Uma ferramenta de apoio à detecção de falhas e recomendação de parâmetros em workflows científicos com mineração de dados

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.contributorOcanã, Kary Ann del Carmen Soriano-
Autor(es): dc.contributorCarvalho, Alexandre Plastino-
Autor(es): dc.contributorOliveira, Daniel Cardoso Moraes de-
Autor(es): dc.creatorSilva Junior, Daniel Pinheiro da-
Data de aceite: dc.date.accessioned2024-07-11T18:25:55Z-
Data de disponibilização: dc.date.available2024-07-11T18:25:55Z-
Data de envio: dc.date.issued2018-02-01-
Data de envio: dc.date.issued2018-02-01-
Data de envio: dc.date.issued2018-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/5713-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/770443-
Descrição: dc.descriptionOs experimentos científicos passaram a ter o suporte computacional para a sua execução e gerenciamento através de sua modelagem como um workflow. Sistemas computacionais foram desenvolvidos para fazer o gerenciamento não apenas das execuções destes experimentos mas também da organização dos dados produzidos durante todo o processo. Esses dados históricos possuem um grande conhecimento para ser extraído. Por meio do uso de técnicas de Aprendizado de Máquina este trabalho propõe uma ferramenta capaz de a partir da combinação de parâmetros das atividades do workflow, fazer a Detecção de Falhas antes que ocorram utilizando o conhecimento extraído de uma base histórica de execuções. Além disso, outra funcionalidade que a ferramenta proporciona é a Recomendação de Parâmetros, que retorna valores para parâmetros que o cientista não definiu os valores prévios, de modo a maximizar a chance do experimento ser finalizado corretamente. Com esta proposta, o trabalho visa reduzir o desperdício de recursos ocasionado por execuções dos experimentos que podem terminar falhando.-
Descrição: dc.descriptionScientific experiments started to have computational support for its execution and management through workflow modeling. Computational systems were developed to ma- nage not only executions of these experiments but also data organization produced during the whole process. Through the use of Machine Learning techniques this work proposes a tool capable of starting from the combination of workflow activity parameters, to do the Fault Detection before they occur using knowledge extracted from a historical basis of executions. In addition, another feature that the tool provides is the Recommendation of Parameters, which returns values for parameters that the scientist did not define the pre- vious values, in order to maximize the chance of the experiment being finalized correctly. With this proposal, the work aims to reduce the waste of resources caused by executions of the experiments that can end up failing.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectWorkflow científico-
Palavras-chave: dc.subjectDetecção de falhas-
Palavras-chave: dc.subjectRecomendação de parâmetros-
Palavras-chave: dc.subjectFerramenta computacional-
Palavras-chave: dc.subjectFluxo de trabalho-
Palavras-chave: dc.subjectTrabalho científico-
Palavras-chave: dc.subjectDetecção de falhas-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectScientific workflow-
Palavras-chave: dc.subjectFailure detection-
Palavras-chave: dc.subjectParameters recomendation-
Título: dc.titleUma ferramenta de apoio à detecção de falhas e recomendação de parâmetros em workflows científicos com mineração de dados-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.