@misc{Thral2019, type = {Master Thesis}, author = {Thral, Markus}, title = {Latenzreduktion durch pr{\"a}diktives Vorladen unter Anwendung eines maschinellen Lernverfahrens in Enterprise Portalen}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:860-opus4-981}, school = {Hochschule f{\"u}r Angewandte Wissenschaften Landshut}, pages = {128}, year = {2019}, abstract = {Die Arbeit besch{\"a}ftigt sich mit der Erstellung eines Vorhersagemodells f{\"u}r Benutzerverhalten in Enterprise-Portalen und dem darauf basierenden pr{\"a}diktiven Vorladen der n{\"a}chsten wahrscheinlichen angeforderten Seite. Das entwickelte Vorhersagemodell wird mit einer Markov-Kette erster Ordnung realisiert. Die Betrachtung der bisherigen Forschung hat vielfach gezeigt, dass Markov-Ketten f{\"u}r diesen Anwendungsfall geeignet sind. Aufgrund ungenauer Trainingsdaten wurde bisher aber nur eine geringe Vorhersagegenauigkeit erzielt. Es wird daher ein neuer Ansatz verfolgt, bei dem die Navigationsdaten aus dem Header Referer als absolut zuverl{\"a}ssige Quelle gewonnen werden. Das Modell wird außerdem kontinuierlich trainiert und verbessert und passt sich an die Ver{\"a}nderungen des Portals und des Nutzerverhaltens an. Das Vorladen der vorhergesagten Inhalte wird mit dem Resource Hint Prefetch umgesetzt, der dynamisch f{\"u}r jede vorzuladende Ressource in die entsprechende Seite eingebaut wird. Die Evaluation zeigt, dass die Latenz durch das Vorladen von Inhalten deutlich reduziert werden kann. Des Weiteren wurde eine Vorhersagegenauigkeit von 76\% erreicht, die bisher nur mit Markov-Ketten h{\"o}herer Ordnung und weiteren Verbesserungen erzielt werden konnte. Mit dem Modell wird daher eine verl{\"a}ssliche Vorhersage f{\"u}r das Vorladen erm{\"o}glicht. Es stellt eine solide Grundlage f{\"u}r Verbesserungen und weitere Forschung auf diesem Gebiet dar.}, subject = {Portal }, language = {de} }