20.500.12556/RUL-191014 Napovedni model za učinkovito sinhronizacijo podatkov med sistemi z različnimi objektnimi modeli A predictive model for effective data synchronization between systems with different object models Poslovne integracijske platforme podatke iz zunanjih sistemov pogosto sinhronizirajo v fiksnih intervalih. Ti v mirnih obdobjih povzročajo prazne sinhronizacije, med izbruhi pa zastarelost podatkov. Preučujemo prilagodljivo razporejanje s spodbujevanim učenjem (RL), pri nekaterih konfiguracijah dopolnjeno z napovedmi števila dogodkov na minuto (ER) ali časa do naslednje aktivne minute (TTE). Sinhronizacijske politike ovrednotimo na osmih enotah štirih platform. Pri Brightpath Salesforce preverjamo posploševanje prek preloma režima. Na nespremenjenih testnih sledeh s sinhroniziranim začetkom zgradimo skupne Paretove fronte za sinhronizacijsko breme in zgornji rep zastarelosti ter agente primerjamo z vnaprej določenim naborom periodičnih intervalov z eno fazo na interval. Sinhronizacijske politike RL pri vsaki enoti prispevajo vsaj eno točko na skupni Paretovi fronti. Vendar periodične sinhronizacijske politike pri primarni logaritemski preslikavi v povprečju pokrijejo več preizkušenih uteži; nekateri izbori se pri linearni preslikavi spremenijo. Opisne primerjave in omejena usklajena ablacija niso pokazale dosledne splošne prednosti napovednih značilk. Primerjave ne potrjujejo zanesljive povezave med napovedno točnostjo in uporabnostjo napovedi. Izbiro sinhronizacijske politike je zato treba potrditi za vsako enoto in njene operativne prioritete. Enterprise integration platforms often synchronize external-system data at fixed intervals. Such schedules do not adapt to activity: they produce empty synchronizations during quiet periods and stale data during bursts. This thesis studies adaptive synchronization scheduling with reinforcement learning (RL), with selected configurations using forecasts of events per minute (ER) or time to the next active minute (TTE). We evaluate synchronization policies on eight units across four platforms. For Brightpath Salesforce, we evaluate generalization across a regime break in activity. On frozen test traces with synchronized initial states, we construct Pareto frontiers for synchronization burden and tail staleness and compare RL agents with a predefined set of periodic intervals at one evaluated phase per interval. RL contributes at least one non-dominated operating point for every unit, but under the primary logarithmic specification periodic policies cover more sampled preferences on average; some selections change under linear scaling. Descriptive comparisons and a limited matched ablation did not show a consistent general benefit from forecast features. The available comparisons also do not establish a reliable relationship between forecast accuracy and scheduling value. Policy selection must therefore be validated for each unit and its operational priorities. spodbujevano učenje sinhronizacija podatkov starost informacije napovedovanje dogodkov integracije poslovnih sistemov reinforcement learning data synchronization age of information event forecasting enterprise integration true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-11-10 14:10:05 2026-11-10 14:10:19 2026-11-11 04:11:13 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38539 Petrova_Ana_-_Napovedni_model_za_ucinkovito_sinhronizacijo_podatkov_med_sistemi_z_razlicnimi_obj.pdf Petrova_Ana_-_Napovedni_model_za_ucinkovito_sinhronizacijo_podatkov_med_sistemi_z_razlicnimi_obj.pdf 1 E284D23911A5ED0113560FFCB9201B74 b80831bf034a6db86c3cfa2725ab11bf89d600a847d005d491e1aea5615da24c fca3b6bf-dd07-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252877 Fakulteta za računalništvo in informatiko 0 0 0