Celem niniejszych badań jest opracowanie i ocena programowej metodologii oceny wydajności oraz prognozowania aplikacji webowych z wykorzystaniem modeli uczenia maszynowego. Zaproponowane podejście integruje zautomatyzowane pozyskiwanie danych, ich wstępne przetwarzanie, analizę oraz wizualizację w czasie rzeczywistym w ramach jednolitego środowiska programowego. Eksperymentalną ocenę przeprowadzono na zbiorze danych obejmującym ponad 10 000 rzeczywistych rekordów wydajnościowych, w tym czas odpowiedzi, wykorzystanie CPU i pamięci, przepustowość sieci oraz metryki wykonania JavaScript, pozyskane za pomocą narzędzi przeglądarkowych DevTools. Zastosowano modele regresji liniowej i wielomianowej, drzewo decyzyjne oraz sieć neuronową w celu identyfikacji wzorców wydajności i prognozowania kluczowych metryk. Wyniki wskazują, że regresja liniowa osiąga najwyższą ogólną dokładność (MAE = 187,25, R² = 0,9363), natomiast sieci neuronowe zapewniają porównywalną skuteczność w warunkach dynamicznego obciążenia. Opracowana platforma programowa umożliwia monitorowanie i raportowanie w czasie rzeczywistym z wykorzystaniem wizualizacji opartych na WebSocket oraz wspiera identyfikację wąskich gardeł wydajnościowych. Uzyskane rezultaty potwierdzają, że integracja uczenia maszynowego z automatyczną oceną wydajności zwiększa dokładność prognoz i przyspiesza wykrywanie degradacji wydajności w porównaniu z tradycyjnymi, ręcznymi metodami monitorowania.
Bibliografia
[1] Ghattas, M., Mora, A. M., & Odeh, S. (2025). A Novel Approach for Evaluating Web Page Performance Based on Machine Learning Algorithms and Optimization Algorithms. AI, 6(2), 19. https://doi.org/10.3390/ai6020019
[2] Google BigQuery, Risdal, M., & Mooney, P. (2018). Chrome Experience Report. https://www.kaggle.com/datasets/bigquery/chrome-user-experience-report/data
[3] Hort, M., Kechagia, M., Sarro, F., & Harman, M. (2022). A Survey of Performance Optimization for Mobile Applications. IEEE Transactions on Software Engineering, 48(8), 2879–2904. https://doi.org/10.1109/TSE.2021.3071193
[4] Leone, J., & Traini, L. (2023). Enhancing Trace Visualizations for Microservices Performance Analysis. Companion of the 2023 ACM/SPEC International Conference on Performance Engineering, 283–287. https://doi.org/10.1145/3578245.3584729
[5] Lun, L., Zetian, D., Hoe, T. W., Juan, X., Jiaxin, D., & Fulai, W. (2024). Factors Influencing User Intentions on Interactive Websites: Insights From the Technology Acceptance Model. IEEE Access, 12, 122735–122756. https://doi.org/10.1109/ACCESS.2024.3437418
[6] Oleshchenko, L., & Burchak, P. (2023). Web Application State Management Performance Optimization Methods. In Z. Hu, I. Dychka, & M. He (Eds), Advances in Computer Science for Engineering and Education VI (Vol. 181, pp. 59–74). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-36118-0_6
[7] Shivakumar, S., & Suresh, P. V. (2018). A Survey and Analysis of Techniques and Tools for Web Performance Optimization. Journal of Information Organization, 8(2), 31. https://doi.org/10.6025/jio/2018/8/2/31-57
[8] Thompson, H. S. (2024). Improved methodology for longitudinal Web analytics using Common Crawl. ACM Web Science Conference, 59–69. https://doi.org/10.1145/3614419.3644018
[9] Willnecker, F., Brunnert, A., Gottesheim, W., & Krcmar, H. (2015). Using Dynatrace Monitoring Data for Generating Performance Models of Java EE Applications. Proceedings of the 6th ACM/SPEC International Conference on Performance Engineering, 103–104. https://doi.org/10.1145/2668930.2688061
[10] Zarrad, A. (2015). A Systematic Review on Regression Testing for Web-Based Applications. Journal of Software, 10(8), 971–990. https://doi.org/10.17706/jsw.10.8.971-990