Дисертація доктора філософії. Бурчак Павло Володимирович. Методи та програмне забезпечення для аналізу продуктивності вебзастосунків на основі моделей машинного навчання

Реєстраційний номер

0826U000634, Дисертація доктора філософії

На здобуття

Доктор філософії

Дата захисту

21-05-2026

Статус

Наказ про видачу диплома

Назва роботи

Методи та програмне забезпечення для аналізу продуктивності вебзастосунків на основі моделей машинного навчання

Здобувач

Бурчак Павло Володимирович,

Керівник Олещенко Любов Михайлівна
Опонент Пелещак Роман Михайлович
Опонент Десятко Альона Миколаївна
Рецензент Дичка Іван Андрійович
Рецензент Жаріков Едуард В'ячеславович

Установа, організація, у вченій раді якої відбудеться/відбувся захист

Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського"

Опис

У дисертаційній роботі розглянуто актуальну науково-прикладну задачу підвищення ефективності аналізу продуктивності вебзастосунків шляхом використання моделей машинного навчання та методів пояснюваності. У сучасних умовах вебзастосунки функціонують у складних розподілених середовищах, де продуктивність визначається багатьма взаємопов’язаними факторами, такими як швидкодія, масштабованість, пропускна здатність та використання ресурсів. При цьому існуючі засоби моніторингу здебільшого обмежуються збором і візуалізацією метрик, не забезпечуючи глибокого аналізу причин деградації продуктивності та адаптивного прийняття архітектурних рішень. У роботі обґрунтовано необхідність створення спеціалізованого програмного забезпечення, яке поєднує моделі ознак продуктивності, методи машинного навчання та інструменти інтерпретації результатів. Метою дослідження є підвищення точності відбору ключових ознак, що впливають на продуктивність вебзастосунків, а також зменшення споживання ресурсів під час їх експлуатації. У першому розділі проведено аналіз сучасних підходів до моніторингу продуктивності вебзастосунків. Виявлено, що більшість існуючих систем є закритими та недостатньо гнучкими, не враховують архітектурні особливості застосунків і не забезпечують належного рівня інтерпретації результатів. Також встановлено, що традиційні підходи базуються на статичних моделях і не враховують динаміку навантаження. На основі цього сформульовано вимоги до нового програмного забезпечення. У другому розділі розроблено методи відбору ключових ознак продуктивності на основі машинного навчання. Запропоновано графово-орієнтований підхід, що враховує взаємозв’язки між компонентами системи, а також багатофакторну модель злиття телеметричних даних. Особливу увагу приділено забезпеченню пояснюваності результатів за допомогою SHAP-подібних методів, що дозволяє інтерпретувати вплив окремих факторів на зміну продуктивності та формувати обґрунтовані гіпотези щодо причин деградації. У третьому розділі виконано експериментальну перевірку запропонованих методів. Проведено навчання та валідацію моделей на реальних і синтетичних даних, отриманих із сучасних хмарних та контейнеризованих середовищ. Результати показали підвищення точності класифікації архітектур, покращення якості відбору ознак та стійкість моделей до зростання навантаження. Додатково застосовано методи інтерпретації (SHAP, LIME), що підтвердило узгодженість отриманих результатів. У четвертому розділі розроблено архітектуру програмного забезпечення для інтелектуального аналізу продуктивності вебзастосунків. Запропонована система включає модулі збору та обробки телеметрії, прогнозування, пояснюваного аналізу та формування рекомендацій. Реалізовано вебінтерфейс і API для взаємодії з системою. Архітектура підтримує інтеграцію з сучасними DevOps-інструментами та забезпечує ефективніше використання ресурсів у порівнянні з існуючими рішеннями. Наукова новизна роботи полягає у розробці нових методів аналізу продуктивності, зокрема TAM-GNN, DCA-MicroNet та CMA-CloudNet, які враховують структурні залежності в системах і забезпечують підвищення точності аналізу та швидкості виявлення проблем. Удосконалено модель AMF-MonoNet для монолітних систем та запропоновано метод CEA-ServerlessNet для оптимізації моніторингу безсерверних архітектур. Практичне значення отриманих результатів полягає у створенні програмного забезпечення, яке дозволяє автоматизувати аналіз продуктивності, оперативно виявляти «вузькі місця» та формувати релевантні рекомендації для оптимізації вебзастосунків. Запропоновані рішення сприяють зниженню споживання обчислювальних ресурсів та можуть бути інтегровані в сучасні процеси розроблення та експлуатації програмних систем.

Дата реєстрації

2026-03-23

Додано/оновлено в НРАТ

2026-03-23 / 2026-07-02