Поиск :
Личный кабинет :
Электронный каталог: Царюк Артём Владимирович - Оптимизация применения бессерверных технологий
Царюк Артём Владимирович - Оптимизация применения бессерверных технологий
Нет экз.
Электронный ресурс
Автор: Царюк Артём Владимирович
Оптимизация применения бессерверных технологий : выпускная квалификационная работа : Бакалаврская работа
Издательство: Московский государственный психолого-педагогический университет, 2025 г.
ISBN отсутствует
Автор: Царюк Артём Владимирович
Оптимизация применения бессерверных технологий : выпускная квалификационная работа : Бакалаврская работа
Издательство: Московский государственный психолого-педагогический университет, 2025 г.
ISBN отсутствует
На полку
Электронный ресурс
Царюк, Артём Владимирович.
Оптимизация применения бессерверных технологий : выпускная квалификационная работа : Бакалаврская работа / Артём Владимирович Царюк. – Москва : Московский государственный психолого-педагогический университет, 2025. – 62 с. – URL: http://psychlib.ru/inc/absid.php?absid=504793 . – 02.03.03 - Математическое обеспечение и администрирование информационных систем. Направленность программы "Информационные системы и базы данных".
Выпускная квалификационная работа посвящена разработке системы автоматической оптимизации параметров бессерверных функций для повышения эффективности облачных вычислений. Основой решения стал гибридный алгоритм, сочетающий LSTM-сети для прогнозирования нагрузки, генетический алгоритм для поиска оптимальных конфигураций и Q-learning для адаптивной корректировки критериев оптимизации. Математическое обоснование базируется на теории массового обслуживания M/M/c и многокритериальной оптимизации с учетом стоимости, производительности и надежности системы. Практической реализацией стал программный продукт на Python с использованием TensorFlow, FastAPI, SQLAlchemy и Docker. Система включает модули сбора метрик, прогнозирования временных рядов, оптимизации конфигураций и интеграции с облачными провайдерами AWS Lambda и Azure Functions.
The final qualifying work is devoted to the development of a system for automatic optimization of serverless function parameters to improve the efficiency of cloud computing. The solution is based on a hybrid algorithm that counts LSTM systems for load prediction, a genetic algorithm for finding optimal configurations, and Q-learning for adaptive adjustment of optimization criteria. The mathematical justification is based on the theory of M/M/s queuing and multimillion-dollar optimization, taking into account the needs, production and support of the system. The practical classification was a Python software product using Tensorflow, Fastape, SQLAlchemy and Docker. The system includes modules for collecting metrics, time series forecasting, configuration optimization, and integration with cloud providers from AWS Lambda and Azure functions.
Общий = Математика
Общий = Информатика, вычислительная техника
Царюк, Артём Владимирович.
Оптимизация применения бессерверных технологий : выпускная квалификационная работа : Бакалаврская работа / Артём Владимирович Царюк. – Москва : Московский государственный психолого-педагогический университет, 2025. – 62 с. – URL: http://psychlib.ru/inc/absid.php?absid=504793 . – 02.03.03 - Математическое обеспечение и администрирование информационных систем. Направленность программы "Информационные системы и базы данных".
Выпускная квалификационная работа посвящена разработке системы автоматической оптимизации параметров бессерверных функций для повышения эффективности облачных вычислений. Основой решения стал гибридный алгоритм, сочетающий LSTM-сети для прогнозирования нагрузки, генетический алгоритм для поиска оптимальных конфигураций и Q-learning для адаптивной корректировки критериев оптимизации. Математическое обоснование базируется на теории массового обслуживания M/M/c и многокритериальной оптимизации с учетом стоимости, производительности и надежности системы. Практической реализацией стал программный продукт на Python с использованием TensorFlow, FastAPI, SQLAlchemy и Docker. Система включает модули сбора метрик, прогнозирования временных рядов, оптимизации конфигураций и интеграции с облачными провайдерами AWS Lambda и Azure Functions.
The final qualifying work is devoted to the development of a system for automatic optimization of serverless function parameters to improve the efficiency of cloud computing. The solution is based on a hybrid algorithm that counts LSTM systems for load prediction, a genetic algorithm for finding optimal configurations, and Q-learning for adaptive adjustment of optimization criteria. The mathematical justification is based on the theory of M/M/s queuing and multimillion-dollar optimization, taking into account the needs, production and support of the system. The practical classification was a Python software product using Tensorflow, Fastape, SQLAlchemy and Docker. The system includes modules for collecting metrics, time series forecasting, configuration optimization, and integration with cloud providers from AWS Lambda and Azure functions.
Общий = Математика
Общий = Информатика, вычислительная техника