Класифікація вебсайтів за критерієм їх продуктивності на підставі ансамблів
Анотація
Розглянуто підходи до визначення продуктивності вебсайтів та їхню класифікацію з подальшим розподілом на категорії. Встановлено, що серед сучасних алгоритмів до класифікації даних виділяють ансамблеві методи, зокрема soft та hard голосування для отримання найкращого результату. Основними критеріями оцінювання є: Page Load Time, Time To First Byte, Server Response Time, First Contentful Paint, Speed Index. Пошукові алгоритми, зокрема Google, віддають перевагу сайтам з високою швидкістю і плавною взаємодією, що підвищує їх видимість у результатах пошуку. Окрім цього, допустима продуктивність знижує показник відмов і покращує конверсію, що є критично важливим для успішного просування в онлайні. Оцінено вплив показників основних параметрів вебсайтів на швидкість їх завантаження та відповідно класифікації на три категорії. Оцінювання продуктивності вебсайтів є актуальним завданням, де швидкість завантаження та стабільність відображення істотно впливають на користувацький досвід та конверсію. Використання ансамблевих методів у завданні класифікації даних базується на принципі поєднання кількох моделей або джерел даних для підвищення загальної точності і стійкості прогнозів. Ансамблі дадуть змогу зменшити вплив випадкових помилок окремих моделей, усунути зміщення та знизити дисперсію результатів. За рахунок інтеграції різнорідних характеристик або ознак, ансамблеві дані забезпечують більш комплексне уявлення про об'єкт класифікації, що особливо важливо під час роботи з неоднорідними або складними за структурою наборами даних. Ефективне оцінювання та аналіз продуктивності дає змогу виявити проблемні місця в роботі сайту, раціонально використати ресурси та забезпечити безперебійний доступ для користувачів. На підставі експериментального підходу виділено кращі алгоритми для навчання без вчителя, що дало можливість розробити ансамблевий метод для класифікації вебсайтів на підставі показників їх продуктивності. Точність становила 98 % на тестовій вибірці. Наявність такого рішення дає змогу підбирати допустимі версії вебсторінок для конкретного типу вебсторінок.
Завантаження
Посилання
A dataset of website performance metrics. URL: https://www.kag gle.com/datasets/olkooleh/site-performance4
Berezsky, O. M., Pitsun, O. Yo., Melnyk, G. M., & Datsko, T. V. (2021). Application of linear regression method for analysis of cytological images quantitative characteristics. Ukrainian Journal of Information Technology, 3(1), 73–77. https://doi.org/10.23939/ujit2021.03.073
Bolón-Canedo, V., Sánchez-Marono, N., & Alonso-Betanzos, A. (2014). Data classification using an ensemble of filters. Neurocomputing, 135, 13–20. https://doi.org/10.1016/j.neucom.2013.03.067
Chen, C., Meng, Q., & Huang, J. (2024). Performance Optimization of Web Front-End Frameworks: Automatic Adjustment Strategies Based on Bayesian Optimization Algorithm. In Proceedings of the 2024 International Conference on Machine Intelligence and Digital Applications, 523–528. https://doi.org/10.1145/3662739.3672180
Dasari, A. K., Biswas, S. K., Thounaojam, D. M., Devi, D., & Purkayastha, B. (2023). Ensemble Learning Techniques and Their Applications: Advances in Cognitive Science and Communications. ICCCE 2023. Cognitive Science and Technology. Springer, Singapore, pp. 897–912. https://doi.org/10.1007/978-981-19-8086-2_85
Du, J. (2024). Programming and Development of Web Automation Application Platform Based on Django. In Proceedings of the 2024 2nd International Conference on Artificial Intelligence, Systems and Network Security, pp. 197–200. https://doi.org/10.1145/3714334.3714368
Dufresne, T., Gutwin, C., & Graham, T. N. (2025). Fake ittil you load it: User Perceptions and Performance with Fast-Loading "False Front" Web Pages. Proceedings of the ACM on Human-Computer Interaction, 9(4), 1–41. https://doi.org/10.1145/3735593
Espinosa-Leal, L., Akusok, A., Lendasse, A., & Björk, K. M. (2019). Website classification from webpage renders. In International Conference on Extreme Learning Machine, pp. 41–50. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-58989-9_5
Ghaffar, A., Abid, F., Ashraf, M., Jamil, A., Abbas, A., & Malik, F. R. (2023). Identification of an Optimized Google PageSpeed Audit-Rule-Sequence to Optimize Page Speed. VAWKUM Transactions on Computer Sciences, 11(1), 123–137. https://doi.org/10.21015/vtcs.v11i1.1329
