Predição de desempenho para junções por similaridade baseadas em conjuntos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRibeiro, Leonardo Andrade-
Autor(es): dc.contributorPereira, Denilson Alves-
Autor(es): dc.contributorAndrade, Rafael-
Autor(es): dc.contributorZambalde, André Luiz-
Autor(es): dc.creatorSidney, Christiane Faleiro-
Data de aceite: dc.date.accessioned2026-02-09T11:55:55Z-
Data de disponibilização: dc.date.available2026-02-09T11:55:55Z-
Data de envio: dc.date.issued2014-09-30-
Data de envio: dc.date.issued2014-09-30-
Data de envio: dc.date.issued2014-
Data de envio: dc.date.issued2014-02-27-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/4166-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1150625-
Descrição: dc.descriptionDissertação apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Ciência da Computação, área de concentração em Banco de Dados e Engenharia de Software, para a obtenção do título de Mestre.-
Descrição: dc.descriptionBanco de Dados e Engenharia de Software-
Descrição: dc.descriptionQuery performance prediction is essential for many important tasks related to cloud-based database management including resource provisioning, admission control, and pricing. Recently, there has been great interest in building prediction models to estimate execution time of traditional SQL queries. While suitable for typical OLTP/OLAP workloads, these existing approaches are insufficient to model performance of complex data processing activities for deep analytics such as cleaning and integration of data. These activities are largely based on similarity operations, which are radically different from regular relational operators. In this dissertation, we consider prediction models for set similarity joins. We exploit knowledge of optimization techniques and design details popularly found in set similarity join algorithms to identify relevant features, which are then used to construct prediction models based on statistical machine learning. We present an extensive experimental evaluation to confirm the accuracy of our approach.-
Descrição: dc.descriptionPrevisão do tempo de execução de consultas é essencial para muitas tarefas importantes relacionadas ao gerenciamento de banco de dados baseado em nuvem, incluindo provisionamento de recursos, controle de admissão e precificação de serviços. Recentemente, há grandes esforços na construção de modelos de previsão para estimar o tempo de execução de consultas SQL tradicionais. Embora adequadas para cargas de trabalho OLTP/OLAP, essas abordagens são insuficientes para modelar o desempenho de atividades envolvendo análises complexas de dados, como limpeza e integração de dados. Essas atividades são baseadas tipicamente em operações de similaridade, que, por sua vez, são radicalmente diferentes dos operadores relacionais regulares. Neste trabalho, consideramos modelos de previsão de tempo para junções por similaridade baseadas em conjuntos. Por meio do estudo de técnicas de otimização popularmente utilizadas em algoritmos de junção por similaridade, foram identificadas um conjunto de features relevantes, que são usadas na construção de modelos de previsão baseadas em aprendizagem de máquina estatística. Uma extensa avaliação experimental é apresentada para confirmar a precisão da nossa abordagem.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUNIVERSIDADE FEDERAL DE LAVRAS-
Publicador: dc.publisherDCC - Programa de Pós-graduação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherBRASIL-
Direitos: dc.rightsacesso aberto-
Palavras-chave: dc.subjectJunção por similaridade-
Palavras-chave: dc.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectPredição de desempenho para consultas-
Palavras-chave: dc.subjectIntegração de dados-
Palavras-chave: dc.subjectLimpeza de dados-
Palavras-chave: dc.subjectSimilarity join-
Palavras-chave: dc.subjectCloud databases-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectQuery performance prediction-
Palavras-chave: dc.subjectData integration-
Palavras-chave: dc.subjectData cleaning-
Palavras-chave: dc.subjectCNPQ_NÃO_INFORMADO-
Título: dc.titlePredição de desempenho para junções por similaridade baseadas em conjuntos-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.