Perpustakaan Digital ITB

Penerapan Machine Learning secara real time, seperti pada deteksi penipuan, membutuhkan fitur terbaru untuk menilai transaksi dalam hitungan milidetik. Setiap transaksi masuk memperbarui fitur agregat, sementara permintaan inferensi membaca nilai fitur terbaru secara bersamaan. Karena operasi baca dan tulis berbagi sumber daya, peningkatan laju pembaruan dapat mengganggu stabilitas latensi retrieval. Namun, dampak beban kerja campuran tersebut pada berbagai arsitektur ingestion dan teknologi online store belum jelas. Tugas akhir ini mengembangkan lingkungan benchmark yang dapat dikonfigurasi dan dijalankan ulang untuk menguji ingestion ber-throughput tinggi dan retrieval berlatensi rendah. Lingkungan ini membangkitkan transaksi sintetis, memproses fitur secara stateful, menjalankan ingestion dan retrieval secara konkuren, serta mengukur latensi, throughput, CPU, dan memori. Evaluasi dilakukan pada skenario deteksi penipuan dengan arsitektur Direct Push dan Kafka serta online store Redis, Cassandra, dan CockroachDB. Hasil menunjukkan Direct Push memiliki latensi ingestion tipikal lebih rendah daripada Kafka, sedangkan Kafka menggunakan memori puncak lebih tinggi. Redis memiliki median retrieval terendah, CockroachDB memiliki P99 retrieval terendah, dan Cassandra menunjukkan throughput retrieval paling stabil saat beban ingestion meningkat. Hasil ini menunjukkan bahwa benchmark yang dikembangkan dapat digunakan untuk membandingkan trade-off kinerja berbagai arsitektur ingestion dan teknologi online store pada beban kerja campuran yang sama.