Великий об’єм даних, які використовуються на вебресурсах сприяє уповільненню їх роботи, що негативно впливає на час завантаження та загальне враження від роботи. Одним із найефективніших підходів до оптимізації продуктивності є застосування кешуючих серверів, які дозволяють тимчасово зберігати часто запитувані дані ближче до кінцевого користувача. Це дає змогу суттєво скоротити час відповіді сервера, знизити навантаження на центральну інфраструктуру та забезпечити стабільність і безперервність роботи вебресурсу. Крім того, використання систем балансування навантаження дозволяє рівномірно розподіляти запити між кількома серверами, що додатково підвищує відмовостійкість та масштабованість системи. Кешуючі сервери, що тимчасово зберігають часто запитувані дані ближче до користувача, дозволяють значно зменшити час відгуку серверів, знизити навантаження на основні обчислювальні ресурси та підвищити стабільність роботи веб-додатків. Їхнє впровадження стає особливо актуальним у випадку високонавантажених веб-сервісів. Сучасні веб-сторінки часто довго завантажуються через комплекс технічних факторів, таких як обєм даних, завантаженість серверів. Одним із ключових факторів, що визначають швидкодію сучасних вебресурсів, є ефективне використання механізмів кешування. Кешуючі сервери дозволяють зберігати проміжні результати обчислень, статичні файли та попередньо сформовані сторінки, що значно скорочує час відповіді системи на повторні запити. У даній роботі розроблено архітектуру серверної частини вебресурсу опрацювання великих даних з елементами високих навантажень для пришвидшення роботи вебресурсів. В якості засобів пришвидшення роботи обрано балансувальник навантажень та кешуючі сервери. Запропонована архітектура адаптована до розробки вебресурсів з елементами Unet мереж, які характеризуються наявністю великої кількості статичного контенту. Порівняльний аналіз демонструє що час завантаження вебсторінки зменшився в середньому у 3 рази з використанням кешуючих серверів.
1. Peña-Ortiz, R., Gil, J. A., Sahuquillo, J., & Pont, A. (2013). Analyzing web server performance under dynamic user workloads. Computer communications, 36(4), 386-395. https:// doi.org/10.1016/j.comcom.2012.11.005
2. Rafiu, H. A., Adesina, O. S., & Adekeye, K. S. (2024). Modelling the response rate of the Apache web server using extreme value theory. Scientific African, 23, https://doi.org/10.1016/j.sciaf. 2024.e02086
3. Dhulfiqar, A., Abdala, M. A., Pataki, N., & Tejfel, M. (2024). Deploying a web service application on the EdgeX open edge server: An evaluation of its viability for IoT services. Procedia Computer Science, 235, 852-862. https://doi.org/10.1016/ j.procs.2024.04.081
4. Sulaimany, S., & Mafakheri, A. (2023). Visibility graph analysis of web server log files. Physica A: Statistical Mechanics and its Applications, 611, https://doi.org/10.1016/j.physa.2023.128448
5. Catillo, M., Pecchia, A., & Villano, U. (2022). No more DoS? An empirical study on defense techniques for web server Denial of Service mitigation. Journal of Network and Computer Applications, 202, https://doi.org/10.1016/j.jnca.2022.103363
6. Li, R., Dong, G., Jiang, J., Wu, H., Yang, N., & Chen, W. (2019). Self-adaptive load-balancing strategy based on a time series pattern for concurrent user access on the Web map service. Computers & Geosciences, 131, 60-69. https://doi.org/10.1016/ j.cageo.2019.06.015
7. Kumar, V. D., Praveenchandar, J., Arif, M., Brezulianu, A., Geman, O., & Ikram, A. (2023). Efficient Cloud Resource Scheduling with an Optimized Throttled Load Balancing Approach. Computers, Materials & Continua, 77(2). https://doi.org/10.32604/cmc.2023.034764
8. Xu, D., Gao, Y., & Chen, L. (2024). Research on Server Memory High Load Performance Optimization Method Based on eBPF and Isolation Forest Algorithm. In Proceedings of the 2024 7th International Conference on Artificial Intelligence and Pattern Recognition, 792-797. https://doi.org/10.1145/3703935.3704086
9. Xu, H. (2024). In-memory database load balancing optimization for massive information processing of the Internet of Things. ACM Transactions on Asian and Low-Resource Language Information Processing. https://doi.org/10.1145/3670996
10. Chen, J., Fan, R., Shao, C., Hu, Z., Zhu, S., Li, X., ... & Zhang, J. (2024). Optimisation Strategies for Load Balancing Algorithms Based on Spring Cloud Alibaba. In Proceedings of the 2024 3rd Asia Conference on Algorithms, Computing and Machine Learning, 207-211. https://doi.org/10.1145/3654823.3654861
11. Wu, Y., & Chen, S. (2024). Optimization of load balancing algorithm based on Informer long time series prediction. In Proceedings of the 2024 8th International Conference on Electronic Information Technology and Computer Engineering, 985-991. https://doi.org/10.1145/3711129.3711297
12. Піцун, О., Пришляк, К., Каліновський, Р., & Поворозник, В. (2023). Мікросервісна архітектура системи опрацювання імуногістохімічних зображенЬ. Herald of Khmelnytskyi National University. Technical sciences, 321(3), 166-174. https://www.doi.org/10.31891/2307-5732-2023-321-3-166-174