Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Bonat, Wagner Hugo, 1985- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
Autor(es): dc.creator | Santos, Maike Willian Martins dos | - |
Data de aceite: dc.date.accessioned | 2025-09-01T13:38:26Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T13:38:26Z | - |
Data de envio: dc.date.issued | 2024-12-02 | - |
Data de envio: dc.date.issued | 2024-12-02 | - |
Data de envio: dc.date.issued | 2023 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/93472 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/93472 | - |
Descrição: dc.description | Orientador: Prof. Wagner Hugo Bonat | - |
Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data | - |
Descrição: dc.description | Inclui referências | - |
Descrição: dc.description | Resumo: Este trabalho tem como fundamento principal o estudo da evolução da quantidade de máquinas ligadas em dois ambientes de Data as a Service (DaaS) a partir de tendências e melhoria nos data centers. Os dados utilizados foramextraídos do Citrix, uma plataforma de gerenciamento de máquinas DaaS, para analisar a quantidade de máquinas ativas hora a hora. Para a revisão dos dados, foi feita a aplicação do modelo de Decomposição Sazonal de médias via suavização exponencial para a captação de padrões de cada dia da semana. O trabalho se encerrou com uma série de análises de resíduo que mostrou significativas autocorrelações e foram necessários modelos mais complexos para a obtenção de uma previsão mais acurada. A conclusão a que se chegou por meio do referido experimento foi a de que é, sim, possível melhorar a infraestrutura de data centers ao entender melhor como as máquinas são utilizadas e aloca melhor os recursos, conseguindo reduzir custos. Além disso, foramrealizados testes de validação do modelo escolhido, incluindo AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion) e o teste de Ljung-Box, os quais evidenciarama presença de padrões não aleatórios nos resíduos, destacando a importância de incorporar a sazonalidade e outros fatores temporais nos modelos preditivos. | - |
Descrição: dc.description | Abstract: This work is primarily based on the study of the evolution of the number of active machines in two Data as a Service (DaaS) environments, focusing on trends and improvements in data centers. The data used were extracted from Citrix, a DaaS management platform, to analyze the number of active machines on an hourly basis. For data review, the Seasonal Decomposition model using exponential smoothing was applied to capture the patterns for each day of the week. The study concluded with a series of residual analyses that showed significant autocorrelations, indicating that more complex models were necessary to achieve more accurate predictions. The conclusion reached through this experiment was that it is indeed possible to improve data center infrastructure by better understanding how themachines are used and by allocating resources more efficiently, thereby reducing costs. Additionally, validation tests of the chosen model were conducted, including AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), and the Ljung-Box test, which revealed the presence of non-random patterns in the residuals, highlighting the importance of incorporating seasonality and other temporal factors into predictive models. | - |
Formato: dc.format | 1 recurso online : PDF. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Analise de series temporais - Processamento de dados | - |
Palavras-chave: dc.subject | Desempenho - Avaliação | - |
Palavras-chave: dc.subject | Máquinas | - |
Título: dc.title | Análise de séries temporais para previsão de máquinas em serviços de DaaS | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: