Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/46045 |
Resumo: | Um dos fatores essenciais para o sucesso de uma aplicação ou modelo de dispositivo é o consumo de energia, que impacta diretamente na autonomia e na satisfação de pessoas usuárias de dispositivos móveis e seus aplicativos. Em geral, os estudos relacionados à área são realizados em laboratório, por meio de simulações, com um número limitado de dispositivos e aplicações. Uma perspectiva mais ampla se faz necessária diante da vasta heterogeneidade do contexto móvel, em especial do Android. Este estudo explora o uso de dados de dispositivos móveis, coletados através de colaboração coletiva (crowndsourcing), modelando seu comportamento energético para entender os fatores que mais impactam o seu consumo de energia. Foi analisada a viabilidade de desenvolver modelos a partir de técnicas tradicionais de Mineração de Dados e Aprendizado de Máquina utilizando dados de uso real de dispositivos móveis em larga escala, de modo a relacionar os diversos fatores do contexto móvel com o tempo de decaimento das baterias. Foram estudados dados dos 100 modelos mais populares e suas configurações, juntamente com os aplicativos e processos mais populares, presentes no banco de dados GreenHub, uma iniciativa colaborativa e voluntária para coletar dados para estudos de dispositivos móveis Android. Os pontos de dados coletados correspondem ao estado de diversos aspectos dos aparelhos sempre que ocorre uma alteração no nível das baterias, sendo o intervalo de tempo entre as alterações de decaimento, o alvo das técnicas utilizadas nesse estudo. Foram utilizados algoritmos de regressão baseados em árvore (Decision Tree, Random Forest e XGBoost), em conjunto com a abordagem SHAP (SHapley Additive exPlanations) a fim de estabelecer a capacidade preditiva e descritiva das técnicas. Os resultados indicam um grau de dificuldade elevado ao estudar as relações contidas nos dados, pois a precisão das predições varia bastante de acordo com o modelo de dispositivo a ser estudado, refletindo a heterogeneidade do contexto. Por exemplo, para o modelo mais popular da base, SM-G532M, a precisão da melhor predição, usando a técnica Decision Tree, foi de 37%. Por outro lado, para o segundo modelo mais popular, o A0001, a melhor precisão obtida, usando a técnica XGBoost, foi de 68%. Resultados como estes mostram que experimentos de laboratório para avaliar consumo de energia de dispositivos móveis têm poder limitado de representar situações do mundo real, dada a grande variabilidade de contextos em que estes podem ser usados. Dentre os aspectos mais impactantes para os modelos, fatores como temperatura, voltagem, uso da CPU e conexões de rede foram considerados mais relevantes que, por exemplo, os processos e aplicativos que estão em execução em dado momento. |
id |
UFPE_83189c6cc5300912dee5cfda3b77a38b |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/46045 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
NASCIMENTO JÚNIOR, Valdi Ferreira dohttp://lattes.cnpq.br/2076528747615280http://lattes.cnpq.br/7310046838140771LIMA FILHO, Fernando José Castor de2022-08-29T14:20:40Z2022-08-29T14:20:40Z2022-03-11NASCIMENTO JÚNIOR, Valdi Ferreira do. Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android. 2022. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/46045Um dos fatores essenciais para o sucesso de uma aplicação ou modelo de dispositivo é o consumo de energia, que impacta diretamente na autonomia e na satisfação de pessoas usuárias de dispositivos móveis e seus aplicativos. Em geral, os estudos relacionados à área são realizados em laboratório, por meio de simulações, com um número limitado de dispositivos e aplicações. Uma perspectiva mais ampla se faz necessária diante da vasta heterogeneidade do contexto móvel, em especial do Android. Este estudo explora o uso de dados de dispositivos móveis, coletados através de colaboração coletiva (crowndsourcing), modelando seu comportamento energético para entender os fatores que mais impactam o seu consumo de energia. Foi analisada a viabilidade de desenvolver modelos a partir de técnicas tradicionais de Mineração de Dados e Aprendizado de Máquina utilizando dados de uso real de dispositivos móveis em larga escala, de modo a relacionar os diversos fatores do contexto móvel com o tempo de decaimento das baterias. Foram estudados dados dos 100 modelos mais populares e suas configurações, juntamente com os aplicativos e processos mais populares, presentes no banco de dados GreenHub, uma iniciativa colaborativa e voluntária para coletar dados para estudos de dispositivos móveis Android. Os pontos de dados coletados correspondem ao estado de diversos aspectos dos aparelhos sempre que ocorre uma alteração no nível das baterias, sendo o intervalo de tempo entre as alterações de decaimento, o alvo das técnicas utilizadas nesse estudo. Foram utilizados algoritmos de regressão baseados em árvore (Decision Tree, Random Forest e XGBoost), em conjunto com a abordagem SHAP (SHapley Additive exPlanations) a fim de estabelecer a capacidade preditiva e descritiva das técnicas. Os resultados indicam um grau de dificuldade elevado ao estudar as relações contidas nos dados, pois a precisão das predições varia bastante de acordo com o modelo de dispositivo a ser estudado, refletindo a