No dia 27/10/2016, entre 14h e 17h, ocorrerão as defesas de Proposta de alunos do Mestrado 2015, ligados ao Grupo ARIDA, na Sala de Seminários do Bloco 952.

Programação:

Data e hora: 27/10/2016, às 14h
Título: Tratamento dinâmico de Data Skew em MapReduce com reparticionamento de chaves.
Aluno: Matheus Henrique Machado Pericini

Banca:
Javam de Castro Machado (Orientador)
José Antônio Fernandes de Macêdo
José Neuman de Souza
Flávio Rubens de Carvalho Sousa

Resumo: MapReduce é um modelo de programação e implementação baseado na divisão e distribuição de uma tarefa entre um conjunto de máquinas, mas essa divisão não é feita de maneira ideal provocando gargalos e aumentando o tempo de execução e, consequentemente, os gastos envolvidos com tais máquinas. Para melhor distribuir os dados usamos a técnica de simulated annealing de modo online para decidir a maneira mais eficiente de distribuir os dados intermediários, chamados de chave, entre a fase de Map e a fase de Reduce, diminuindo o tempo total gasto com a aplicação.

----------------------------------------------------------------------------------------------------------------------------

Data e hora: 27/10/2016, às 14:30h
Título: A QoS-Aware Load Balance in Object Storage Systems in Cloud
Aluno: Manoel Rui Pessoa de Paula

Banca:
Javam de Castro Machado (Orientador)
José Maria da Silva Monteiro Filho
José Neuman de Souza
Flávio Rubens de Carvalho Sousa

Resumo: Cloud Computing proved to be a promising and efficient model for distributed processing and to storage large amount of data offering countless services.  A distributed object storage system is a kind of cloud service created to store unstructured user data as objects. The load rebalance problem recurs in various service levels in cloud computing including object storage. An object storage system is said unbalanced when exists storage nodes overloaded and underloaded characterized by a type of workload and the storage system must realize the changes and make a decision to fix it dynamically. A object storage system can accumulate heterogeneous devices in relation to capacity and performance to improve some characteristic of the service over time, thus even balanced in relation to the system storage capacity, it can be not balanced in relation to the performance of disks. Depending on how requests are handled and the data is stored among the storage nodes, it can degrade the system performance. The load rebalancing problem for distributed object storage for cloud computing is investigated in this work with propose to improve QoS requirements. The proposal presented in this paper tries to solve this problem using a new load rebalance strategy to take advantage of disks with heterogeneous performance.

----------------------------------------------------------------------------------------------------------------------------

Data e hora: 27/10/2016, às 15h
Título: Revisitando a consulta dos Vizinhos mais Próximos para redes de ruas em larga escala.
Aluno: Luís Gustavo Coutinho do Rêgo

Banca:
José Antônio Fernandes de Macêdo (Orientador)
Mario Antônio do Nascimento (Coorientador)
Javam de Castro Machado
José Maria da Silva Monteiro Filho
Vânia Maria Ponte Vidal

Resumo: A consulta dos Vizinhos mais Próximos (NN) vem sendo estudada extensivamente e tem um grande número de aplicações em muitos domínios do conhecimento. Recentemente, a Contração de Hierarquias (CH) emergiu como uma técnica de planejamento de rotas que permite a computação eficiente de consultas de menor caminho dentro de redes de ruas em larga escala. Nessa proposta de dissertação, mostramos (1) como a Contração de Hierarquias pode ser utilizada nesse tipo de consulta, (2) duas formas de otimização que serão utilizadas na construção do algoritmo proposto e (3) o trabalho desenvolvido até o momento, bem como o calendário de atividades até a defesa da dissertação.

