Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/35854 |
Resumo: | Nas últimas décadas, as comunicações móveis evoluíram de um patamar de tecnologia cara utilizada por alguns poucos indivíduos para a condição de sistemas ubíquos usados pela maioria da população mundial. Diante desse cenário, as tecnologias presentes nos dispositivos móveis (hardware, software, comunicações e bateria) precisam evoluir para suprir as novas funcionalidades (altas taxas de dados e conectividade ininterrupta, por exemplo) que cada vez mais demandam um maior consumo de energia e, consequentemente, implicam na diminuição da autonomia dos smartphones. Sabendo que a tecnologia de transmissão sem fio contribui significativamente para o aumento do consumo de energia dos dispositivos móveis e considerando o crescimento exorbitante de tráfego de dados dos últimos anos, esforços têm sido realizados para se buscar soluções que estendam a autonomia das baterias. Um exemplo é a integração de diferentes tipos de redes sem fio (3G e Wi-Fi, por exemplo) que permitam ao dispositivo móvel selecionar a interface de rede com base em algum critério de otimização, como, por exemplo, a minimização do custo energético por cada byte transferido. Atualmente, em smartphones Android, sempre que redes Wi-Fi estão disponíveis, a interface de rede Wi-Fi do dispositivo móvel é naturalmente escolhida, muito provavelmente por questões financeiras. No entanto, tal escolha não garante que o consumo de energia associado será otimizado. Face ao exposto, o objetivo deste trabalho é a proposição de um mecanismo dinâmico de seleção de interface de rede focado em minimizar o consumo de energia do dispositivo móvel, permitindo um aumento da autonomia da bateria. Para isso, diversas técnicas de Aprendizagem de Máquina são empregadas no intuito de prever o custo energético por byte transferido de cada tipo de interface de rede disponível. Por fim, uma comparação dos custos energéticos (para cada interface de rede) obtidos por cada técnica de Aprendizagem de Máquina é realizada para indicar qual a melhor alternativa dentre as técnicas selecionadas. Dessa forma, é possível comparar as estimativas dos custos energéticos de cada interface e escolher aquela que diminui o consumo. |
id |
UFPE_8ce3c500ca45a5c1605d5dd1beb4925c |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/35854 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
HARADA, Lucas Minoru Ferreirahttp://lattes.cnpq.br/9273531455465801http://lattes.cnpq.br/8971986984647323CUNHA, Daniel Carvalho da2019-12-18T17:01:39Z2019-12-18T17:01:39Z2017-02-17HARADA, Lucas Minoru Ferreira Proposta de um Mecanismo Dinâmico de Seleção de Interface de Rede de Dispositivos Móveis Utilizando Aprendizagem de Máquina. 2017. Dissertação (Mestrado em Ciência da computação) – Universidade Federal de Pernambuco, Recife, 2017.https://repositorio.ufpe.br/handle/123456789/35854Nas últimas décadas, as comunicações móveis evoluíram de um patamar de tecnologia cara utilizada por alguns poucos indivíduos para a condição de sistemas ubíquos usados pela maioria da população mundial. Diante desse cenário, as tecnologias presentes nos dispositivos móveis (hardware, software, comunicações e bateria) precisam evoluir para suprir as novas funcionalidades (altas taxas de dados e conectividade ininterrupta, por exemplo) que cada vez mais demandam um maior consumo de energia e, consequentemente, implicam na diminuição da autonomia dos smartphones. Sabendo que a tecnologia de transmissão sem fio contribui significativamente para o aumento do consumo de energia dos dispositivos móveis e considerando o crescimento exorbitante de tráfego de dados dos últimos anos, esforços têm sido realizados para se buscar soluções que estendam a autonomia das baterias. Um exemplo é a integração de diferentes tipos de redes sem fio (3G e Wi-Fi, por exemplo) que permitam ao dispositivo móvel selecionar a interface de rede com base em algum critério de otimização, como, por exemplo, a minimização do custo energético por cada byte transferido. Atualmente, em smartphones Android, sempre que redes Wi-Fi estão disponíveis, a interface de rede Wi-Fi do dispositivo móvel é naturalmente escolhida, muito provavelmente por questões financeiras. No entanto, tal escolha não garante que o consumo de energia associado será otimizado. Face ao exposto, o objetivo deste trabalho é a proposição de um mecanismo dinâmico de seleção de interface de rede focado em minimizar o consumo de energia do dispositivo móvel, permitindo um aumento da autonomia da bateria. Para isso, diversas técnicas de