistic (softmax) model executed locally to classify the quality of the network connection. Relevance. The rising share of mobile traffic, the heterogeneity of network environments, and the limited fidelity of existing browser indicators complicate accurate client-side decision-making. Object of study: client-side methods for profiling and classifying the quality of a browser-based network connection using standard Web Performance APIs and ML models. Aim: to analyze, design, and implement a profiler capable of classifying connection types and producing interpretable features without server support. Methods. Navigation/Resource Timing and PerformanceObserver are used to collect raw signals. A 14-dimensional feature vector is formed (medians/quantiles of RTT and throughput, variability measures, a loss-likelihood heuristic, and protocol/Service Worker indicators). The proposed a threshold rule with hysteresis and decision confidence, together with a softmax model. Results. The developed profiler requires no special permissions or third-party services. In controlled network-emulation scenarios it improves classification accuracy over a pure threshold baseline, while maintaining low overhead and decision explainability. Conclusions. The proposed client-side approach provides an effective, rapid, and interpretable assessment of network conditions in the browser and is suitable for resource-constrained settings. The results can be leveraged to further enhance adaptive content loading, expand the feature space, and deploy more compact ML models in web applications.