Programowa ocena wydajności i prognozowanie aplikacji webowych z wykorzystaniem modeli uczenia maszynowego

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.