MAKİNE ÖĞRENMESİ YÖNTEMLERİYLE OYUN SUNUCU YÜKÜNÜN TAHMİN EDİLMESİ

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.