Modelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphone
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
dARK ID: | ark:/64986/0013000000qmc |
Texto Completo: | 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 |
2221 |
spelling |
BARRETO NETO, Antônio Correia de Sáhttp://lattes.cnpq.br/2773609778338983http://lattes.cnpq.br/8382158780043575MACIEL, Paulo Romero Martins2022-12-21T16:56:03Z2022-12-21T16:56:03Z2022-09-16BARRETO 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/123456789/48348ark:/64986/0013000000qmcO 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.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessRedes de computadoresAprendizagem de máquinaModelos de Machine Learning baseados no padrão de uso do usuário para estimar consumo energético e utilização de dispositivos do smartphoneinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPECC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/48348/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52ORIGINALTESE Antônio Correia de Sá Barreto Neto.pdfTESE Antônio Correia de Sá Barreto Neto.pdfapplication/pdf4367863https://repositorio.ufpe.br/bitstream/123456789/48348/1/TESE%20Ant%c3%b4nio%20Correia%20de%20S%c3%a1%20Barreto%20Neto.pdf7271f7f9e34ab7dd5c7ab2df828c8c5cMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/48348/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53TEXTTESE Antônio Correia de Sá Barreto Neto.pdf.txtTESE Antônio Correia de Sá Barreto Neto.pdf.txtExtracted texttext/plain312716https://repositorio.ufpe.br/bitstream/123456789/48348/4/TESE%20Ant%c3%b4nio%20Correia%20de%20S%c3%a1%20Barreto%20Neto.pdf.txtfa27019f5e608971d2e0d0e6b33cf645MD54THUMBNAILTESE Antônio Correia de Sá Barreto Neto.pdf.jpgTESE Antônio Correia de Sá Barreto Neto.pdf.jpgGenerated Thumbnailimage/jpeg1248https://repositorio.ufpe.br/bitstream/123456789/48348/5/TESE%20Ant%c3%b4nio%20Correia%20de%20S%c3%a1%20Barreto%20Neto.pdf.jpg1af6905460a2738cd008d4a44afea509MD55123456789/483482022-12-22 02:23:17.391oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-12-22T05:23:17Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.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.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2773609778338983 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8382158780043575 |
dc.contributor.author.fl_str_mv |
BARRETO NETO, Antônio Correia de Sá |
dc.contributor.advisor1.fl_str_mv |
MACIEL, Paulo Romero Martins |
contributor_str_mv |
MACIEL, Paulo Romero Martins |
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.accessioned.fl_str_mv |
2022-12-21T16:56:03Z |
dc.date.available.fl_str_mv |
2022-12-21T16:56:03Z |
dc.date.issued.fl_str_mv |
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.citation.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. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/48348 |
dc.identifier.dark.fl_str_mv |
ark:/64986/0013000000qmc |
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. ark:/64986/0013000000qmc |
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.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
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 |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/48348/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/48348/1/TESE%20Ant%c3%b4nio%20Correia%20de%20S%c3%a1%20Barreto%20Neto.pdf https://repositorio.ufpe.br/bitstream/123456789/48348/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/48348/4/TESE%20Ant%c3%b4nio%20Correia%20de%20S%c3%a1%20Barreto%20Neto.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/48348/5/TESE%20Ant%c3%b4nio%20Correia%20de%20S%c3%a1%20Barreto%20Neto.pdf.jpg |
bitstream.checksum.fl_str_mv |
e39d27027a6cc9cb039ad269a5db8e34 7271f7f9e34ab7dd5c7ab2df828c8c5c 5e89a1613ddc8510c6576f4b23a78973 fa27019f5e608971d2e0d0e6b33cf645 1af6905460a2738cd008d4a44afea509 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1815172682757439488 |