Árboles de decisión adaptativos en políticas de admisión a caché

Autores
Tonin Monzón, Francisco; Banchero, Santiago; Tolosa, Gabriel Hernán
Año de publicación
2018
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Millones de consultas son procesadas diariamente por los motores de búsqueda web. En éstos la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje automático para aumentar la e ficiencia de la caché. Hasta el momento, los trabajos en el área consisten en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en la distribución de los datos de entrada. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, técnicas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en éstas, características que a su vez de finen a la resolución de consultas en motores de búsqueda web. Basado en esto, se propone la utilización de un árbol de decisión adaptativo para generar reglas que permiten predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra un árbol de decisión estático clásico mostrando las ventajas de reconocer dinámicamente patrones que identifi can consultas frecuentes.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Motor de Búsqueda
Cache memories
árbol de decisión estático clásico
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-sa/3.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/70642

id SEDICI_e7e12a48f9c08d0e6579a9139a89eb4b
oai_identifier_str oai:sedici.unlp.edu.ar:10915/70642
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Árboles de decisión adaptativos en políticas de admisión a cachéTonin Monzón, FranciscoBanchero, SantiagoTolosa, Gabriel HernánCiencias InformáticasMotor de BúsquedaCache memoriesárbol de decisión estático clásicoMillones de consultas son procesadas diariamente por los motores de búsqueda web. En éstos la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje automático para aumentar la e ficiencia de la caché. Hasta el momento, los trabajos en el área consisten en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en la distribución de los datos de entrada. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, técnicas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en éstas, características que a su vez de finen a la resolución de consultas en motores de búsqueda web. Basado en esto, se propone la utilización de un árbol de decisión adaptativo para generar reglas que permiten predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra un árbol de decisión estático clásico mostrando las ventajas de reconocer dinámicamente patrones que identifi can consultas frecuentes.Sociedad Argentina de Informática e Investigación Operativa2018-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf46-63http://sedici.unlp.edu.ar/handle/10915/70642spainfo:eu-repo/semantics/altIdentifier/url/http://47jaiio.sadio.org.ar/sites/default/files/AGRANDA-04.pdfinfo:eu-repo/semantics/altIdentifier/issn/2451-7569info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-sa/3.0/Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:11:20Zoai:sedici.unlp.edu.ar:10915/70642Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:11:20.542SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Árboles de decisión adaptativos en políticas de admisión a caché
title Árboles de decisión adaptativos en políticas de admisión a caché
spellingShingle Árboles de decisión adaptativos en políticas de admisión a caché
Tonin Monzón, Francisco
Ciencias Informáticas
Motor de Búsqueda
Cache memories
árbol de decisión estático clásico
title_short Árboles de decisión adaptativos en políticas de admisión a caché
title_full Árboles de decisión adaptativos en políticas de admisión a caché
title_fullStr Árboles de decisión adaptativos en políticas de admisión a caché
title_full_unstemmed Árboles de decisión adaptativos en políticas de admisión a caché
title_sort Árboles de decisión adaptativos en políticas de admisión a caché
dc.creator.none.fl_str_mv Tonin Monzón, Francisco
Banchero, Santiago
Tolosa, Gabriel Hernán
author Tonin Monzón, Francisco
author_facet Tonin Monzón, Francisco
Banchero, Santiago
Tolosa, Gabriel Hernán
author_role author
author2 Banchero, Santiago
Tolosa, Gabriel Hernán
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Motor de Búsqueda
Cache memories
árbol de decisión estático clásico
topic Ciencias Informáticas
Motor de Búsqueda
Cache memories
árbol de decisión estático clásico
dc.description.none.fl_txt_mv Millones de consultas son procesadas diariamente por los motores de búsqueda web. En éstos la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje automático para aumentar la e ficiencia de la caché. Hasta el momento, los trabajos en el área consisten en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en la distribución de los datos de entrada. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, técnicas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en éstas, características que a su vez de finen a la resolución de consultas en motores de búsqueda web. Basado en esto, se propone la utilización de un árbol de decisión adaptativo para generar reglas que permiten predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra un árbol de decisión estático clásico mostrando las ventajas de reconocer dinámicamente patrones que identifi can consultas frecuentes.
Sociedad Argentina de Informática e Investigación Operativa
description Millones de consultas son procesadas diariamente por los motores de búsqueda web. En éstos la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje automático para aumentar la e ficiencia de la caché. Hasta el momento, los trabajos en el área consisten en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en la distribución de los datos de entrada. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, técnicas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en éstas, características que a su vez de finen a la resolución de consultas en motores de búsqueda web. Basado en esto, se propone la utilización de un árbol de decisión adaptativo para generar reglas que permiten predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra un árbol de decisión estático clásico mostrando las ventajas de reconocer dinámicamente patrones que identifi can consultas frecuentes.
publishDate 2018
dc.date.none.fl_str_mv 2018-09
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/70642
url http://sedici.unlp.edu.ar/handle/10915/70642
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://47jaiio.sadio.org.ar/sites/default/files/AGRANDA-04.pdf
info:eu-repo/semantics/altIdentifier/issn/2451-7569
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-sa/3.0/
Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-sa/3.0/
Creative Commons Attribution-ShareAlike 3.0 Unported (CC BY-SA 3.0)
dc.format.none.fl_str_mv application/pdf
46-63
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844615982945927168
score 13.070432