Архив статей журнала
Цель работы заключается в сравнительном анализе производительности алгоритмов Document Object Model, Simple API for XML и Streaming API for XML при выполнении задач чтения, записи и частичного чтения XML-файлов различного объема. Для проведения экспериментов была разработана модульная программа на языке Java, где каждый алгоритм реализован в отдельном модуле. В качестве данных использовались синтетически сгенерированные XML-файлы с типовой структурой, имитирующей транзакции. Эксперименты проводились с замером ключевых метрик, таких как время выполнения и потребление памяти. В ходе исследования были выявлены сильные и слабые стороны каждого алгоритма. Simple API for XML продемонстрировал наилучшую производительность и минимальное потребление памяти, что делает его подходящим для обработки больших объемов данных. Streaming API for XML обеспечил баланс между производительностью и удобством реализации, предоставляя более простой доступ к данным. Document Object Model, несмотря на удобный интерфейс, оказался слишком ресурсоемким и может быть использован только для небольших объемов данных. Результаты работы подчеркивают важность выбора алгоритма обработки XML в зависимости от специфики задач. Simple API for XML и Streaming API for XML являются предпочтительными для высоконагруженных систем, требующих минимизации затрат на ресурсы. Дальнейшие исследования могут быть направлены на изучение альтернативных форматов данных и их интеграции с современными архитектурными подходами.
Цель исследования заключается в разработке нового архитектурного решения, обеспечивающего внедрение моделей потокового машинного обучения на основе методов и алгоритмов потоковой обработки многомодальных данных и машинного обучения в потоковой интеллектуальной образовательной системе для повышения персонализации образовательного процесса и автоматической адаптации учебных материалов под уровень знаний обучающихся в реальном времени. В работе описаны процессы передачи и обработки данных из различных многомодальных источников в модель потокового машинного обучения. Для нормализации данных применяется адаптивный метод скользящих окон, позволяющий корректно обрабатывать непрерывный поток информации с учетом временной синхронизации. Особое внимание в исследовании уделено вопросу контроля использования оперативной памяти для обеспечения стабильного функционирования системы в условиях ограниченности вычислительных ресурсов в образовательных организациях. Экспериментальные результаты, визуализированные на графиках и в таблице, демонстрируют эффективность интеграции нескольких алгоритмов потокового машинного обучения, таких как адаптивный случайный лес, инкрементальный алгоритм дерева решений для задач классификации и регрессии, в единую модель. Предложенная архитектура, которая сопровождается схемой, характеризуется высокой масштабируемостью, легкостью интеграции с существующими образовательными платформами и адаптивностью к изменяющимся условиям использования, что открывает перспективы дальнейших исследований и практического применения в образовательных технологиях.