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