Este repositório contém meu trabalho final para graduação em Egenharia de Computação pela Unipinhal, com o título "Web Proxy Cache Inteligente".
Com aplicações em rede recebendo cada vez mais usuários e a quantidade de conteúdo que é gerada e consumida, técnicas de cache acabam se tornando uma ferramenta poderosa, para ajudar a reduzir o tempo de resposta de requisições, do lado do servidor, para vários clientes e entregar conteúdos computacionalmente caros de serem processados de forma rápida e eficiente. O objetivo deste trabalho é comparar algoritmos tradicionais de cache, como o LRU (Least recently used) e LFU (Least-frequently used), com um sistema proposto que utiliza algoritmos de aprendizagem de máquina um estágio anterior ao algoritmo de cache. Neste artigo utilizou-se os algoritmos de árvore de decisão, random forest e gradient boosting para a tarefa de classificação. Os resultados demonstraram que a utilização de um algoritmo de classificação pode ajudar na seleção de quais objetos precisam estar em cache. Também foi demonstrado que é possível a implementação do sistema proposto em um ambiente real devido ao baixo tempo de execução do algoritmo proposto.
Os testes foram executados utilizando o Python 3.8.5.
Antes de executar os notebooks é necessário rodar o comando:
$ pip3 install -r requirements.txtO repositório contém o dataset utilizado nos testes final_datasets/df_ml.csv.
Caso seja do interesse criar um novo dataset é necessário, atualmente é necessário utilizar a ferramenta deepcache_netai2018. Ela permite a criação de um dataset onde os elementos gerados possuem uma distribuição de popularidade ao longo do tempo. Para ser executado de maneira direta o arquivo gerado precisa ser salvo com o nome syntheticDataset_O50.csv em um pasta chamada datasets.
Em seguida basta executar o arquivo 1 - Padroniza Datasets.ipynb
Para rodar os experimentos basta rodar o arquivo 2 - Executa experimentos.ipynb
- Prof. Dr. José Tarcísio Franco de Camargo
- Alexandre Ferreira