Navegando por Assunto "Aprendizado online"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Mitigating concept drifts in proactive mobile core scaling via online learning models
(Universidade Federal do Pará, 2025-07-28) FERREIRA, Abrahão Leite; BOTH, Cristiano Bonato; http://lattes.cnpq.br/2658002010026792; https://orcid.org/0000-0002-9776-4888; GONÇALVES, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339; CARDOSO, Diego Lisboa; CARDOSO, Kleber Vieira; http://lattes.cnpq.br/0507944343674734; http://lattes.cnpq.br/0268732896111424; https://orcid.org/0000-0002-5971-3668; https://orcid.org/0000-0001-5152-5323
As redes móveis passam por constantes mudanças e, a cada geração, novos casos de uso surgem para desafiar a tecnologia atual. Os casos de uso atuais do 5G e do futuro 6G exigem que a rede móvel ofereça maior confiabilidade e baixa latência, desafiando assim toda a rede e, em particular, o núcleo da rede móvel. Para atender a esses requisitos rigorosos, a tecnologia de rede central atual incorpora técnicas de escalabilidade baseadas em modelos de aprendizado de máquina, que permitem antecipar as demandas de tráfego e ajustar proativamente os recursos da rede antes que ocorra qualquer degradação na qualidade do serviço. No entanto, mudanças nos hábitos dos usuários, aplicativos e protocolos de rede podem levar a alterações nos padrões estatísticos do tráfego móvel, um fenômeno conhecido como desvios de conceito. Consequentemente, modelos convencionais de aprendizado de máquina, treinados em dados antigos, tendem a perder precisão ao longo do tempo, o que pode comprometer a adoção de casos de uso com requisitos rigorosos de desempenho. Para superar essa limitação, este estudo avalia o uso de modelos de aprendizado online para o escalabilidade proativa de funções de rede no núcleo de redes móveis. Essa abordagem busca empregar modelos que possam se adaptar continuamente às mudanças na distribuição de tráfego, mantendo previsões consistentes mesmo em cenários sujeitos a desvios de conceito. Como um estudo de caso, esta dissertação de mestrado discute como modelos de aprendizagem online podem ser empregados para aprimorar a escalabilidade da Função de Gerenciamento de Acesso e Mobilidade (AMF) sob diferentes tipos de desvio de conceito. Utilizando tráfego de dados real de uma operadora de telecomunicações, diversos cenários de desvio de conceito foram delineados e uma simulação abrangente de treze estratégias de aprendizagem online foi realizada em um núcleo móvel simulado. Os resultados mostram como as previsões precisas dos modelos online impactam métricas de serviço, como o número de solicitações perdidas e a taxa de ocupação da função. Além disso, o estudo aponta que nem todos os modelos online mantêm boa precisão preditiva sob desvios de conceito no tráfego, o que confirma a importância de testar diferentes modelos.
Acesso aberto (Open Access)
Online learning for software defect prediction
(Universidade Federal do Pará, 2025-02-28) VIDAL, Douglas Almeida; SERUFFO, Marcos César da Rocha; http://lattes.cnpq.br/3794198610723464; https://orcid.org/0000-0002-8106-0560; GONÇALVES, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339; KLAUTAU JUNIOR, Aldebaro Barreto da Rocha; RIKER, André Figueira; CARDOSO, Diego Lisboa; http://lattes.cnpq.br/1596629769697284; http://lattes.cnpq.br/2949449810540513; http://lattes.cnpq.br/0507944343674734; https://orcid.org/0000-0001-7773-2080; xxx; https://orcid.org/0000-0002-5971-3668
A previsão de defeitos de software Just-in-Time (JIT-SDP) busca identificar mudanças no código que podem introduzir defeitos no momento em que são realizadas, permitindo uma correção antecipada e reduzindo custos de manutenção. No entanto, modelos tradicionais de JIT-SDP enfrentam dificuldades devido ao desvio de conceito e à necessidade de grandes quantidades de dados rotulados, tornando-os menos eficazes em ambientes dinâmicos de desenvolvimento de software. Esta dissertação apresenta o modelo Semi-supervised Stochastic Weight Averaging (S3WA), uma abordagem de aprendizado adaptativo que utiliza dados rotulados e não rotulados, ajustando-se dinamicamente às mudanças na distribuição dos dados. O modelo foi avaliado comparativamente a técnicas de aprendizado online de última geração em conjuntos de dados artificiais e reais, com foco especial no JIT-SDP. Os resultados mostram que o S3WA mantém uma maior precisão preditiva ao longo do tempo, lidando melhor com a desvio de conceito e reduzindo a dependência de dados rotulados. Esses achados demonstram o potencial das abordagens semissupervisionadas adaptativas para aprimorar a previsão de defeitos em tempo real em fluxos de trabalho de desenvolvimento de software.