| Anotācija |
Pieaugošais pieprasījums pēc mākoņdatošanas ir veicinājis izmaksu ziņā efektīvu resursu pārvaldības stratēģiju meklējumus. Resursu kešošanu izmanto kā optimizācijas mehānismu, samazinot skaitļošanas slodzi un resursu ieguves laiku, saglabājot un atkārtoti izmantojot iepriekš iegūtos resursus. Lai gan tradicionālie kešatmiņas algoritmi, piemēram, Least Recently Used (LRU, “jaunākais izmantotais”) un Least Frequently Used (LFU, “biežāk izmantotais”), balstās uz vienkārši piemērojamām likumsakarībām, tās ne vienmēr spēj pielāgoties mainīgajai pieprasījumu dabai. Iepriekšējie pētījumi liecina, ka mašīnmācīšanās modeļi var uzlabot kešatmiņas efektivitāti, tomēr to skaitļošanas un infrastruktūras prasības, kā arī apmācības izmaksas ierobežo praktisku pielietojumu produkcijas vidēs, īpaši resursu ierobežotos apstākļos. Darbā tiek pētīta resursefektīvu, adaptīvu tīmekļa vides kešošanas algoritmu izveide, koncentrējoties uz sistēmas izmaksu optimizāciju, izmantojot dažādas algoritmu projektēšanas pieejas. Simulējot šos algoritmus ar produkcijas pieprasījumu virknēm, pētījumā vērtē to ietekmi uz izmaksu efektivitāti. Darba rezultāti liecina, ka mērķētas optimizācijas politikas var uzlabot kešatmiņas lietderību salīdzinājumā ar tradicionālajiem algoritmiem, taču to pielietojumu ierobežo ar palielinātiem skaitļošanas resursiem saistītās izmaksas. Secināts, ka resursefektīvu kešošanas algoritmu izmaksu efektivitāte ir nosacīta, un to nosaka pieprasījumu ķēdes raksturlielumi un izstrādātāja mērķi, norādot uz nepieciešamību turpināt pētīt izmaksu pamatotu tīmekļa kešošanas risinājumu izstrādi. |
