Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/31281
Título: Uma abordagem baseada em aprendizagem de máquina para predição de desempenho de junções por similaridade
Autor : Mendes, Diego Sarmento
Primeiro orientador: Ribeiro, Leonardo Andrade
Primeiro membro da banca: Castro, Cristiano Leite de
Pereira, Denilson Alves
Palavras-chave: Similaridade
Duplicatas
Predição de performance
Aprendizagem de máquina
Data da publicação: 2015
Referência: MENDES, D. S. Uma abordagem baseada em aprendizagem de máquina para predição de desempenho de junções por similaridade. 2013. Monografia. (Graduação em Ciência da Computação) – Universidade Federal de Lavras, Lavras, 2014.
Resumo: Com a necessidade cada vez maior de lidar com grandes volumes de dados e a expansão das tecnologias de computação em nuvem, prever de forma precisa a performance de consultas é uma tarefa imprescindível em sistemas de otimização e gerenciamento de recursos de hardware para bancos de dados. Trabalhos recentes abordaram este problema no contexto de operadores tradicionais de Sistemas Gerenciadores de Banco de Dados Relacionais (SGBDRs). Entretanto, até o presente momento não se conhece nenhum trabalho abordando a predição de operações avançadas baseadas no conceito de similaridade. Diante deste cenário, nesta pesquisa foram desenvolvidos modelos para prever, de forma precisa, o tempo de execução de junções por similaridade, que são essenciais para atividades de limpeza e integração de dados. Resultados utilizando técnicas de aprendizagem de máquina se mostraram eficientes, indicando que tais modelos poderiam ser utilizados para compor ferramentas de controle de admissão de recursos de hardware para a execução de tais atividades.
URI: http://repositorio.ufla.br/jspui/handle/1/31281
Idioma: pt_BR
Aparece nas coleções:PROGRAD - Ciência da Computação (Trabalhos de Conclusão de Curso)



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.