Intelligent prefetching methodologies for data-intensive systems
Veri-yoğun sistemler için akilli önyükleme metodolojileri
- Tez No: 933290
- Danışmanlar: PROF. DR. MEHMET SIDDIK AKTAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 160
Özet
Günümüz dijital dünyasında, veri yoğunluklu istemci-sunucu sistemleri, verimli ve güvenilir çevrimiçi hizmetlerin sunulmasında önemli rol oynamaktadır. Kullanıcıların dinamik ve sık güncellenen içeriklere hızla erişme talebi giderek artmaktadır. Ancak, geleneksel önbellekleme ve veri alma yöntemleri bu talepleri karşılamakta yetersiz kalmaktadır. Bu durum, artan gecikme süreleri ve azalan kullanıcı memnuniyetiyle sonuçlanmaktadır. Bu zorlukların çözümü, modern dijital etkileşimlerin temelini oluşturan mobil ve web uygulamalarının performansını korumak için kritik bir öneme sahiptir. Bu tez, veri yoğunluklu istemci-sunucu sistemlerinde yaşanan gecikmeyi azaltmak, sunucu tarafındaki yükü hafifletmek ve kullanıcı memnuniyetini artırmak için çeşitli yöntemler sunmaktadır. Tezde, gelişmiş öngörülü ön getirme mekanizmaları incelenmiştir. Kullanıcı davranışlarını temsil eden gömme yöntemleri ve zamana duyarlı teknikler kullanılarak, mobil ve web uygulamalarındaki ön getirme stratejilerinin doğruluğu ve verimliliği artırılmıştır. Tez, ön getirme metodolojileri üzerine sistematik incelemelerin eksikliği, optimal önbellek boyutunun belirlenememesi ve kullanıcı tarama gezinme davranış modellemesinde gömme temsillerinin yeterince kullanılmaması gibi literatürdeki önemli boşlukları doldurmayı hedeflemektedir. Tezin başlıca katkıları şunlardır: Mobil ve web ön getirme üzerine yapılan kapsamlı bir literatür incelemesiyle araştırma trendleri, zorluklar ve gelecekteki yönelimler belirlenmiştir. Kullanıcı davranışlarının zamansal dinamiklerini içeren zamana duyarlı öngörülü ön getirme teknikleri geliştirilmiştir. Sistem performansını en üst düzeye çıkarmak için optimal önbellek boyutunun sistematik olarak belirlenmesi sağlanmıştır. Ayrıca, toplu kullanıcı tarama gezinme davranış verileriyle eğitilen makine öğrenimi modelleri sayesinde yeni kullanıcılar için etkili ön getirme hizmetleri sunulmuş ve soğuk başlangıç problemi çözülmüştür. Bunun yanı sıra, Word2Vec, Node2Vec, DeepWalk, LSTM kodlayıcılar ve autoencoder gibi ileri gömme teknikleri kullanılarak karmaşık kullanıcı tarama gezinme modelleri temsil edilmiştir. Bu temsillerle eğitilen makine öğrenimi modelleri, tahmin başarısında önemli artışlar sağlamıştır. Bu tahminlere göre yapılan ön getirme işlemleri, sistemin önbellek isabet oranını önemli ölçüde artırmıştır. Önerilen yaklaşımlar, gerçek dünya veri setleri kullanılarak deneysel olarak doğrulanmıştır. Deneysel sonuçlar, gecikme süresinin azaltılması, önbellek isabet oranlarının artırılması ve sistem verimliliği gibi performans metriklerinde önemli iyileştirmeler göstermiştir. Gelişmiş öngörülü modellerin pratik ön getirme mekanizmalarına entegrasyonu, bu tezle hem teorik hem de pratik anlamda önemli katkılar sunmaktadır. Bulgular, öngörülü ön getirme alanında teknolojinin bir adım ileriye taşındığını göstermektedir. Ayrıca, gelecekteki araştırmalar ve geliştirmeler için sağlam bir yöntembilim sunmaktadır.
Özet (Çeviri)
In today's digital world, data-intensive client-server systems play an important role in providing efficient and reliable online services. Users' demand for fast access to dynamic and frequently updated content is increasing. However, traditional caching and data retrieval methods are insufficient to meet these demands. This results in increased latency and decreased user satisfaction. Solving these challenges is critical to maintaining the performance of mobile and web applications that form the basis of modern digital interactions. This thesis presents various methods to reduce latency, reduce server-side load, and increase user satisfaction in data-intensive client-server systems. In the thesis, advanced predictive prefetching mechanisms are examined. By using data embedding strategies for representing the user's browsing navigational behavior and time-aware prefetching techniques, the accuracy and efficiency of prefetch strategies in mobile and web applications are increased. The thesis aims to fill important gaps in the literature, such as the lack of systematic reviews on prefetch methodologies, the lack of studies for prefetching technologies to increase user satisfaction in data-intensive client-server systems, and the underutilization of embedding representations in user browsing navigational behavior modeling. The main contributions of the thesis are as follows: A comprehensive literature review on mobile and web prefetching has identified research trends, challenges, and future directions. Time-sensitive predictive prefetching techniques that include temporal dynamics of user browsing navigational behavior have been developed. Optimal cache size has been systematically determined to maximize system performance. In addition, effective prefetching services have been provided for new users and the cold start problem has been solved by using machine learning models trained with aggregated user browsing navigational behavior data. In addition, complex user browsing navigational patterns have been represented using advanced embedding techniques such as Word2Vec, Node2Vec, DeepWalk, LSTM encoders, and autoencoders. Machine learning models trained with these representations have significantly increased prediction success. Prefetching operations performed according to these predictions have significantly increased the system's cache hit ratio. The proposed approaches have been experimentally validated using real-world datasets. Experimental results have shown significant improvements in performance metrics such as latency reduction, cache hit ratio increase, and system efficiency. The integration of advanced predictive models into practical prefetch mechanisms provides significant contributions to this thesis, both theoretically and practically. The findings demonstrate a step forward in the field of predictive prefetch. They also provide a solid methodology for future research and development.
Benzer Tezler
- A machine learning-based SDN approach for enhancing QOE of DASH
DASH deneyim kalitesini geliştirmek için makine öğrenmesi tabanlı bir yazılım tanımlı ağ yaklaşımı
BITA KHEIBARI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı
DOÇ. DR. MÜGE SAYIT
- The significance and the contribution of 6+1 traits of writing to the success of the students in writing courses in English language teaching
Yazmanın 6+1 özelliğinin İngilizce öğretiminde yazılı anlatım derslerindeki öğrenci başarısına katkısı ve önemi
ÖZLEM YAZAR
Yüksek Lisans
İngilizce
2004
Eğitim ve ÖğretimGazi Üniversitesiİngiliz Dili Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. PAŞA TEVFİK CEPHE
- Teleolojik kanıt bağlamında akıllı tasarım kuramı
Intelligent design theory in the context of the teleological argument
METİN PAY
- Ontoloji tabanlı zeki öğretim sistemleri ile yabancı dilde kelime öğrenme
Vocabulary learning in foreign languages by ontology-based intelligent tutoring systems
EMRE AKDEMİR
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. HACER KARACAN
- İnsansız hava aracı (İHA) sürüsünün akıllı yol planlaması
Intelligent path planning of the unmanned aerial vehicle (UAV) swarm
BERAT YILDIZ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AKİF DURDU
DOÇ. DR. AHMET KAYABAŞI