1. RI UFLA
  2. Programas de Pós-Graduação - Teses e Dissertações
  3. Ciência da Computação - Mestrado (Dissertações)
Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/4166
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSidney, Christiane Faleiro-
dc.date.accessioned2014-09-30T15:20:37Z-
dc.date.available2014-09-30T15:20:37Z-
dc.date.issued2014-
dc.date.submitted2014-02-27-
dc.identifier.citationSIDNEY, C. F. Predição de desempenho para junções por similaridade baseadas em conjuntos. 2014. 91 p. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Lavras, Lavras, 2014.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/4166-
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.pt_BR
dc.languagept_BRpt_BR
dc.publisherUNIVERSIDADE FEDERAL DE LAVRASpt_BR
dc.rightsacesso abertopt_BR
dc.subjectJunção por similaridadept_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectPredição de desempenho para consultaspt_BR
dc.subjectIntegração de dadospt_BR
dc.subjectLimpeza de dadospt_BR
dc.subjectSimilarity joinpt_BR
dc.subjectCloud databasespt_BR
dc.subjectMachine learningpt_BR
dc.subjectQuery performance predictionpt_BR
dc.subjectData integrationpt_BR
dc.subjectData cleaningpt_BR
dc.titlePredição de desempenho para junções por similaridade baseadas em conjuntospt_BR
dc.typedissertaçãopt_BR
dc.publisher.programDCC - Programa de Pós-graduaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countryBRASILpt_BR
dc.description.concentrationBanco de Dados e Engenharia de Softwarept_BR
dc.contributor.advisor1Ribeiro, Leonardo Andrade-
dc.contributor.referee1Pereira, Denilson Alves-
dc.contributor.referee1Andrade, Rafael-
dc.contributor.referee1Zambalde, André Luiz-
dc.description.resumoPrevisão 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.pt_BR
dc.description.resumoQuery 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.pt_BR
dc.subject.cnpqCNPQ_NÃO_INFORMADOpt_BR
Aparece nas coleções:Ciência da Computação - Mestrado (Dissertações)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTAÇÃO_Predição de desempenho para junções por similaridade baseadas em conjuntos.pdf2,67 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


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