Predikce náhlého nárůstu zátěže na webovém serveru

Abstract

Tato práce prozkoumává prediktivní metody pro náhlé špičky pozorované na webových serverech zpravodajských aplikací pro účely autoškálování. Logy webových serveru zpravodajské aplikace jsou analyzovány a jednotlivé řady tvořeny zdroji v logu jsou kategorizovány dle chování. Poznatky získané z ana-lýzy jsou využity jako podklad pro predikce časové řady webových požadavků se zaměřením na náhlé špičky za účely autoškálování v cloudovém prostředí. Prozkoumané modely a jejich chování jsou analyzovány a porovnány. Na zá-věr je provedena simulace cloudového prostředí pro porovnání autoškálovacích metod. Jsou porovnány metody založené na výsledných modelech a metody s reaktivními přístupy autoškálování. Výsledky jsou vyhodnoceny a je vyznačen potenciální směr pro další práci.

This thesis explores the methods for forecasting around sudden peaks in web traffic for news applications and the usability of those for environment autoscaling. Real-world web traffic log data from online news application is analysed, and series formed by resource requests are categorised by behaviour. The insight gained from the analysis is used as a basis for web request time series forecasting approaches focused on sudden peaks for automatic scaling in cloud environments. The explored forecasting models are analysed by behaviour and compared. Finally, a cloud environment simulation is performed to compare the autoscaling method based on the resulting models. Comparisons are made to reactive autoscaling approaches and between each predictive model. The results are evaluated, discussed, and potential future work is outlined.