Aprendizagem de Máquina são empregadas no intuito de prever o custo energético por byte transferido de cada tipo de interface de rede disponível. Por fim, uma comparação dos custos energéticos (para cada interface de rede) obtidos por cada técnica de Aprendizagem de Máquina é realizada para indicar qual a melhor alternativa dentre as técnicas selecionadas. Dessa forma, é possível comparar as estimativas dos custos energéticos de cada interface e escolher aquela que diminui o consumo.CNPqOn the last decades, mobile communications rose from a costly technology which few people could use to a ubiquitous systems used by most of people. On this, the technologies found on mobile devices (such as hardware, software, communications and battery) need to evolve to supply the new features (high data rate and continuous connectivity, for example) that demands a higher energy consumption and, consequently, imply on reduction of the smartphone's battery duration. Knowing that the wireless communication contribute fairly to the energy consumption of mobile devices and considering the huge increase of network traffic on the last years, efforts have been made to find solutions to extend battery duration. One example is the integration between different wireless networks types (e.g. 3G and Wi-Fi) that allows the device to select which network interface should be used based on some optimization criteria, like the minimization of the energy cost for each transferred byte. Currently, on Android smartphones, the Wi-Fi network is chosen every time it is available, probably because of monetary issue. However, this choice doesn't guarantee that the energy consumption will be minimized. Against the above, the objective of this dissertation is the proposition of a network interface dynamic selection mechanism focused on minimizing the mobile device's energy consumption, increasing the battery duration. To that, several Machine Learning techniques are applied to predict the energy cost for each transferred byte of each available network interface. Lastly, a comparison between all predicted energy costs (of each network interface) is performed to define which technique delivers the best performance. That way, it is possible to compare the energy cost estimates for each network interface and select the one that decreases the energy consumption.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/openAccessComunicações MóveisDispositivos MóveisConsumo de EnergiaSeleção Dinâmica de Interface de RedeProposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETEXTDISSERTAÇÃO Lucas Monoru Ferreira Harada.pdf.txtDISSERTAÇÃO Lucas Monoru Ferreira Harada.pdf.txtExtracted texttext/plain95954https://repositorio.ufpe.br/bitstream/123456789/35854/4/DISSERTA%c3%87%c3%83O%20Lucas%20Monoru%20Ferreira%20Harada.pdf.txt6caacacc3794909e647c2e813e0d7bd0MD54THUMBNAILDISSERTAÇÃO Lucas Monoru Ferreira Harada.pdf.jpgDISSERTAÇÃO Lucas Monoru Ferreira Harada.pdf.jpgGenerated Thumbnailimage/jpeg1263https://repositorio.ufpe.br/bitstream/123456789/35854/5/DISSERTA%c3%87%c3%83O%20Lucas%20Monoru%20Ferreira%20Harada.pdf.jpg1392f0e2715b7ccf672a7cf6ad86ceb2MD55ORIGINALDISSERTAÇÃO Lucas Monoru Ferreira Harada.pdfDISSERTAÇÃO Lucas Monoru Ferreira Harada.pdfapplication/pdf2661468https://repositorio.ufpe.br/bitstream/123456789/35854/1/DISSERTA%c3%87%c3%83O%20Lucas%20Monoru%20Ferreira%20Harada.pdf58609595556ee6bf96381a7f2fd50184MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/35854/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82310https://repositorio.ufpe.br/bitstream/123456789/35854/3/license.txtbd573a5ca8288eb7272482765f819534MD53123456789/358542019-12-19 02:16:00.609oai:repositorio.ufpe.br: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ório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-12-19T05:16Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina |
title |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina |
spellingShingle |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina HARADA, Lucas Minoru Ferreira Comunicações Móveis Dispositivos Móveis Consumo de Energia Seleção Dinâmica de Interface de Rede |
title_short |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina |
title_full |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina |
title_fullStr |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina |
title_full_unstemmed |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina |
title_sort |
Proposta de um mecanismo dinâmico de seleção de interface de rede de dispositivos móveis utilizando aprendizagem de máquina |
author |
