1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Ciência da Computação
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/26441
Full metadata record
DC FieldValueLanguage
dc.creatorCunha, Ian Resende da-
dc.date.accessioned2019-08-01T19:23:58Z-
dc.date.available2019-08-01T19:23:58Z-
dc.date.issued2019-07-17-
dc.identifier.citationCUNHA, Ian Resende da. Construção de mecanismo para suportar a predição de tempos de resposta do Cassandra a partir de métricas de Infraestrutura. 2019. 41 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2019.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/26441-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectPredição de Métricaspt_BR
dc.subjectApache Cassandrapt_BR
dc.subjectMétricas de Qualidade de Serviçopt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectMetrics Predictionpt_BR
dc.subjectQuality of Service Metricspt_BR
dc.subjectMachine Learningpt_BR
dc.titleConstrução de mecanismo para suportar a predição de tempos de resposta do Cassandra a partir de métricas de infraestruturapt_BR
dc.title.alternativeConstruction of a tool to support prediction of Cassandra response times from infrastructure metricspt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Pasquini, Rafael-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6428800770934048pt_BR
dc.contributor.referee1Camargos, Lásaro-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4297695725568502pt_BR
dc.contributor.referee2Faina, Luís Fernando-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0242166091176964pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4904111151114128pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoNeste trabalho é realizado um estudo em torno de um serviço de armazenamento de dados não relacional, buscando a construção de um mecanismo que consiga estimar o valor de métricas de qualidade de serviço, a partir de estatísticas da infraestrutura do serviço. Essa predição pode possibilitar que degradações na qualidade do serviço sejam identificadas em tempo hábil de se efetuar contramedidas preventivas. Um ambiente de testes foi implementado para simular interações entre o serviço e clientes, ao mesmo tempo em que foram coletados os conjuntos de dados referentes às métricas de qualidade de serviço e estatísticas de infraestrutura. Experimentos foram realizados no sentido de induzir padrões de carga no serviço e observar a oscilação causada na qualidade de serviço recebida por um cliente. Com os conjuntos de dados necessários extraídos, um método de aprendizado de máquina foi utilizado para gerar um modelo que conseguisse, a partir de amostras referentes ao estado da infraestrutura do serviço, predizer os valores de uma métrica de qualidade de serviço que um cliente receberia. Demonstramos que o efeito causado pelas variações de carga são claramente perceptíveis na observação de um cliente e que é possível criar um modelo que estima valores de métricas de qualidade de serviço a partir de estatísticas de infraestrutura. Finalmente, demonstramos também que é possível reduzir drasticamente o conjunto de estatísticas utilizadas no treinamento do modelo de aprendizado de máquina sem que haja degradação na qualidade da estimação.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.sizeorduration41pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.orcid.putcode60131419-
Appears in Collections:TCC - Ciência da Computação

Files in This Item:
File Description SizeFormat 
ConstrucaoMecanismoSuportar.pdfTCC5.16 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons