Estudo comparativo de Deep Learning e regressão linear na predição de mensagens processadas pela plataforma de integração guaraná
dc.contributor.author | Rehbein, Matheus Henrique | |
dc.date.accessioned | 2020-05-07T12:59:37Z | |
dc.date.available | 2019 | |
dc.date.available | 2020-05-07T12:59:37Z | |
dc.date.issued | 2020-05-07 | |
dc.description | 44 f. | pt_BR |
dc.description.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. | pt_BR |
dc.identifier.uri | https://bibliodigital.unijui.edu.br/items/542b1188-1aa1-41a0-a35b-97b038757fd0 | |
dc.language.iso | pt_BR | pt_BR |
dc.subject | Engenharias | pt_BR |
dc.subject | Ciência da Computação | pt_BR |
dc.subject | Deep Learning | pt_BR |
dc.subject | Ferramentas de integração | pt_BR |
dc.title | Estudo comparativo de Deep Learning e regressão linear na predição de mensagens processadas pela plataforma de integração guaraná | pt_BR |
dc.type | TCC | pt_BR |
mtd2-br.advisor.instituation | Universidade Regional do Noroeste do Estado do Rio Grande do Sul | pt_BR |
mtd2-br.advisor.name | Frantz, Rafael Zancan |
Arquivos
Pacote Original
1 - 1 de 1
Carregando...
- Nome:
- Matheus Henrique Rehbein.pdf
- Tamanho:
- 1.04 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- Trabalho de Conclusão de Curso
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: