Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.012
Aluno: Valdi Ferreira do Nascimento Júnior
Orientador: Prof. Fernando José Castor de Lima Filho
Título: Mineração de dados de crowdsourcing para investigar o uso de
energia em dispositivos Android
Data: 11/03/2022
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Vinicius Cardoso Garcia (UFPE / Centro de Informática)
Prof. Ivan do Carmo Machado (UFBA / Departamento de Ciência da Computação)
Prof. Fernando José Castor de Lima Filho (UFPE / Centro de Informática)
RESUMO:
Um dos fatores essenciais para o sucesso de uma aplicação ou modelo é o
consumo de energia, que impacta diretamente na autonomia e na satisfação da
usabilidade 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. Portanto, este estudo
investiga o uso dados coletados através de crowndsourcing desses
dispositivos para prever seu comportamento e entender os fatores que mais
impactam o seu consumo de energia. Para isso foram desenvolvidos modelos de
regressão utilizando dados de uso real de dispositivos móveis em larga
escala, capazes de correlacionar diversos fatores como configurações,
aplicações e processos do sistema do contexto móvel com o tempo de consumo
de energia de 1% do nível da bateria usando. Foram estudados os 100 modelos
mais populares e suas configurações, juntamente com os aplicativos e
processos, presentes no banco de dados GreebHub, uma iniciativa
colaborativa e voluntária para coletar dados para estudos de dispositivos
móveis Android. No estudo foram utilizados algoritmos de regressão baseados
em árvore (Decision Tree, Random Forest e XGboot), avaliados com auxilio
das métricas de regressão do Scikit-Learn, e com a importância das features
(feature importance) sendo medida utilizando a abordagem SHAP (SHapley
Additive exPlanations). 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. Além disso, foi
detectada uma variação muito grande no impacto dos aplicativos e processos
de um modelo de dispositivo pra outro, e que as configurações foram
consideradas mais relevantes que ambos no consumo de energia.
Palavras-chave: Data Mining, Crowdsourcing Data, Energy, Mobile, Android
Comentários desativados