Makine öğrenmesi yöntemleriyle oyun sunucu yükünün tahmin edilmesi

Abstract

Sunucu yükü tahmini kavramı, dağıtık sistemlerde yük dengelemesinde ve yük paylaşımında görülür. Dağıtık sistem uygulamalarında yük tahmini için makine öğrenme yöntemlerinin uygulanması kullanılabilirliği ve performansı artırabilir. Sunucu yükü tahmini için bugüne kadar birçok makine öğrenme yöntemi uygulanmıştır. Bu çalışma, verimli yük dengesi sağlayarak ve ana bilgisayar yük anomalilerini tespit ederken iş yükünü doğru tahmin ederek oyun sunucularının performansını artırmaya odaklanmaktadır. Tahmin için Naif Bayes, Genelleştirilmiş Doğrusal Model, Lojistik Regresyon, Hızlı Büyük Marj, Konvolüsyonel Sinir Ağı, Karar Ağaçları, Random Forest, Gradyan Arttırılmış Ağaçlar ve Destek Vektör Makinesi içeren bir model kurulmuştur. Eğitim aşamasında kullanılan veriler, veri aktarımı ve ağ kullanımı miktarının kapsamlı bir analizi yapılarak üretilmiştir. Analiz aşamasında, kesin kaynak gereksinimlerini ortaya çıkarmak için iyi verimlilik göz önünde bulundurulmuştur. Yüksek doğrulukta performans analizi için çeşitli koşullar altında kapsamlı simülasyonlar gerçekleştirilmiştir. Deneyler, sonuçlarda ortaya çıkan algoritmanın, literatürde bulunan diğer algoritmalara kıyasla yük tahmini açısından ümit verici bir performans sunduğunu göstermektedir.

The concept of server load estimation is seen in load balancing and load sharing in distributed systems. Applying machine learning methods for load estimation in distributed system applications can improve availability and performance. To date, many machine learning methods have been applied for server load estimation. This study focuses on improving the performance of game servers by providing efficient load balance and accurately predicting workload while detecting host load anomalies. For the estimation, a model including Naive Bayes, Generalized Linear Model, Logistic Regression, Fast Large Margin, Convolutional Neural Network, Decision Trees, Random Forest, Gradient Enhanced Trees and Support Vector Machine were established. The data used in the training phase was produced through a comprehensive analysis of the amount of data transfer and network usage. In the analysis phase, goodput was taken into consideration to reveal the exact resource requirements. Comprehensive simulations were performed under various conditions for high accuracy performance analysis. The results of the experiments show that the algorithm obtained in the results offers a promising performance in terms of load estimation compared to other algorithms found in the literature.