Система динамічного балансування навантаження у вебзастосунках на основі машинного навчання

Скорочена інформація про документ
dc.contributor.advisorМорозов, Костянтин Вячеславович
dc.contributor.authorПшеничний, Сергій Володимирович
dc.date.accessioned2026-01-19T13:42:26Z
dc.date.available2026-01-19T13:42:26Z
dc.date.issued2025
dc.description.abstractАктуальність 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.
dc.description.abstractotherRelevance of the topic. Modern web applications operate under conditions of increasing traffic complexity, irregular peak loads, and possible degradation of individual server nodes. Classical load balancing algorithms such as Round Robin and Least Connections, widely used in industrial load balancers, are based on static or local heuristics and do not account for the dynamic evolution of system states. This limits their effectiveness in real-world environments. Therefore, the study of adaptive load balancing methods based on machine learning is highly relevant. Purpose of the work. The purpose of this master’s thesis is to develop and investigate a dynamic load balancing system for web applications based on reinforcement learning methods. Object of the study. The load balancing process in distributed web systems. Subject of the study. Methods and algorithms of dynamic load balancing using machine learning, in particular reinforcement learning. Research methods. The research employs queueing theory methods, Markov decision processes, reinforcement learning techniques, experimental modeling, statistical data analysis, and comparative evaluation of load balancing algorithms. Scientific novelty of the results. For the first time, a load balancing approach is proposed in which request routing is formulated as a reinforcement learning problem with an adaptive reward function. The obtained results further develop adaptive load balancing methods by incorporating long-term quality-of-service metrics. Practical significance of the results. The developed system can be used to design adaptive load balancers for modern web infrastructures. The results are applicable to high-load web application design and further research in intelligent traffic management. Personal contribution of the author. All results presented in the thesis were obtained personally by the author. The author performed the domain analysis, designed the system architecture, implemented the load balancing algorithm, and conducted experimental studies. Approbation of the results. The main results of the research were presented at scientific conference at AMC' 2025 Eighteenth Scientific Conference of Master and Postgraduate Students Kyiv, November 19-21, 2025. Publications. Based on the thesis materials, 2 scientific publications have been published, including 2 papers in peer-reviewed journals. Structure and volume of the thesis. The master’s thesis consists of an introduction, four chapters, conclusions for each chapter and general conclusions, a list of references (36 items), and appendices. The total volume of the thesis is 150 pages, including 90 pages of main text, 27 figures, and 5 tables.
dc.format.extent127 с.
dc.identifier.citationПшеничний, 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.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78236
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectбалансування навантаження
dc.subjectвеб-застосунок
dc.subjectмашинне навчання
dc.subjectнавчання з підкріпленням
dc.subjectякість обслуговування
dc.subjectадаптивні системи.
dc.subjectload balancing
dc.subjectweb application
dc.subjectmachine learning
dc.subjectreinforcement learning
dc.subjectquality of service
dc.subjectadaptive systems.
dc.subject.udc004.05
dc.titleСистема динамічного балансування навантаження у вебзастосунках на основі машинного навчання
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Pshenychnyj_SV_KV-42mp_magistr_2025.pdf
Розмір:
2.43 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (СПСКС)
Магістерські роботи