Descobrindo perfis de usuários da internet usando análise não supervisionada

Barbosa, Anderson de Souza

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/18186

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Leão, Rosa Maria Meri	-
dc.contributor.author	Barbosa, Anderson de Souza	-
dc.date.accessioned	2022-08-05T16:49:16Z	-
dc.date.available	2023-12-21T03:00:21Z	-
dc.date.issued	2019-03	-
dc.identifier.uri	http://hdl.handle.net/11422/18186	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Analise Nao Supervisionada	pt_BR
dc.subject	Medições em Redes	pt_BR
dc.title	Descobrindo perfis de usuários da internet usando análise não supervisionada	pt_BR
dc.title.alternative	Discovering Internet User Profiles Using Unsupervised Analytics	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.referee1	Silva, Edmundo Albuquerque de Souza e	-
dc.contributor.referee2	Menasche, Daniel Sadoc	-
dc.description.resumo	A complexidade da Internet está cada vez maior, tudo graças ao crescente número de serviços e ao crescimento da Internet das Coisas. Com isso, o comportamento dos usuários tem ficado cada vez mais diversificado, fazendo com que fique mais difícil entender o que acontece na rede e fazer previsões. E importante para um Provedor ´ de Serviços de Internet (ISP) entender o comportamento de seus usuários para fazer um gerenciamento de rede mais eficiente. Para tentar ajudar os ISPs nessa tarefa, diversos trabalhos tem empregado técnicas de aprendizado de máquina com o objetivo de classificar os diferentes padrões de tráfego na Internet, o que pode ser usado para fazer previsões de tráfego futuro, por exemplo. Com uma proposta parecida, usamos dados coletados de roteadores residenciais em parceria com um ISP brasileiro para criar um modelo de comportamento de usuário. Ao contrário da maioria dos trabalhos neste tema, que utilizam apenas dados de tr´afego, este trabalho também utiliza dados de atraso de rede e perda de pacotes. Primeiramente, utilizamos um método de análise de fatores para modelar os dados e, a partir do modelo obtido, utilizamos uma técnica de clusterização para encontrar grupos de usuários com diferentes perfis.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Escola Politécnica	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Engenharia de Computação e Informação

Files in This Item:

File	Description	Size	Format
monopoli10028473.pdf		3.07 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository