Інтегрована модель для прогнозування навантаження на вебсервер на основі вейвлетів і нейронної мережі
DOI:
https://doi.org/10.31861/sisiot2024.2.02006Ключові слова:
вебсервер, прогнозування навантаження, часові ряди, вебтрафік, теорія ймовірностейАнотація
У статті представлено інтегровану модель для прогнозування навантаження на вебсервер шляхом аналізу зібраних статистичних даних історичних журналів сервера, даних про поточний трафік та фактори навколишнього середовища для точнішого прогнозування коливань навантаження. Ключові компоненти включають аналіз часових рядів для виявлення трендів і сезонності, дискретні вейвлет-перетворення для зменшення шуму й виділення ключових ознак та нейронні мережи для прогнозування навантаженості вебсерверу. Експериментальні результати показують, що інтегрована модель досягає точності прогнозування на 15–25% більшу у порівнянні з традиційними методами, зокрема ARIMA. Інтегрована модель дозволяє враховувати як короткострокові, так і довгострокові зміни у навантаженні, що є важливим для прогнозування пікових навантажень на вебсервер та планування його ресурсів. Подальші дослідження можуть бути спрямовані на оптимізацію алгоритмів та розширення застосувань представленої моделі для інших типів систем, включаючи хмарні обчислення та розподілені системи. Зростання попиту на надійні та ефективні вебсервіси вимагає точніших моделей прогнозування навантаження для забезпечення оптимальної продуктивності вебсервера та взаємодії з користувачем. Запропонована модель за рахунок реалізації модульності є масштабованою, адаптованою і забезпечує основу для активного балансування навантаження та стратегій розподілу ресурсів, забезпечуючи надійну продуктивність сервера навіть під час пікового навантаження. Особливістю моделі є її здатність враховувати широкий спектр змінних, завдяки поєднанню класичних статистичних методів та сучасних алгоритмів машинного навчання. Окрім прогнозування навантаження на вебсервери, модель можна використовувати для аналізу поведінки користувачів, оптимізації енергоспоживання, моніторингу та прогнозування продуктивності.
Завантажити
Посилання
T. Shelatkar, S. Tondale, S. Yadav, and S. Ahir, "Web traffic time series forecasting using ARIMA and LSTM RNN," ITM Web Conf., vol. 32, p. 03017, 2020.
V. Tambe, A. Golait, S. Pardeshi, R. Javheri, and P. G. Arsalwad, “Web traffic time series forecasting using ARIMA model,” Int. J. Res. Appl. Sci. Eng. Technol., vol. 10, no. 5, pp. 2447–2453, 2022.
I. Lohrasbinasab, A. Shahraki, A. Taherkordi, and A. Delia Jurcut, "From statistical‐ to machine learning‐based network traffic prediction," Trans. Emerg. Telecommun. Technol., vol. 33, no. 4, 2022.
I. Mahmood, S. Ameen, H. Yasin, N. Omar, S. Kak, Z. Najat, A. Salih, N. O. M. Salim, and D. Ahmed, "Web Server Performance Improvement Using Dynamic Load Balancing Techniques: A Review," Asian Journal of Research in Computer Science, vol. 10, pp. 47–62, 2021. DOI: 10.9734/AJRCOS/2021/v10i130234.
H.-K. Wang, X. Zhang, H. Long, S. Yao, and P. Zhu, "W-FENet: Wavelet-based Fourier-Enhanced Network Model Decomposition for Multivariate Long-Term Time-Series Forecasting," Neural Processing Lett., vol. 56, pp. 1–18, 2024. DOI: 10.1007/s11063-024-11478-3.
Z. Tian, "Network traffic prediction method based on wavelet transform and multiple models fusion," Int. J. Commun. Syst., vol. 33, e4415, 2020. DOI: 10.1002/dac.4415.
Z. Hu, I. Tereikovskyi, L. Tereikovska, M. Tsiutsiura, and K. Radchenko, "Applying wavelet transforms for web server load forecasting," in Advances in Computer Science for Engineering and Education II, Z. Hu, S. Petoukhov, I. Dychka, and M. He, Eds., vol. 938, Advances in Intelligent Systems and Computing. Cham: Springer, 2020, pp. 13-22. doi: 10.1007/978-3-030-16621-2_2.
K.O. Radchenko, "Application of discrete wavelet transformations for forecasting the level of load on the web server of general purpose computer networks," Computer-integrated technologies: education, science, production, no. 45, pp. 90–96, 2021. DOI: 10.36910/6775-2524-0560-2021-45-13.
K.O. Radchenko, "Peculiarities of predicting the level of web traffic in general purpose computer networks," Problems of informatization and management, no. 3(71), pp. 41–50, 2022. DOI: 10.18372/2073-4751.71.17002.
S. Prajam, C. Wechtaisong, and A. A. Khan, “Applying machine learning approaches for network traffic forecasting,” Indian J. Comput. Sci. Eng., vol. 13, no. 2, pp. 324–335, 2022.
K. Irie, C. Glynn, and T. Aktekin, “Sequential modeling, monitoring, and forecasting of streaming web traffic data,” Ann. Appl. Stat., vol. 16, no. 1, pp.300-325, 2022.
D. A. Tedjopurnomo, Z. Bao, B. Zheng, F. Choudhury, and A. K. Qin, “A survey on modern deep neural network for traffic prediction: Trends, methods and challenges,” IEEE Trans. Knowl. Data Eng., pp. 1–1, 2020.
A. Mamun, Md S. Sohel, Md N. Sami, Md S. Sunny, D. Roy, and E. Hossain, "A Comprehensive Review of the Load Forecasting Techniques Using Single and Hybrid Predictive Models," IEEE Access, vol. PP, pp. 1–1, 2020. DOI: 10.1109/ACCESS.2020.3010702.
D. Saxena, J. Kumar, A. Singh, and S. Schmid, "Performance Analysis of Machine Learning Centered Workload Prediction Models for Cloud," IEEE Transactions on Parallel and Distributed Systems, vol. PP, pp. 1–18, 2023. DOI: 10.1109/TPDS.2023.3240567.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
