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
RIDAA (UNICEN)
Institución
Universidad Nacional del Centro de la Provincia de Buenos Aires
OAI Identificador
oai:ridaa.unicen.edu.ar:123456789/1463

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