HARADA, Lucas Minoru Ferreira |
author_facet |
HARADA, Lucas Minoru Ferreira |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9273531455465801 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8971986984647323 |
dc.contributor.author.fl_str_mv |
HARADA, Lucas Minoru Ferreira |
dc.contributor.advisor1.fl_str_mv |
CUNHA, Daniel Carvalho da |
contributor_str_mv |
CUNHA, Daniel Carvalho da |
dc.subject.por.fl_str_mv |
Comunicações Móveis Dispositivos Móveis Consumo de Energia Seleção Dinâmica de Interface de Rede |
topic |
Comunicações Móveis Dispositivos Móveis Consumo de Energia Seleção Dinâmica de Interface de Rede |
description |
Nas últimas décadas, as comunicações móveis evoluíram de um patamar de tecnologia cara utilizada por alguns poucos indivíduos para a condição de sistemas ubíquos usados pela maioria da população mundial. Diante desse cenário, as tecnologias presentes nos dispositivos móveis (hardware, software, comunicações e bateria) precisam evoluir para suprir as novas funcionalidades (altas taxas de dados e conectividade ininterrupta, por exemplo) que cada vez mais demandam um maior consumo de energia e, consequentemente, implicam na diminuição da autonomia dos smartphones. Sabendo que a tecnologia de transmissão sem fio contribui significativamente para o aumento do consumo de energia dos dispositivos móveis e considerando o crescimento exorbitante de tráfego de dados dos últimos anos, esforços têm sido realizados para se buscar soluções que estendam a autonomia das baterias. Um exemplo é a integração de diferentes tipos de redes sem fio (3G e Wi-Fi, por exemplo) que permitam ao dispositivo móvel selecionar a interface de rede com base em algum critério de otimização, como, por exemplo, a minimização do custo energético por cada byte transferido. Atualmente, em smartphones Android, sempre que redes Wi-Fi estão disponíveis, a interface de rede Wi-Fi do dispositivo móvel é naturalmente escolhida, muito provavelmente por questões financeiras. No entanto, tal escolha não garante que o consumo de energia associado será otimizado. Face ao exposto, o objetivo deste trabalho é a proposição de um mecanismo dinâmico de seleção de interface de rede focado em minimizar o consumo de energia do dispositivo móvel, permitindo um aumento da autonomia da bateria. Para isso, diversas técnicas de Aprendizagem de Máquina são empregadas no intuito de prever o custo energético por byte transferido de cada tipo de interface de rede disponível. Por fim, uma comparação dos custos energéticos (para cada interface de rede) obtidos por cada técnica de Aprendizagem de Máquina é realizada para indicar qual a melhor alternativa dentre as técnicas selecionadas. Dessa forma, é possível comparar as estimativas dos custos energéticos de cada interface e escolher aquela que diminui o consumo. |
publishDate |
2017 |
dc.date.issued.fl_str_mv |
2017-02-17 |
dc.date.accessioned.fl_str_mv |
2019-12-18T17:01:39Z |
dc.date.available.fl_str_mv |
2019-12-18T17:01:39Z |
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 |
HARADA, Lucas Minoru Ferreira Proposta de um Mecanismo Dinâmico de Seleção de Interface de Rede de Dispositivos Móveis Utilizando Aprendizagem de Máquina. 2017. Dissertação (Mestrado em Ciência da computação) – Universidade Federal de Pernambuco, Recife, 2017. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/35854 |
identifier_str_mv |
HARADA, Lucas Minoru Ferreira Proposta de um Mecanismo Dinâmico de Seleção de Interface de Rede de Dispositivos Móveis Utilizando Aprendizagem de Máquina. 2017. Dissertação (Mestrado em Ciência da computação) – Universidade Federal de Pernambuco, Recife, 2017. |
url |
https://repositorio.ufpe.br/handle/123456789/35854 |
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/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil 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/123456789/35854/4/DISSERTA%c3%87%c3%83O%20Lucas%20Monoru%20Ferreira%20Harada.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/35854/5/DISSERTA%c3%87%c3%83O%20Lucas%20Monoru%20Ferreira%20Harada.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/35854/1/DISSERTA%c3%87%c3%83O%20Lucas%20Monoru%20Ferreira%20Harada.pdf https://repositorio.ufpe.br/bitstream/123456789/35854/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/35854/3/license.txt |
bitstream.checksum.fl_str_mv |
6caacacc3794909e647c2e813e0d7bd0 1392f0e2715b7ccf672a7cf6ad86ceb2 58609595556ee6bf96381a7f2fd50184 e39d27027a6cc9cb039ad269a5db8e34 bd573a5ca8288eb7272482765f819534 |
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_ |
1801857861757698048 |