Técnicas de aprendizaje para predecir atributos no funcionales en componentes de aplicaciones android
Durante los últimos años el uso y desarrollo de aplicaciones móviles ha ido creciendo constantemente debido a la proliferación de los dispositivos móviles y el aumento de su capacidad de cómputo. La re-utilización de software mediante la integración de componentes de terceros es una práctica muy...
Guardado en:
| Autores principales: | , |
|---|---|
| Formato: | Artículo revista |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
2017
|
| Materias: | |
| Acceso en línea: | http://www.ridaa.unicen.edu.ar/xmlui/handle/123456789/1463 |
| Aporte de: |
| Sumario: | Durante los últimos años el uso y desarrollo de aplicaciones móviles ha ido creciendo
constantemente debido a la proliferación de los dispositivos móviles y el
aumento de su capacidad de cómputo. La re-utilización de software mediante la
integración de componentes de terceros es una práctica muy común en el desarrollo
de aplicaciones. La misma funcionalidad suele ser ofrecida por componentes
alternativos que difieren en sus propiedades no-funcionales o atributos de calidad,
como su tiempo de respuesta. Por lo tanto es importante elegir la alternativa
más adecuada para ejecutar en un determinado contexto.
Por razones prácticas es costosa la ejecución y prueba de todos los servicios para
determinar el más adecuado de acuerdo a su calidad de servicio. En este punto,
es donde toma importancia definir un proceso para la medición y predicción de
las propiedades no-funcionales.
A partir de la aplicación de técnicas de aprendizaje de máquina es posible
construir modelos predictivos para estimar el desempeño futuro de un servicio en
base a mediciones previas de las propiedades del mismo.
En este trabajo se presenta un enfoque para medir propiedades no-funcionales
en tiempo de ejecución y construir modelos de predicción de estas propiedades. Se
proponen dos herramientas para asistir la aplicación del enfoque. Una de ellas facilita
la obtención de indicadores de propiedades de componentes Android, como
tiempo de respuesta o precisión. La segunda herramienta permite utilizar diferentes
técnicas de regresión sobre las mediciones obtenidas previamente. Así, se logra
construir modelos predictivos sobre alguna propiedad de interés de algún componente
específico. El enfoque se evaluó empíricamente sobre grupos de algoritmos
y servicios de diferentes dominios. |
|---|