Perpustakaan Digital ITB

Content Delivery Network (CDN) merupakan solusi standar industri untuk mempercepat distribusi konten melalui jaringan server cache terdistribusi. Namun, performa CDN sangat bergantung pada strategi internal seperti kebijakan penghapusan cache (cache eviction). Pendekatan konvensional seperti Least Recently Used (LRU) kerap kurang optimal menghadapi pola akses modern yang dinamis, sementara penelitian optimasi CDN sering hanya divalidasi melalui simulasi, menimbulkan kesenjangan antara teori dan implementasi nyata. Penelitian ini merancang dan mengimplementasikan sebuah CDN testbed komprehensif untuk mengevaluasi kebijakan cache eviction berbasis machine learning. Sistem dibangun dengan tiga subsistem: server (NGINX sebagai cache server, Flask sebagai origin server, dan Gcore untuk GeoDNS), pemantauan (Grafana, Prometheus, dan Fluentd untuk metrik dan log), serta pembelajaran mesin (algoritma LRB untuk analisis log dan pengambilan keputusan cache). Hipotesisnya, testbed ini mampu menjadi platform evaluasi efektif untuk membandingkan kinerja kebijakan cache konvensional dan cerdas. Pengujian menunjukkan seluruh subsistem berfungsi sesuai rancangan: pemantauan memiliki selisih data <10% dibanding nilai aktual, dan server CDN menurunkan latensi signifikan (misalnya, waktu akses gambar dari 253 ms menjadi 51,75 ms). Pada uji kebijakan cache eviction dengan distribusi Zipf, LRB mencapai Cache Hit Ratio (CHR) rata-rata 90,15%, melampaui LRU (85,84%) dan LFU (83,26%). Pada distribusi uniform, LRB mencatat CHR 92,41% dibanding LRU (90,32%). Kontribusi utama penelitian ini adalah terwujudnya CDN testbed yang fungsional, terukur, dan dapat direproduksi, menjembatani kesenjangan antara penelitian simulasi dan implementasi produksi. Testbed ini memvalidasi keunggulan kebijakan cache berbasis machine learning serta menyediakan platform terbuka untuk riset optimasi CDN di masa depan.