UNUSIDAUNUSIDA

Journal of Computer Science and Visual Communication DesignJournal of Computer Science and Visual Communication Design

Dalam sistem komputasi modern, caching merupakan teknik penting untuk meningkatkan efisiensi akses data. Namun, algoritma caching tradisional seperti LRU dan LFU memiliki keterbatasan dalam menangani dinamika data yang kompleks. Penelitian ini mengusulkan algoritma caching adaptif yang mengintegrasikan konteks semantik dan profil waktu akses untuk meningkatkan kinerja sistem. Pendekatan ini memanfaatkan model embedding semantik berbasis Sentence‑BERT dan analisis temporal pola akses pengguna. Pengujian melalui simulasi menggunakan dataset nyata dan sintetis menunjukkan bahwa algoritma yang diusulkan mampu meningkatkan cache hit rate hingga lebih dari 83%, mengurangi latensi rata‑rata menjadi sekitar 61 ms, dan menjaga efisiensi penggunaan sumber daya. Algoritma ini juga menunjukkan adaptivitas yang baik terhadap perubahan pola akses dinamis serta responsif terhadap penyesuaian parameter semantik, sehingga berpotensi diterapkan pada sistem edge computing, layanan LLM, dan platform berbasis cloud.

Algoritma caching adaptif yang menggabungkan konteks semantik dan waktu akses berhasil meningkatkan cache hit rate hingga 83–84 %, menurunkan latensi rata‑rata menjadi 60–62 ms, dan mempertahankan penggunaan sumber daya moderat (sekitar 43 %).Sistem ini menunjukkan adaptasi unggul terhadap pola akses dinamis, mempertahankan dan bahkan meningkatkan hit rate seiring waktu.Sensitivitas terhadap bobot semantik mengonfirmasi peran utama informasi kontekstual sebagai pendorong efisiensi caching.

Penelitian lanjutan dapat menguji algoritma ini pada lingkungan sistem nyata seperti platform cloud atau edge untuk menilai performa operasionalnya; menggunakan model pembelajaran mesin prediktif dapat meningkatkan adaptivitas terhadap pola akses yang semakin kompleks; serta mengkaji metrik tambahan seperti throughput, efisiensi energi, dan toleransi kesalahan untuk memperluas pemahaman komprehensif tentang kelebihan dan keterbatasan algoritma di skala besar.

  1. Data-Driven Traffic Simulation: A Comprehensive Review | IEEE Journals & Magazine | IEEE Xplore.... doi.org/10.1109/TIV.2024.3367919Data Driven Traffic Simulation A Comprehensive Review IEEE Journals Magazine IEEE Xplore doi 10 1109 TIV 2024 3367919
  2. Adaptive Context Caching for Efficient Distributed Context Management Systems | Proceedings of the 38th... doi.org/10.1145/3555776.3577602Adaptive Context Caching for Efficient Distributed Context Management Systems Proceedings of the 38th doi 10 1145 3555776 3577602
  3. [2406.17557] The FineWeb Datasets: Decanting the Web for the Finest Text Data at Scale. fineweb datasets... arxiv.org/abs/2406.175572406 17557 The FineWeb Datasets Decanting the Web for the Finest Text Data at Scale fineweb datasets arxiv abs 2406 17557
  4. HealthCraft: A Precision Model for Smart Resource Optimisation in Dynamic Big Data Healthcare Environments... doi.org/10.46810/tdfd.1545596HealthCraft A Precision Model for Smart Resource Optimisation in Dynamic Big Data Healthcare Environments doi 10 46810 tdfd 1545596
Read online
File size614.67 KB
Pages14
DMCAReport

Related /

ads-block-test