TY - THES A1 - Thral, Markus T1 - Latenzreduktion durch prädiktives Vorladen unter Anwendung eines maschinellen Lernverfahrens in Enterprise Portalen N2 - Die Arbeit beschäftigt sich mit der Erstellung eines Vorhersagemodells für Benutzerverhalten in Enterprise-Portalen und dem darauf basierenden prädiktiven Vorladen der nächsten 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 für 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 zuverlässige Quelle gewonnen werden. Das Modell wird außerdem kontinuierlich trainiert und verbessert und passt sich an die Veränderungen des Portals und des Nutzerverhaltens an. Das Vorladen der vorhergesagten Inhalte wird mit dem Resource Hint Prefetch umgesetzt, der dynamisch für 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 höherer Ordnung und weiteren Verbesserungen erzielt werden konnte. Mit dem Modell wird daher eine verlässliche Vorhersage für das Vorladen ermöglicht. Es stellt eine solide Grundlage für Verbesserungen und weitere Forschung auf diesem Gebiet dar. KW - Latenzreduktion KW - Vorladen KW - Prefetch KW - Web Portal KW - Portal KW - Benutzerfreundlichkeit KW - Prefetching KW - Markov-Kette KW - Maschinelles Lernen Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:860-opus4-981 ER -