----------------------------------------------------------------------------------------------------------------------------

Data e hora: 27/10/2016, às 15:30h
Título:  A Differentially Private Approach for Linked Data.
Aluno: Rôney Reis de Castro e Silva

Banca:
Javam de Castro Machado (Orientador)
Vânia Maria Ponte Vidal (Coorientadora)
Ângelo Roncalli Alencar Brayner
José Maria da Silva Monteiro Filho

Resumo: Em Linked Data, representamos informações sobre recursos através da linguagem RDF(Resource Description Framework). Triplas RDF tomadas em conjunto formam um grafo cujos nós representam recursos e cujas arestas representam propriedades. Em redes sociais, os dados sobre as pessoas e suas relações são potencialmente sensível e devem ser tratadas com cuidado, a fim de preservar a privacidade. Simplesmente tornar os dados anônimos através da anonimização do grafo ou disponibilizando apenas resultados agregados para análises podem não proporcionar proteção suficiente. Neste trabalho, investigamos uma garantia de privacidade forte conhecido como privacidade diferencial e como usá-la no contexto de Linked Data. Usando a privacidade diferencial, propomos uma nova abordagem para garantir a preservação da privacidade em consultas de contagem para dados Linked Data representados em RDF, cujos os indivíduos e as suas relações influenciam diretamente no resultado da consulta sobre o grafo. Usando técnicas de percorrimento de grafos, demonstramos que a abordagem desenvolvida garante a privacidade diferencial. Também desenvolvemos uma estrutura de dados pré-processada como um índice que permite o cálculo da sensibilidade nesse tipo de consultas sobre um grafo RDF qualquer. Concluímos analisando a precisão da nossa abordagem com dados reais e sintéticos, avaliando o tempo de execução e utilidade dos dados d mostrando a sua competitividade com trabalhos relacionados.

----------------------------------------------------------------------------------------------------------------------------

Data e hora: 27/10/2016, às 16h
Título: BaNHFaP: A Bayesian Network based Failure Prediction Approach for Hard Disk Drives.
Aluno: Iago Castro Chaves

Banca:
Javam de Castro Machado (Orientador)
João Paulo Pordeus Gomes (Coorientador)
José Antônio Fernandes de Macêdo
José Maria da Silva Monteiro Filho

Resumo:
A Hard Disk Drive (HDD) failure may lead to serious consequences for users and companies. Hence, predicting failures in HDDs became a topic that attracted much attention in recent years. Monitoring a HDD status can provide information about its degradation, so as to let the user or a system manager know about a failure before it happens, preventing loss of information. In this paper, we propose a failure prediction method using a Bayesian Network. Our method uses the deterioration over time of a HDD, calculated via SMART (SelfMonitoring Analysis and Reporting Technology) attributes, for predicting eventual failures. To demonstrate practical usefulness, this method was applied to a dataset consisting of 49,056 hard drives from Backblaze’s data centers. The proposed method has improved the mean and median quadratic errors in 28.3% and 17.6% respectively in comparison with a baseline model.

----------------------------------------------------------------------------------------------------------------------------

Data e hora: 27/10/2016, às 16:30hs
Título: Predicting Smartphone App Usage Patterns.
Aluno: Lucas Moura Dantas

Banca:
José Maria da Silva Monteiro Filho (Orientador)
José Antônio Fernandes de Macêdo (Coorientador)
Javam de Castro Machado
João Paulo Pordeus Gomes

Resumo: A variety of applications (apps) installed on smartphones do greatly enrich our lives, but make it more difficult to find a specific app or even to organize our screens and folders. Besides, mobile app interactions ought to be rapid and responsive. However, even the basic primitive of launching a mobile app is very slow and 20 seconds of delay is not uncommon even for popular apps. So, predicting apps that will be in use next can benefit both users and mobile phone system performance alike. Though, real smartphone app usage behavior is a complex phenomena driven by different factors. In this paper, we propose a light-weighted framework for predicting smartphone app usage patterns, which contains some Bayesian methods to predict the next app to be used, based on the app usage history, community behavior and contextual signals. Additionally, our framework is able to use real-time changes in contextual information to dynamically and opportunistically create shortcuts for selecting an app that the model predicts the user wants to use.