heterogeneidade do contexto. Por exemplo, para o modelo mais popular da base, SM-G532M, a precisão da melhor predição, usando a técnica Decision Tree, foi de 37%. Por outro lado, para o segundo modelo mais popular, o A0001, a melhor precisão obtida, usando a técnica XGBoost, foi de 68%. Resultados como estes mostram que experimentos de laboratório para avaliar consumo de energia de dispositivos móveis têm poder limitado de representar situações do mundo real, dada a grande variabilidade de contextos em que estes podem ser usados. Dentre os aspectos mais impactantes para os modelos, fatores como temperatura, voltagem, uso da CPU e conexões de rede foram considerados mais relevantes que, por exemplo, os processos e aplicativos que estão em execução em dado momento.One of the essential factors for the success of an application or device model is energy consumption, which directly impacts the autonomy and satisfaction of people who use mobile devices and their applications. In general, studies related to the area are carried out in the laboratory, through simulations, with a limited number of devices and applications. A broader perspective is needed given the vast heterogeneity of the mobile context, especially Android. This study explores the use of data from mobile devices, collected through crowdsourcing, modeling their energy behavior to understand the factors that most impact their energy consumption. The feasibility of developing models based on traditional Data Mining and Machine Learning techniques using data from real use of mobile devices on a large scale was analyzed, in order to relate the various factors of the mobile context with the battery decay time. Data from the 100 most popular models and their configurations were studied, along with the most popular applications and processes, present in the GreenHub database, a collaborative and voluntary initiative to collect data for Android mobile device studies. The data points collected correspond to the state of several aspects of the devices whenever there is a change in the battery level, with the time interval between the decay changes being the target of the techniques used in this study. Tree-based regression algorithms (Decision Tree, Random Forest and XGBoost) were used, together with the SHAP approach (SHapley Additive exPlanations) in order to establish the predictive and descriptive capacity of the techniques. The results indicate a high degree of difficulty when studying the relationships contained in the data, as the accuracy of the predictions varies greatly according to the device model to be studied, reflecting the heterogeneity of the context. For example, for the most popular model in the dataset, SM-G532M, the accuracy of the best prediction, using the Decision Tree technique, was 37%. On the other hand, for the second most popular model, the A0001, the best accuracy obtained using the XGBoost technique was 68%. Results like these show that laboratory experiments to assess energy consumption of mobile devices have limited power to represent real-world situations, given the wide variability of contexts in which they can be used. Among the most impacting aspects for the models, factors such as temperature, voltage, CPU usage and network connections were considered more relevant than, for example, the processes and applications that are running at any given time.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessEngenharia de software e linguagens de programaçãoMineração de dadosDados de crowdsourcingMobileAndroidMineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Androidinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Valdi Ferreira do Nascimento Júnior.pdfDISSERTAÇÃO Valdi Ferreira do Nascimento Júnior.pdfapplication/pdf2090843https://repositorio.ufpe.br/bitstream/123456789/46045/1/DISSERTA%c3%87%c3%83O%20Valdi%20Ferreira%20do%20Nascimento%20J%c3%banior.pdff90a71be844e7665e755d140df3b6d60MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/46045/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82142https://repositorio.ufpe.br/bitstream/123456789/46045/3/license.txt6928b9260b07fb2755249a5ca9903395MD53TEXTDISSERTAÇÃO Valdi Ferreira do Nascimento Júnior.pdf.txtDISSERTAÇÃO Valdi Ferreira do Nascimento Júnior.pdf.txtExtracted texttext/plain165430https://repositorio.ufpe.br/bitstream/123456789/46045/4/DISSERTA%c3%87%c3%83O%20Valdi%20Ferreira%20do%20Nascimento%20J%c3%banior.pdf.txt65023f067a4efd106ad6cc2de966a502MD54THUMBNAILDISSERTAÇÃO Valdi Ferreira do Nascimento Júnior.pdf.jpgDISSERTAÇÃO Valdi Ferreira do Nascimento Júnior.pdf.jpgGenerated Thumbnailimage/jpeg1230https://repositorio.ufpe.br/bitstream/123456789/46045/5/DISSERTA%c3%87%c3%83O%20Valdi%20Ferreira%20do%20Nascimento%20J%c3%banior.pdf.jpgace7b724a28d0bc9e5bdfde3f4db83dcMD55123456789/460452022-08-30 02:26:45.184oai:repositorio.ufpe.br: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ório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-08-30T05:26:45Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android |
title |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android |
spellingShingle |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android NASCIMENTO JÚNIOR, Valdi Ferreira do Engenharia de software e linguagens de programação Mineração de dados Dados de crowdsourcing Mobile Android |
