Perpustakaan Digital ITB

Meningkatnya permintaan akses konten melalui internet mendorong penggunaan Content Delivery Network (CDN) untuk mengurangi latensi dan meningkatkan pengalaman pengguna. Namun, efisiensi penyimpanan cache pada CDN konvensional masih dapat ditingkatkan. Penelitian ini mengusulkan pendekatan cache replacement berbasis machine learning dengan menggunakan algoritma Learning Relaxed Belady (LRB) untuk mengoptimalkan alokasi konten dalam sistem CDN. Model ini dilatih menggunakan data log akses pengguna yang memuat informasi waktu akses, lokasi, jenis konten, dan ukuran file. Dengan memanfaatkan prediksi interval waktu ke akses selanjutnya, sistem dapat melakukan eviksi konten secara cerdas dan melakukan preloading konten yang diprediksi akan segera diakses. Sistem CDN testbed diimplementasikan dengan tiga subsistem utama: server CDN berbasis Nginx, subsistem pemantauan dengan Grafana dan Prometheus, serta subsistem machine learning yang menggunakan LightGBM. Evaluasi performa dilakukan melalui metrik Cache Hit Ratio (CHR) dan perbandingan dengan metode LRU dan LFU. Hasil pengujian menunjukkan bahwa pendekatan LRB dapat meningkatkan performa CDN berdasarkan CHR sebanyak 5% dibanding algoritma LRU dan 8% dibanding algoritma LFU, serta memenuhi target CHR di atas 80%. Selain itu, pendekatan LRB memiliki kestabilan yang lebih baik dibanding dua algoritma pembandingnya berdasarkan pengukuran standar deviasi yang paling rendah pada pengujian simulasi traffic menggunakan distribusi zipf dan uniform. Penelitian ini menunjukkan bahwa integrasi machine learning dalam cache replacement dapat menjadi solusi adaptif yang efektif untuk mengelola distribusi konten di jaringan CDN modern.