Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android
- Autores
- Agüero, Silvana Ivonne; Minvielle, Martina
- Año de publicación
- 2017
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Zunino, Alejandro
Sanchez, Emiliano - Descripción
- Durante los últimos años el uso y desarrollo de aplicaciones móviles ha ido creciendo constantemente debido a la proliferación de los dispositivos móviles y el aumento de su capacidad de cómputo. La re-utilización de software mediante la integración de componentes de terceros es una práctica muy común en el desarrollo de aplicaciones. La misma funcionalidad suele ser ofrecida por componentes alternativos que difieren en sus propiedades no-funcionales o atributos de calidad, como su tiempo de respuesta. Por lo tanto es importante elegir la alternativa más adecuada para ejecutar en un determinado contexto. Por razones prácticas es costosa la ejecución y prueba de todos los servicios para determinar el más adecuado de acuerdo a su calidad de servicio. En este punto, es donde toma importancia definir un proceso para la medición y predicción de las propiedades no-funcionales. A partir de la aplicación de técnicas de aprendizaje de máquina es posible construir modelos predictivos para estimar el desempeño futuro de un servicio en base a mediciones previas de las propiedades del mismo. En este trabajo se presenta un enfoque para medir propiedades no-funcionales en tiempo de ejecución y construir modelos de predicción de estas propiedades. Se proponen dos herramientas para asistir la aplicación del enfoque. Una de ellas facilita la obtención de indicadores de propiedades de componentes Android, como tiempo de respuesta o precisión. La segunda herramienta permite utilizar diferentes técnicas de regresión sobre las mediciones obtenidas previamente. Así, se logra construir modelos predictivos sobre alguna propiedad de interés de algún componente específico. El enfoque se evaluó empíricamente sobre grupos de algoritmos y servicios de diferentes dominios.
Fil: Agüero, Silvana Ivonne. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Minvielle, Martina. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Zunino, Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.
Fil: Sanchez, Emiliano. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. - Materia
-
Ingeniería de sistemas
Técnicas de aprendizaje
Android
Dispositivos móviles
Sistema android - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional del Centro de la Provincia de Buenos Aires
- OAI Identificador
- oai:ridaa.unicen.edu.ar:123456789/1463
Ver los metadatos del registro completo
id |
RIDUNICEN_87a37a5f70aafb3774ab16fa17b1b1c2 |
---|---|
oai_identifier_str |
oai:ridaa.unicen.edu.ar:123456789/1463 |
network_acronym_str |
RIDUNICEN |
repository_id_str |
a |
network_name_str |
RIDAA (UNICEN) |
spelling |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones androidAgüero, Silvana IvonneMinvielle, MartinaIngeniería de sistemasTécnicas de aprendizajeAndroidDispositivos móvilesSistema androidDurante los últimos años el uso y desarrollo de aplicaciones móviles ha ido creciendo constantemente debido a la proliferación de los dispositivos móviles y el aumento de su capacidad de cómputo. La re-utilización de software mediante la integración de componentes de terceros es una práctica muy común en el desarrollo de aplicaciones. La misma funcionalidad suele ser ofrecida por componentes alternativos que difieren en sus propiedades no-funcionales o atributos de calidad, como su tiempo de respuesta. Por lo tanto es importante elegir la alternativa más adecuada para ejecutar en un determinado contexto. Por razones prácticas es costosa la ejecución y prueba de todos los servicios para determinar el más adecuado de acuerdo a su calidad de servicio. En este punto, es donde toma importancia definir un proceso para la medición y predicción de las propiedades no-funcionales. A partir de la aplicación de técnicas de aprendizaje de máquina es posible construir modelos predictivos para estimar el desempeño futuro de un servicio en base a mediciones previas de las propiedades del mismo. En este trabajo se presenta un enfoque para medir propiedades no-funcionales en tiempo de ejecución y construir modelos de predicción de estas propiedades. Se proponen dos herramientas para asistir la aplicación del enfoque. Una de ellas facilita la obtención de indicadores de propiedades de componentes Android, como tiempo de respuesta o precisión. La segunda herramienta permite utilizar diferentes técnicas de regresión sobre las mediciones obtenidas previamente. Así, se logra construir modelos predictivos sobre alguna propiedad de interés de algún componente específico. El enfoque se evaluó empíricamente sobre grupos de algoritmos y servicios de diferentes dominios.Fil: Agüero, Silvana Ivonne. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Minvielle, Martina. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Zunino, Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Fil: Sanchez, Emiliano. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina.Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias ExactasZunino, AlejandroSanchez, Emiliano2017-082017-10-31T13:51:10Zinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttp://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1463https://www.ridaa.unicen.edu.ar/handle/123456789/1463spahttp://creativecommons.org/licenses/by-nc/2.5/ar/info:eu-repo/semantics/openAccessreponame:RIDAA (UNICEN)instname:Universidad Nacional del Centro de la Provincia de Buenos Aires2025-09-04T09:43:59Zoai:ridaa.unicen.edu.ar:123456789/1463instacron:UNICENInstitucionalhttps://www.ridaa.unicen.edu.ar/Universidad públicaNo correspondehttps://www.ridaa.unicen.edu.ar/oailleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ;ArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2025-09-04 09:43:59.924RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Airesfalse |
dc.title.none.fl_str_mv |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android |
title |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android |
