Estudo comparativo de Deep Learning e regressão linear na predição de mensagens processadas pela plataforma de integração guaraná

Abstract

Geralmente as empresas possuem uma vasta quantidade de softwares em seu ecossistema de software, sendo eles utilizados para dar suporte aos mais diversos processos de negócio. Muitas vezes é necessário que as aplicações operem de forma integrada, auxiliando na operação de suas rotinas. Ferramentas de integração são utilizadas para possibilitar a colaboração entre as aplicações. As ferramentas de integração visam processar a maior quantidade de mensagens em menor tempo, para isso, é necessário que a configuração de seus parâmetros ocorra corretamente. Uma das configurações é a quantidade de threads que estará disponível para realizar os processos de integração. Normalmente essa quantidade é definida por um engenheiro de software, porém a utilização de modelos matemáticos para identificação da quantidade ideal de threads é uma alternativa. Para os modelos matemáticos, é importante ter conhecimento da quantidade de mensagens que serão processadas em um determinado tempo, para que assim possam aumentar ou diminuir a quantidade de threads disponíveis durante a integração em tempo real. Para ter o conhecimento da quantidade de mensagens que serão processadas, é necessário a utilização de modelos de predição, sejam eles modelos específicos para o problema ou modelos de contexto geral, como modelos provenientes de inteligência artificial, como Regressão Linear e Deep Learning. Este trabalho tem como objetivo desenvolver e verificar a assertividade de modelos de Deep Learning e Regressão Linear na predição da quantidade de mensagens que serão processadas a partir da quantidade de threads e entrada de mensagens. Dentre os modelos desenvolvidos, destacou-se os modelos de Deep Learning, onde a assertividade foi próxima a 95%, enquanto que os modelos de Regressão Linear não foram capazes de obter conhecimento suficiente a partir dos dados.