prikaz prve stranice dokumenta Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja
  Preuzmi
PDF 2.55 MB
diplomski rad
Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja
2024. urn:nbn:hr:195:488282
Ljubojević, Luka
Sveučilište u Rijeci
Fakultet informatike i digitalnih tehnologija

Citirajte ovaj rad

Ljubojević, L. (2024). Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja (Diplomski rad). Rijeka: Sveučilište u Rijeci. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:195:488282

Ljubojević, Luka. "Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja." Diplomski rad, Sveučilište u Rijeci, 2024. https://urn.nsk.hr/urn:nbn:hr:195:488282

Ljubojević, Luka. "Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja." Diplomski rad, Sveučilište u Rijeci, 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', Diplomski rad, Sveučilište u Rijeci, citirano: 13.02.2025., https://urn.nsk.hr/urn:nbn:hr:195:488282

Ljubojević L. Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja [Diplomski rad]. Rijeka: Sveučilište u Rijeci; 2024 [pristupljeno 13.02.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:195:488282

L. Ljubojević, "Skaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja", Diplomski rad, Sveučilište u Rijeci, Rijeka, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:195:488282

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:195:488282
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovSkaliranje web poslužitelja: strojno učenje za predviđanje opterećenja s automatskim skaliranjem okruženja
Naslov (engleski)Adaptive Web Server Scaling: Machine Learning for Load Prediction with Auto-scaling of Environment
AutorLuka Ljubojević
MentorSanda Martinčić-Ipšić (mentor)
Član povjerenstvaMarina Ivašić-Kos (predsjednik povjerenstva)
Član povjerenstvaMiran Pobar (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
(Fakultet informatike i digitalnih tehnologija)
Rijeka
Datum i država obrane2024-07-25, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		DRUŠTVENE ZNANOSTI
Informacijske i komunikacijske znanosti
Informacijski sustavi i informatologija
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:195:488282
Studijski programNaziv: Informatika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra informatike (mag. inf.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-07-21 19:09:06