spellingShingle |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android Agüero, Silvana Ivonne Ingeniería de sistemas Técnicas de aprendizaje Android Dispositivos móviles Sistema android |
title_short |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android |
title_full |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android |
title_fullStr |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android |
title_full_unstemmed |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android |
title_sort |
Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android |
dc.creator.none.fl_str_mv |
Agüero, Silvana Ivonne Minvielle, Martina |
author |
Agüero, Silvana Ivonne |
author_facet |
Agüero, Silvana Ivonne Minvielle, Martina |
author_role |
author |
author2 |
Minvielle, Martina |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Zunino, Alejandro Sanchez, Emiliano |
dc.subject.none.fl_str_mv |
Ingeniería de sistemas Técnicas de aprendizaje Android Dispositivos móviles Sistema android |
topic |
Ingeniería de sistemas Técnicas de aprendizaje Android Dispositivos móviles Sistema android |
dc.description.none.fl_txt_mv |
Durante los últimos años el uso y desarrollo de aplicaciones móviles ha ido creciendo constantemente debido a la proliferación de los dispositivos móviles y el aumento de su capacidad de cómputo. La re-utilización de software mediante la integración de componentes de terceros es una práctica muy común en el desarrollo de aplicaciones. La misma funcionalidad suele ser ofrecida por componentes alternativos que difieren en sus propiedades no-funcionales o atributos de calidad, como su tiempo de respuesta. Por lo tanto es importante elegir la alternativa más adecuada para ejecutar en un determinado contexto. Por razones prácticas es costosa la ejecución y prueba de todos los servicios para determinar el más adecuado de acuerdo a su calidad de servicio. En este punto, es donde toma importancia definir un proceso para la medición y predicción de las propiedades no-funcionales. A partir de la aplicación de técnicas de aprendizaje de máquina es posible construir modelos predictivos para estimar el desempeño futuro de un servicio en base a mediciones previas de las propiedades del mismo. En este trabajo se presenta un enfoque para medir propiedades no-funcionales en tiempo de ejecución y construir modelos de predicción de estas propiedades. Se proponen dos herramientas para asistir la aplicación del enfoque. Una de ellas facilita la obtención de indicadores de propiedades de componentes Android, como tiempo de respuesta o precisión. La segunda herramienta permite utilizar diferentes técnicas de regresión sobre las mediciones obtenidas previamente. Así, se logra construir modelos predictivos sobre alguna propiedad de interés de algún componente específico. El enfoque se evaluó empíricamente sobre grupos de algoritmos y servicios de diferentes dominios. Fil: Agüero, Silvana Ivonne. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Minvielle, Martina. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Zunino, Alejandro. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. Fil: Sanchez, Emiliano. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas; Argentina. |
description |
Durante los últimos años el uso y desarrollo de aplicaciones móviles ha ido creciendo constantemente debido a la proliferación de los dispositivos móviles y el aumento de su capacidad de cómputo. La re-utilización de software mediante la integración de componentes de terceros es una práctica muy común en el desarrollo de aplicaciones. La misma funcionalidad suele ser ofrecida por componentes alternativos que difieren en sus propiedades no-funcionales o atributos de calidad, como su tiempo de respuesta. Por lo tanto es importante elegir la alternativa más adecuada para ejecutar en un determinado contexto. Por razones prácticas es costosa la ejecución y prueba de todos los servicios para determinar el más adecuado de acuerdo a su calidad de servicio. En este punto, es donde toma importancia definir un proceso para la medición y predicción de las propiedades no-funcionales. A partir de la aplicación de técnicas de aprendizaje de máquina es posible construir modelos predictivos para estimar el desempeño futuro de un servicio en base a mediciones previas de las propiedades del mismo. En este trabajo se presenta un enfoque para medir propiedades no-funcionales en tiempo de ejecución y construir modelos de predicción de estas propiedades. Se proponen dos herramientas para asistir la aplicación del enfoque. Una de ellas facilita la obtención de indicadores de propiedades de componentes Android, como tiempo de respuesta o precisión. La segunda herramienta permite utilizar diferentes técnicas de regresión sobre las mediciones obtenidas previamente. Así, se logra construir modelos predictivos sobre alguna propiedad de interés de algún componente específico. El enfoque se evaluó empíricamente sobre grupos de algoritmos y servicios de diferentes dominios. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-08 2017-10-31T13:51:10Z |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1463 https://www.ridaa.unicen.edu.ar/handle/123456789/1463 |
url |
http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1463 https://www.ridaa.unicen.edu.ar/handle/123456789/1463 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc/2.5/ar/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc/2.5/ar/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
publisher.none.fl_str_mv |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas |
dc.source.none.fl_str_mv |
reponame:RIDAA (UNICEN) instname:Universidad Nacional del Centro de la Provincia de Buenos Aires |
reponame_str |
RIDAA (UNICEN) |
collection |
RIDAA (UNICEN) |
instname_str |
Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.name.fl_str_mv |
RIDAA (UNICEN) - Universidad Nacional del Centro de la Provincia de Buenos Aires |
repository.mail.fl_str_mv |
lleiboff@rec.unicen.edu.ar;gimeroni@rec.unicen.edu.ar;lvarela@rec.unicen.edu.ar ; |
_version_ |
1842341504145686528 |
score |
12.623145 |