prikaz prve stranice dokumenta Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja
  Download
PDF 2.55 MB
master's thesis
Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja
2024. urn:nbn:hr:195:488282
Ljubojević, Luka
University of Rijeka
Faculty of Informatics and Digital Technologies

Cite this document

Ljubojević, L. (2024). Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja (Master's thesis). Rijeka: University of Rijeka. Retrieved from https://urn.nsk.hr/urn:nbn:hr:195:488282

Ljubojević, Luka. "Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja." Master's thesis, University of Rijeka, 2024. https://urn.nsk.hr/urn:nbn:hr:195:488282

Ljubojević, Luka. "Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja." Master's thesis, University of Rijeka, 2024. https://urn.nsk.hr/urn:nbn:hr:195:488282

Ljubojević, L. (2024). 'Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja', Master's thesis, University of Rijeka, accessed 04 October 2024, https://urn.nsk.hr/urn:nbn:hr:195:488282

Ljubojević L. Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja [Master's thesis]. Rijeka: University of Rijeka; 2024 [cited 2024 October 04] Available at: https://urn.nsk.hr/urn:nbn:hr:195:488282

L. Ljubojević, "Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja", Master's thesis, University of Rijeka, Rijeka, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:195:488282

Please login to the repository to save this object to your list.
Metadata
TitleSkaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja
Title (english)Adaptive Web Server Scaling: Machine Learning for Load Prediction with Auto-scaling of Environment
AuthorLuka Ljubojević
MentorSanda Martinčić-Ipšić (mentor)
Committee memberMarina Ivašić-Kos (predsjednik povjerenstva)
Committee memberMiran Pobar (član povjerenstva)
GranterUniversity of Rijeka
(Faculty of Informatics and Digital Technologies)
Rijeka
Defense date and country2024-07-25, Croatia
Scientific / art field,
discipline and subdiscipline		SOCIAL SCIENCES
Information and Communication Sciences
Information Systems and Information Science
Abstract
Ubrzanim razvojem i napredovanjem web aplikacija, nastala je potreba za rješenjem kojim će se, u što kraćem roku, uspostaviti posluživanje web aplikacija. Kao odgovor na tu potrebu nastalo je računalstvo u oblaku i tehnike kontejnerizacije okoline web aplikacija. Paralelno s razvojem oblaka, još se većom brzinom razvijaju tehnike strojnog učenja. Kako raste složenost web aplikacija, tako raste i potreba za povećanjem broja poslužitelja iste aplikacije – skaliranjem. Skalirati web aplikaciju podrazumijeva i pravovremeno otkrivanje potrebe za pokretanjem novih poslužitelja. S obzirom na nedavna visoka povećanja cijena usluga u oblaku, pametno skalirati podrazumijeva i puno uštediti. Većina pružatelja usluga u oblaku počinje integrirati tehnike strojnog učenja za predikciju skaliranja što dovodi do nastanka automatskog skaliranja računalnih resursa u oblaku. Ovaj diplomski rad demonstrira princip rada automatskog skaliranja računalnog sustava u simuliranom okruženju. Pokazuje kako uspostaviti „privatni oblak“ na Hetzner pružatelju usluga u oblaku i kako se u taj sustav uključuje XGBoost model strojnog učenja za predikciju opterećenja web poslužitelja. Rezultati modela prikazuju da je moguće simulirati usluge automatskog skaliranja u oblaku na lokalnim (eng. „on-premises“) poslužiteljima. Rezultati modela su dobiveni standardnim evaluacijskim metrikama poput R2 rezultata, srednje i apsolutne kvadratne pogreške. Skaliranje je testirano na danom sustavu i pokazalo je zadovoljavajuće rezultate – model točno predviđa trend broja zahtjeva, no ne i njihovu vrijednost što je za svrhu demonstracije sustava dovoljno.
Abstract (english)
With the rapid development and advancement of web applications, there was a need for a solution that would establish the serving of web applications as soon as possible. In response to this need, cloud computing and web application environment containerization techniques were created. In parallel with the development of the cloud, machine learning techniques are developing at an even greater speed. As the complexity of web applications grows, so does the need to increase the number of servers of the same application - scaling. Scaling a web application also means timely detection of the need to start new servers. Given the recent high price increases for cloud services, scaling smart also means saving a lot. Most cloud service providers are beginning to integrate machine learning techniques for predictive scaling leading to the emergence of automatic scaling of cloud computing resources. This thesis demonstrates the working principle of automatic scaling of a computer system in a simulated environment. It shows how to set up a "private cloud" on one of the cloud service providers and how machine learning techniques are incorporated into that system to predict web server load. The results of the model show that it is possible to simulate automatic scaling services in the cloud on local ("on-premises") servers.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:195:488282
Study programmeTitle: Informatics
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra informatike (magistar/magistra informatike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-07-21 19:09:06