Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: BARRETO NETO, Antônio Correia de Sá
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso embargado
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Redes de computadores
Aprendizagem de máquina
Link de acesso: https://repositorio.ufpe.br/handle/123456789/48348
Resumo: O crescente uso de smartphones nas tarefas cotidianas tem motivado muitos estudos sobre a caracterização do consumo de energia para melhorar a eficiência energética dos dispositivos componentes dos smartphones e aumentar o tempo de uso do usuário. Em 2013, o consórcio de empresas responsável pelo desenvolvimento do Android disponibilizou no Android 4.4, uma ferramenta responsável por calcular o consumo instantâneo do dispositivo e, a partir dessa informação, realizar predições de tempo remanescente de uso. No entanto, após uma análise mais profunda, é possível perceber que essas ferramentas desenvolvidas e já presentes nas versões mais recentes do Android são mais adequadas para realizar o estudo a respeito do consumo energético do smartphone no passado, sendo muito suscetíveis a alterações signifi- cativas, a depender do comportamento do usuário. Baseados nessas constatações, realizamos uma pesquisa que visa extrair, a partir do monitoramento do smartphone, informações que caracterizem o padrão de comportamento do usuário independente do modelo do smartphone e conceber modelos de aprendizagem de máquina que permitam relacionar o uso dos disposi- tivos que compõem o smartphone ao padrão de comportamento do usuário. Para atingir esse objetivo, durante a realização dessa pesquisa, propomos um workflow para extração do padrão de comportamento do usuário e construção de modelos de aprendizagem de máquina que re- lacionem esse padrão de comportamento ao uso dos dispositivos que compõem o smartphone utilizando modelos de aprendizagem de máquina rasos (shallow), em oposição às redes neu- rais profundas (deep), utilizando módulos de software construídos ao longo dessa pesquisa. Foi possível perceber, através da realização dos experimentos realizados com os módulos de software propostos, que utilizamos vários regressores e os resultados são relevantes e consis- tentes em termos do erro alcançado. Com algoritmos de aprendizagem de máquina simples e rápidos de serem ajustados, treinados e testados, conseguimos modelar uso dos dispositivos que compõem o smartphone baseados no padrão de comportamento do usuário.
id UFPE_4d96c5f32eeebfce225133fb522ccda1
oai_identifier_str oai:repositorio.ufpe.br:123456789/48348
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphoneRedes de computadoresAprendizagem de máquinaO crescente uso de smartphones nas tarefas cotidianas tem motivado muitos estudos sobre a caracterização do consumo de energia para melhorar a eficiência energética dos dispositivos componentes dos smartphones e aumentar o tempo de uso do usuário. Em 2013, o consórcio de empresas responsável pelo desenvolvimento do Android disponibilizou no Android 4.4, uma ferramenta responsável por calcular o consumo instantâneo do dispositivo e, a partir dessa informação, realizar predições de tempo remanescente de uso. No entanto, após uma análise mais profunda, é possível perceber que essas ferramentas desenvolvidas e já presentes nas versões mais recentes do Android são mais adequadas para realizar o estudo a respeito do consumo energético do smartphone no passado, sendo muito suscetíveis a alterações signifi- cativas, a depender do comportamento do usuário. Baseados nessas constatações, realizamos uma pesquisa que visa extrair, a partir do monitoramento do smartphone, informações que caracterizem o padrão de comportamento do usuário independente do modelo do smartphone e conceber modelos de aprendizagem de máquina que permitam relacionar o uso dos disposi- tivos que compõem o smartphone ao padrão de comportamento do usuário. Para atingir esse objetivo, durante a realização dessa pesquisa, propomos um workflow para extração do padrão de comportamento do usuário e construção de modelos de aprendizagem de máquina que re- lacionem esse padrão de comportamento ao uso dos dispositivos que compõem o smartphone utilizando modelos de aprendizagem de máquina rasos (shallow), em oposição às redes neu- rais profundas (deep), utilizando módulos de software construídos ao longo dessa pesquisa. Foi possível perceber, através da realização dos experimentos realizados com os módulos de software propostos, que utilizamos vários regressores e os resultados são relevantes e consis- tentes em termos do erro alcançado. Com algoritmos de aprendizagem de máquina simples e rápidos de serem ajustados, treinados e testados, conseguimos modelar uso dos dispositivos que compõem o smartphone baseados no padrão de comportamento do usuário.The increasing usage of smartphone in daily activities has motivated many studies on energy consumption characterization to improve smartphone devices’ effectiveness and increase user usage time. In 2013, the consortium of companies responsible for the development of Android made available in Android 4.4, a tool responsible for calculating the instantaneous consumption of the device and make predictions of the remaining time of use. However, after a deep analysis, it is possible to perceive that these tools developed and already present in the newer versions of Android are more suitable for carrying out the study regarding the smartphone energy consumption in the past, being very susceptible to significant changes depending on user behavior. Based on these findings, we performed a research that aims to extract, from smartphone monitoring, information that characterizes