Gomes, F., Soares, P., & Araújo, A. A. (2023). Examining the Performance Implications of Design Patterns in Front-end Web Development: A Preliminar Comparative Study with React and Vue.js. In Proceedings of the 29th Brazilian Symposium on Multimedia and the Web, 255–259. https://doi.org/10.1145/3617023.3617057
He, C., & Ding, C. H. (2025). SecRASP: Next generation web application security protection methodology and framework. Computers & Security, Vol. 154, article ID 104445. https://doi.org/10.1016/j.cose.2025.104445
Henning, S., Vogel, A., Perez-Wohlfeil, E., Ertl, O., & Rabiser, R. (2025). When Should I Run My Application Benchmark? Studying Cloud Performance Variability for the Case of Stream Processing Applications. In Proceedings of the 33rd ACM International Conference on the Foundations of Software Engineering, 400–410. https://doi.org/10.1145/3696630.372856
Hongshik, A., Fazzari, M. J., Lim, N., Chen, J. J., & Kodell, R. L. (2007). Classification by ensembles from random partitions of high-dimensional data. Computational Statistics & Data Analysis, 51(12), 6166–6179. https://doi.org/10.1016/j.csda.2006.12.043
Jafarzadeh, H., Mahdianpari, M., Gill, E., Mohammadimanesh, F., & Homayouni, S. (2021). Bagging and Boosting Ensemble Classifiers for Classification of Multispectral, Hyperspectral and PolSAR Data: A Comparative Evaluation. Remote Sensing, 13(21), article ID 4405. https://doi.org/10.3390/rs13214405
Jin, L., & Chen, L. (2024). Exploring the Impact of Computer Applications on Cross-Border E-Commerce Performance. In IEEE Access, 12, 74861–74871. https://doi.org/10.1109/ACCESS.2024.3385017
Khan, A. A., Chaudhari, O., & Chandra, R. (2024). A review of ensemble learning and data augmentation models for class imbalanced problems: Combination, implementation and evaluation. Expert Systems with Applications, 244, article ID 122778. https://doi.org/10.1016/j.eswa.2023.122778
Mahfida, A., Hossain, T., Hassan, R., & Rahman, A. (2021). Web application performance analysis of E-commerce sites in Bangladesh: an empirical study. International Journal of Information Engineering and Electronic Business, 13(2), 47–54. https://doi.org/10.5815/ijieeb.2021.02.04
Majid, T., Udzir, N. I., Abdullah, M. T., & Razali, Y. (2021). International Journal of Advanced Computer Science and Applications. West Yorkshire, 12(5), article ID 2021. https://doi.org/10.14569/IJACSA.2021.0120566
Mienye, I. D., & Sun, Y. (2022). A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects". In IEEE Access, 10, pp. 99129–99149. https://doi.org/10.1109/ACCESS.2022.3207287
Moghaddasi, K., & Rajabi, S. (2023). Learning at the Edge: Mobile Edge Computing and Reinforcement Learning for Enhanced Web Application Performance. 9th International Conference on Web Research (ICWR), pp. 300–304. https://doi.org/10.1109/ICWR57742.2023.10138952
Murilo, G., Barddal, L. P., Enembreck, F., & Bifet, A. (2017). A survey on ensemble learning for data stream classification. ACM Computing Surveys (CSUR), 50(2), 1–36. https://doi.org/10.1145/305492
Noetzold, D., de Moraes Rossetto, A. G., Silva, L. A., Crocker, P., & Leithardt, V. R. Q. (2024). JVM optimization: An empirical analysis of JVM configurations for enhanced web application performance. SoftwareX, 28, article ID 101933. https://doi.org/10.1016/j.softx.2024.101933
Palak, M., Uddin, S., Hajati, F., & Moni, M. A. (2023). Ensemble Learning for Disease Prediction: A Review. Healthcare, 11(12), article ID 1808. https://doi.org/10.3390/healthcare11121808
Pitsun, O. (2024). Comparative analysis of stress factors of humanities and technical specialities students. CEUR Workshop Proceedings Conference, 46–55. URL: https://ceur-ws.org/Vol-3716/paper6.pdf
Pitsun, O. (2025). Comparative analysis of the value-semantic sphere of Ukrainian volunteers using AI. CEUR Workshop Proceedings Conference, 225–234. URL: https://ceur-ws.org/Vol-3974/short06.pdf
Tjaša, H., Šumak, B., & Brdnik S. (2021). Towards representative web performance measurements with google lighthouse". In Proceedings of the 2021 7th student computer science research conference (StuCoSReC), pp. 39–42. https://doi.org/10.18690/978-961-286-516-0.9
Yuzhen, Z., Liu, J., & Shen, W. (2022). A Review of Ensemble Learning Algorithms Used in Remote Sensing Applications. Applied Sciences, 12(17), article ID 8654. https://doi.org/10.3390/app12178654
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
