???jsp.display-item.identifier??? https://repositorio.unipampa.edu.br/jspui/handle/riu/7475
???org.dspace.app.webui.jsptag.ItemTag.full???
???org.dspace.app.webui.jsptag.ItemTag.dcfield??????org.dspace.app.webui.jsptag.ItemTag.value??????org.dspace.app.webui.jsptag.ItemTag.lang???
dc.contributor.advisor1Mansilha, Rodrigo Brandão-
dc.creatorSilva, Henrique Fan da-
dc.date.accessioned2022-08-18T17:26:26Z-
dc.date.available2022-08-18T17:26:26Z-
dc.date.issued2022-08-02-
dc.identifier.citationSILVA, Henrique Fan da. Previsão do tamanho de enxames BitTorrent com redes neurais. Orientador: Rodrigo Brandão Mansilha. 2022. 58p. Trabalho de Conclusão de Curso (Bacharel em Ciência da Computação) – Universidade Federal do Pampa, Curso de Ciência da Computação, Alegrete, 2022.pt_BR
dc.identifier.urihttps://repositorio.unipampa.edu.br/jspui/handle/riu/7475-
dc.description.abstractIn peer-to-peer (P2P) networks it is important to understand the behavior of the entities that are part of the network or system. Only by fully understanding how the system really works is it possible to identify limitations and opportunities for improvement. Monitoring Bitorrent swarms is challenging as it requires a distributed system with a capacity that must be proportional to the size of the swarm. We propose to try to understand the swarm dynamics over time, based on the monitoring data itself. For this, we evaluated two prediction methods, the Temporal Graph Convolutional Neural Network (T-GCN) and the Autoregressive Integrated Moving Average Model (ARIMA), comparing which is the best choice to predict the size of the swarm over time. We found that the neural network can be a faster alternative to execute than ARIMA, although its result is a little worse.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Pampapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectCiência da computaçãopt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectBitTorrentpt_BR
dc.subjectPrevisãopt_BR
dc.subjectARIMApt_BR
dc.subjectComputer sciencept_BR
dc.subjectNeural networks (Computing)pt_BR
dc.subjectPredictionpt_BR
dc.titlePrevisão do tamanho de enxames BitTorrent com redes neuraispt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.publisher.initialsUNIPAMPApt_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.description.resumoEm redes par-a-par (P2P) é importante compreender o comportamento das entidades que fazem parte da rede ou sistema. Somente compreendendo como o sistema realmente funciona por completo é possível identificar limitações e oportunidades de melhoria. Monitorar enxames BitTorrent é desafiador pois exige um sistema distribuído com uma capacidade que deve ser proporcional ao tamanho do enxame. Propomos tentar entender o a dinâmica dos enxames ao longo do tempo, a partir dos dados do próprio monitoramento. Para isso, avaliamos dois métodos de predição a Rede Neural Convolucional de Grafo Temporal (T-GCN) e o Modelo de Média Móvel Integrado Autorregressivo (ARIMA), comparando qual é a melhor escolha para prever o tamanho do enxame ao longo do tempo. Constatamos que a rede neural pode ser uma alternativa mais rápida de executar do que o ARIMA, embora seu resultado seja um pouco pior.pt_BR
dc.publisher.departmentCampus Alegretept_BR
???org.dspace.app.webui.jsptag.ItemTag.appears???Ciência da Computação

???org.dspace.app.webui.jsptag.ItemTag.files???
???org.dspace.app.webui.jsptag.ItemTag.file??? ???org.dspace.app.webui.jsptag.ItemTag.description??? ???org.dspace.app.webui.jsptag.ItemTag.filesize??????org.dspace.app.webui.jsptag.ItemTag.fileformat??? 
Henrique Fan da Silva - 2022.pdf4.41 MBAdobe PDF???org.dspace.app.webui.jsptag.ItemTag.view???


???jsp.display-item.copyright???