the user’s behavior pattern regardless of the smartphone model and to conceive machine learning models that allow relating the use of devices that make up the smartphone to the user’s behavior pattern. To achieve this goal, during this research, we propose a workflow for extracting the pattern of user behavior and construction of machine learning models that relate this behavior pattern to the use of devices that make up the smartphone using shallow machine learning models, as opposed to deep neural networks, using software modules built throughout this research. Through the experiments with the proposed software modules, we could see that we used several regressors, and the results are relevant and consistent in terms of the achieved error. With simple and quick machine learning algorithms to be adjusted, trained, and tested, we could model the use of the devices that make up the smartphone based on the user’s behavior pattern.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em Ciencia da ComputacaoMACIEL, Paulo Romero Martinshttp://lattes.cnpq.br/2773609778338983http://lattes.cnpq.br/8382158780043575BARRETO NETO, Antônio Correia de Sá2022-12-21T16:56:03Z2022-12-21T16:56:03Z2022-09-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfBARRETO NETO, Antônio Correia de Sá. Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone. 2022. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/48348porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2022-12-22T05:23:17Zoai:repositorio.ufpe.br:123456789/48348Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-12-22T05:23:17Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
title Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
spellingShingle Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
BARRETO NETO, Antônio Correia de Sá
Redes de computadores
Aprendizagem de máquina
title_short Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
title_full Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
title_fullStr Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
title_full_unstemmed Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
title_sort Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
author BARRETO NETO, Antônio Correia de Sá
author_facet BARRETO NETO, Antônio Correia de Sá
author_role author
dc.contributor.none.fl_str_mv MACIEL, Paulo Romero Martins
http://lattes.cnpq.br/2773609778338983
http://lattes.cnpq.br/8382158780043575
dc.contributor.author.fl_str_mv BARRETO NETO, Antônio Correia de Sá
dc.subject.por.fl_str_mv Redes de computadores
Aprendizagem de máquina
topic Redes de computadores
Aprendizagem de máquina
description O crescente uso de smartphones nas tarefas cotidianas tem motivado muitos estudos sobre a caracterização do consumo de energia para melhorar a eficiência energética dos dispositivos componentes dos smartphones e aumentar o tempo de uso do usuário. Em 2013, o consórcio de empresas responsável pelo desenvolvimento do Android disponibilizou no Android 4.4, uma ferramenta responsável por calcular o consumo instantâneo do dispositivo e, a partir dessa informação, realizar predições de tempo remanescente de uso. No entanto, após uma análise mais profunda, é possível perceber que essas ferramentas desenvolvidas e já presentes nas versões mais recentes do Android são mais adequadas para realizar o estudo a respeito do consumo energético do smartphone no passado, sendo muito suscetíveis a alterações signifi- cativas, a depender do comportamento do usuário. Baseados nessas constatações, realizamos uma pesquisa que visa extrair, a partir do monitoramento do smartphone, informações que caracterizem o padrão de comportamento do usuário independente do modelo do smartphone e conceber modelos de aprendizagem de máquina que permitam relacionar o uso dos disposi- tivos que compõem o smartphone ao padrão de comportamento do usuário. Para atingir esse objetivo, durante a realização dessa pesquisa, propomos um workflow para extração do padrão de comportamento do usuário e construção de modelos de aprendizagem de máquina que re- lacionem esse padrão de comportamento ao uso dos dispositivos que compõem o smartphone utilizando modelos de aprendizagem de máquina rasos (shallow), em oposição às redes neu- rais profundas (deep), utilizando módulos de software construídos ao longo dessa pesquisa. Foi possível perceber, através da realização dos experimentos realizados com os módulos de software propostos, que utilizamos vários regressores e os resultados são relevantes e consis- tentes em termos do erro alcançado. Com algoritmos de aprendizagem de máquina simples e rápidos de serem ajustados, treinados e testados, conseguimos modelar uso dos dispositivos que compõem o smartphone baseados no padrão de comportamento do usuário.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-21T16:56:03Z
2022-12-21T16:56:03Z
2022-09-16
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv BARRETO NETO, Antônio Correia de Sá. Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone. 2022. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.
https://repositorio.ufpe.br/handle/123456789/48348
identifier_str_mv BARRETO NETO, Antônio Correia de Sá. Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone. 2022. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2022.
url https://repositorio.ufpe.br/handle/123456789/48348
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/embargoedAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv embargoedAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Ciencia da Computacao
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856041845100904448

Registros relacionados