@techreport{TR-IC-PFG-25-08,
   number = {IC-PFG-25-08},
   author  =  {João  Victor  Cardoso and Luiz Fernando Bittencourt and
                   Roberto Rodrigues Filho and Carlos Melo},
   title = {{Estudo de caso: Emergent Web Server e Digital Twins}},
   month = {June},
   year = {2025},
   institution = {Institute of Computing, University of Campinas},
   note = {In Portuguese, 18 pages.
    \par\selectlanguage{brazil}\textbf{Resumo}
       Este  trabalho  aborda  o desafio da oscilação de desempenho no
       Emergent  Web Server (EWS), um servidor web auto-adaptativo que
       utiliza  aprendizado  por  reforço  para otimizar dinamicamente
       suas  configurações.  Para  mitigar  este  problema, propomos a
       integração  do  EWS  com  Gêmeos  Digitais,  criando uma camada
       virtual  que  simula o comportamento do sistema real através de
       um  modelo  preditivo  baseado em XGBoost e uma arquitetura não
       intrusiva  de  coleta  de  dados.  O gêmeo digital desenvolvido
       reduz  significativamente as flutuações de desempenho durante o
       aprendizado,  como  demonstrado  em  testes  locais  e em nuvem
       (AWS).
    \par\selectlanguage{english}\textbf{Abstract}
       This  work  addresses  the performance oscillation challenge in
       the  Emergent Web Server (EWS), a self-adaptive web server that
       uses   reinforcement   learning  to  dynamically  optimize  its 
       configurations.  To mitigate this issue, we propose integrating
       EWS with Digital Twins, creating a virtual layer that simulates
       system behavior through a predictive model based on XGBoost and
       a  non-intrusive  data  collection  architecture. The developed
       digital  twin  significantly  reduces  performance fluctuations
       during  the learning process, as demonstrated in both local and
       cloud (AWS) tests.
    \par\selectlanguage{spanish}\textbf{Resumen}
       Este trabajo aborda el desafío de la oscilación del rendimiento
       en   el   Emergent   Web   Server   (EWS),   un   servidor  web 
       auto-adaptativo  que  utiliza  aprendizaje  por  refuerzo  para 
       optimizar  dinámicamente sus configuraciones. Para mitigar este
       problema,   proponemos  la  integración  del  EWS  con  Gemelos 
       Digitales,   creando   una   capa   virtual   que   simula   el  
       comportamiento  del  sistema  a  través de un modelo predictivo
       basado  en  XGBoost y una arquitectura de recopilación de datos
       no   intrusiva.   El   gemelo   digital   desarrollado   reduce  
       significativamente las fluctuaciones del rendimiento durante el
       aprendizaje,  como  se demostró en pruebas locales y en la nube
       (AWS).
  }
}