Система динамічного балансування навантаження у вебзастосунках на основі машинного навчання
Вантажиться...
Дата
2025
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Актуальність теми. Сучасні веб-застосунки функціонують в умовах зростаючої складності трафіку, нерівномірних пікових навантажень та можливих деградацій окремих серверних вузлів. Класичні алгоритми балансування навантаження, такі як Round Robin та Least Connections, що широко застосовуються у промислових балансувальниках, ґрунтуються на статичних або локальних евристиках і не враховують динамічної еволюції стану системи. Це обмежує їх ефективність у реальних умовах експлуатації. У зв’язку з цим актуальним є дослідження адаптивних методів балансування навантаження на основі машинного навчання, здатних враховувати довгострокові наслідки прийнятих рішень.
Мета роботи. Метою магістерської дисертації є розробка та дослідження системи динамічного балансування навантаження у веб-застосунках на основі методів навчання з підкріпленням.
Об’єкт дослідження. Процес балансування навантаження у розподілених веб-системах.
Предмет дослідження. Методи та алгоритми динамічного балансування навантаження з використанням машинного навчання, зокрема навчання з підкріпленням.
Методи дослідження. У роботі використано методи теорії черг, марковські процеси прийняття рішень, методи навчання з підкріпленням, експериментальне моделювання, статистичний аналіз результатів та порівняльний аналіз алгоритмів балансування.
Наукова новизна одержаних результатів. Уперше запропоновано підхід до балансування навантаження у веб-застосунках, у якому процес маршрутизації запитів формалізовано як задачу навчання з підкріпленням з адаптивною функцією винагороди. Отримано подальший розвиток методів адаптивного балансування за рахунок урахування довгострокових характеристик якості обслуговування.
Практична цінність одержаних результатів. Розроблена система може бути використана для побудови адаптивних балансувальників навантаження у веб-інфраструктурах. Отримані результати можуть застосовуватись при проєктуванні високонавантажених веб-застосунків та для подальших досліджень у галузі інтелектуального керування трафіком.
Особистий внесок магістранта. Усі результати, наведені в магістерській дисертації, отримані особисто автором. Автором виконано аналіз предметної області, розроблено архітектуру системи, реалізовано алгоритм балансування та проведено експериментальні дослідження.
Апробація результатів дисертації. Основні результати роботи доповідались на науковій конференції ПМК-2025 Вісімнадцята наукова конференція магістрантів та аспірантів Київ, 19 – 21 листопада 2025 р.
Публікації. За матеріалами магістерської дисертації опубліковано 2 наукові праці, з них 2 – у фахових виданнях.
Структура та обсяг роботи. Магістерська дисертація складається зі вступу, чотирьох розділів, висновків до кожного розділу та загальних висновків, списку використаних джерел (36 найменувань) і додатків. Повний обсяг роботи становить 150 сторінок, у тому числі 90 сторінок основного тексту, 27 рисунків та 5 таблиць.
Опис
Ключові слова
балансування навантаження, веб-застосунок, машинне навчання, навчання з підкріпленням, якість обслуговування, адаптивні системи., load balancing, web application, machine learning, reinforcement learning, quality of service, adaptive systems.
Бібліографічний опис
Пшеничний, С. В. Система динамічного балансування навантаження у вебзастосунках на основі машинного навчання : магістерська дис. : 123 Комп'ютерна інженерія / Пшеничний Сергій Володимирович. – Київ, 2025. – 127 с.