Реактивне трасування поведінкових сценаріїв в односторінкових додатках через інтеграцію Bun-базованих WebSocket-каналів та OpenTelemetry

Метою дослідження було оцінити часову ефективність реактивного трасування поведінки користувача в односторінкових додатках через інтеграцію WebSocket-каналів на базі Bun з OpenTelemetry. Методологія включала створення прототипу додатка на React, високочастотний моніторинг і агрегування SCADA-даних, побудову та оптимізацію нейромережі 64-32-16 у TensorFlow, симуляції в MATLAB/Simscape, а також статистичний аналіз із використанням регресії Theil-Sen, Seasonal and Trend-декомпозиції, тесту Брауна-Форсайта, двофакторного аналізу варіантів, бутстреп-перестановки, критерія Дікі-Фуллера та кривих виживання Каплана-Мейєра. Результати показали, що комбінація протоколу гіпертекстової передачі із бінарною серіалізацією у форматі Protocol Buffers забезпечила найнижчу затримку виявлення подій, яка становила в середньому 45,09 мілісекунди, та найнижчу затримку передачі, що сягала лише 62,83 мілісекунди у сценарії заповнення форм. У той же час комбінація вебсокетів із текстовим форматом JavaScript Object Notation продемонструвала найвищі показники затримки, із середнім значенням виявлення подій 69,99 мілісекунди та затримкою передачі до 88,1 мілісекунди, а також найбільшу варіативність у часі реакції. Статистичний аналіз підтвердив суттєві відмінності між усіма конфігураціями: результати дисперсійного аналізу виявили надзвичайно високі значення F-статистики для обох показників із рівнем значущості p меншим за 0,000001, що свідчить про реальний вплив як протоколу, так і формату серіалізації на часову ефективність. Додатково встановлено, що затримка виявлення подій та затримка передачі були незалежними величинами, оскільки коефіцієнти кореляції в усіх випадках залишалися близькими до нуля. Таким чином, оптимальною конфігурацією для високочастотних телеметричних систем був гіпертекстовий протокол із бінарним форматом Protocol Buffers, що забезпечує не лише мінімальні часові затримки, але й стабільність у навантажених середовищах. Практична значимість результатів полягає в можливості використання їх інженерами з продуктивності, архітекторами фронтенду та розробниками моніторингових систем для створення ефективних та масштабованих рішень, орієнтованих на аналіз поведінки користувачів у режимі реального часу