Vyřazení dat z HTTP cache pomocí strojového učení

Abstract

Cacheování představuje klíčový prostředek pro zvýšení rychlosti a efektivity softwarových aplikací prostřednictvím dočasného ukládání často požadovaných dat. Tato bakalářská práce se zaměřuje na využití metod strojového učení pro rozhodování o vyřazování dat z HTTP cache na webových serverech. Úvodní část se věnuje principům HTTP cache a analyzuje výhody a omezení heuristických algoritmů i dosavadních přístupů založených na strojovém učení. Pro účely experimentálního porovnání je pak navrženo simulační prostředí, ve kterém jsou testovány různé strategie vyřazování. Následně je navržen algoritmus využívající strojové učení a jsou zkoumány možnosti zvýšení jeho efektivity. Hodnocení výkonu je založeno především na metrice Byte Hit Rate, která odpovídá praktické účinnosti cache. Výsledky ukazují, že řešení založené na strojovém učení překonává tradiční heuristické přístupy, a to při zachování přijatelné režie pro reálné nasazení.

Caching is an essential method to enhance the speed and efficiency of software applications by temporarily storing frequently requested data. This bachelors thesis specifically explores machine learning solutions for HTTP cache eviction within web servers. Initially, we outline the fundamental principles of HTTP caching, identifying the strengths and weaknesses of both heuristic eviction algorithms and existing ML-based approaches. We develop a simulation framework to experimentally evaluate various cache eviction methods. Subsequently, we design an ML-based eviction algorithm, investigating several strategies to improve its effectiveness. We test the algorithm using the simulation environment, with performance assessed primarily through Byte Hit Rate, reflecting practical cache efficiency. Our analysis confirms that the ML-enhanced caching solution consistently outperforms traditional heuristics while maintaining resource overhead suitable for real-world deployment.