title_short |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android |
title_full |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android |
title_fullStr |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android |
title_full_unstemmed |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android |
title_sort |
Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android |
author |
NASCIMENTO JÚNIOR, Valdi Ferreira do |
author_facet |
NASCIMENTO JÚNIOR, Valdi Ferreira do |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2076528747615280 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7310046838140771 |
dc.contributor.author.fl_str_mv |
NASCIMENTO JÚNIOR, Valdi Ferreira do |
dc.contributor.advisor1.fl_str_mv |
LIMA FILHO, Fernando José Castor de |
contributor_str_mv |
LIMA FILHO, Fernando José Castor de |
dc.subject.por.fl_str_mv |
Engenharia de software e linguagens de programação Mineração de dados Dados de crowdsourcing Mobile Android |
topic |
Engenharia de software e linguagens de programação Mineração de dados Dados de crowdsourcing Mobile Android |
description |
Um dos fatores essenciais para o sucesso de uma aplicação ou modelo de dispositivo é o consumo de energia, que impacta diretamente na autonomia e na satisfação de pessoas usuárias de dispositivos móveis e seus aplicativos. Em geral, os estudos relacionados à área são realizados em laboratório, por meio de simulações, com um número limitado de dispositivos e aplicações. Uma perspectiva mais ampla se faz necessária diante da vasta heterogeneidade do contexto móvel, em especial do Android. Este estudo explora o uso de dados de dispositivos móveis, coletados através de colaboração coletiva (crowndsourcing), modelando seu comportamento energético para entender os fatores que mais impactam o seu consumo de energia. Foi analisada a viabilidade de desenvolver modelos a partir de técnicas tradicionais de Mineração de Dados e Aprendizado de Máquina utilizando dados de uso real de dispositivos móveis em larga escala, de modo a relacionar os diversos fatores do contexto móvel com o tempo de decaimento das baterias. Foram estudados dados dos 100 modelos mais populares e suas configurações, juntamente com os aplicativos e processos mais populares, presentes no banco de dados GreenHub, uma iniciativa colaborativa e voluntária para coletar dados para estudos de dispositivos móveis Android. Os pontos de dados coletados correspondem ao estado de diversos aspectos dos aparelhos sempre que ocorre uma alteração no nível das baterias, sendo o intervalo de tempo entre as alterações de decaimento, o alvo das técnicas utilizadas nesse estudo. Foram utilizados algoritmos de regressão baseados em árvore (Decision Tree, Random Forest e XGBoost), em conjunto com a abordagem SHAP (SHapley Additive exPlanations) a fim de estabelecer a capacidade preditiva e descritiva das técnicas. Os resultados indicam um grau de dificuldade elevado ao estudar as relações contidas nos dados, pois a precisão das predições varia bastante de acordo com o modelo de dispositivo a ser estudado, refletindo a heterogeneidade do contexto. Por exemplo, para o modelo mais popular da base, SM-G532M, a precisão da melhor predição, usando a técnica Decision Tree, foi de 37%. Por outro lado, para o segundo modelo mais popular, o A0001, a melhor precisão obtida, usando a técnica XGBoost, foi de 68%. Resultados como estes mostram que experimentos de laboratório para avaliar consumo de energia de dispositivos móveis têm poder limitado de representar situações do mundo real, dada a grande variabilidade de contextos em que estes podem ser usados. Dentre os aspectos mais impactantes para os modelos, fatores como temperatura, voltagem, uso da CPU e conexões de rede foram considerados mais relevantes que, por exemplo, os processos e aplicativos que estão em execução em dado momento. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-08-29T14:20:40Z |
dc.date.available.fl_str_mv |
2022-08-29T14:20:40Z |
dc.date.issued.fl_str_mv |
2022-03-11 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
NASCIMENTO JÚNIOR, Valdi Ferreira do. Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android. 2022. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/46045 |
identifier_str_mv |
NASCIMENTO JÚNIOR, Valdi Ferreira do. Mineração de dados de crowdsourcing para investigar o uso de energia em dispositivos Android. 2022. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/46045 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
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/123456789/46045/1/DISSERTA%c3%87%c3%83O%20Valdi%20Ferreira%20do%20Nascimento%20J%c3%banior.pdf https://repositorio.ufpe.br/bitstream/123456789/46045/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/46045/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/46045/4/DISSERTA%c3%87%c3%83O%20Valdi%20Ferreira%20do%20Nascimento%20J%c3%banior.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/46045/5/DISSERTA%c3%87%c3%83O%20Valdi%20Ferreira%20do%20Nascimento%20J%c3%banior.pdf.jpg |
bitstream.checksum.fl_str_mv |
f90a71be844e7665e755d140df3b6d60 e39d27027a6cc9cb039ad269a5db8e34 6928b9260b07fb2755249a5ca9903395 65023f067a4efd106ad6cc2de966a502 ace7b724a28d0bc9e5bdfde3f4db83dc |
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_ |
1802310839635542016 |