FRANCISCO: FRActal Network Cloud Infrastructure Service Comparison and Optimisation
Resumo
Este trabalho apresenta o FRActal Network Cloud Infrastructure Service Comparison and Optimisation (FRANCISCO). As principais contribuições do FRANCISCO são: a) predizer qual das redes de computadores em análise é a mais eficiente para prestar serviços na arquitetura TCP/IP ao longo do tempo, usando modelos de super-eficiência e clássicos da Data Envelopment Analysis (DEA); b) empregar variáveis relacionadas à teoria dos fractais e autossimilaridade para tomada de decisão multicritério; c) realizar a análise exploratória dos dados das redes comparadas como unidades tomadoras de decisão (Decision-Making Units (DMU); d) importação e exportação dos resultados, e; e) gerar fronteiras de eficiência dos modelos DEA implementados.
Referências
Andersen, P. and Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management Science, 39(10):1261–1264.
Banker, R. D., Charnes, A., and Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 39(9):1078–1092.
Bezerra, P. R. C., Moura, D. A., Silva, D. R., and Almeida, M. R. (2015). A análise envoltória de dados (dea ? data envelopment analysis) como ferramenta de avaliação da eficiência das mpes da cadeia produtiva do petróleo e gás do rn. XI CNEG ? Congresso Nacional de Excelência em Gestão, 2015.
Charnes, A., Cooper, W. W., and Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2:429–444. Disponível em: http://dx.doi.org/10.1016/0377-2217(78)90138-8 Acesso em: 18 abr. 2021.
Crovella, M. E. and Bestavros, A. (1997). Self-similarity in world wide web traffic: evidence and possible causes. EEE/ACM Transactions on Networking, 5(6):835–846.
Fernandes, I. C. D. (2018). Super-eficiência na metodologia da DEA aplicação ao sector dos seguros. 51f. Dissertação (Mestrado) – UInstituto Superior de Contabilidade e Administração de Lisboa, Lisboa, 2018.
Karagiannis, T. and Faloutsos, M. (2002). Selfis: A tool for self-similarity and long-range dependence analysis. 1st Workshop on Fractals and Self-Similarity in Data Mining: Issues and Approaches (IN KDD).
Leland, W. E., Taqqu, M. S., Willinger, W., and Wilson, D. V. (1994). On the self-similar nature of ethernet traffic (extended version). IEEE/ACM Transactions on Networking, 2(1):1–15.
Liu, W., Yan, Y., Tang, D., and Tang, R. (2012). Self-similarity and heavy-tail of icmp traffic. JCP, 7(12):2948–2954.
Mandelbrot, B. B. (1965). Self-similar error clusters in communication systems and the concept of conditional stationarity. Communication Technology, IEEE Transactions On, 13(1):71–90.
Marques Júnior, F. D. (2019). Otimizando redes virtuais ao longo do tempo através da integração de modelos multiplicativos da Data Envelopment Analysis (DEA) com a avaliação da estrutura fractal. 175f. Tese (Doutorado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2019.
Marques Júnior, F. D. and de Castro e Silva, J. L. (2022). Super Multiplicative VRS DEA input-oriented model. Mendeley Data, 1.
Marques Júnior, F. D., Emrouznejad, A., Dias, K., de Castro e Silva, J. L., and Cunha, P. R. F. (2018). Windows Multiplicative CCR-O DEA Model. Mendeley Data, 5.
Millan, G., Juan, E. S., and Jamett, M. (2014). A simple estimator of the hurst exponent for self-similar traffic flows. IEEE Latin America Transactions, 12(8):1349–1354.
Paxson, V. and Floyd, S. (1995). Wide area traffic: The failure of poisson modeling. IIEEE/ACM Transactions on Networking, 3(3):226–244.
Tone, K. (2001). A slacks-based measure of efficiency in data envelopment analysis. European Journal of Operational Research, 130:498–509.
Whaiduzzaman, M., Gani, A., Anuar, N. B., Shiraz, M., Haque, M. N., and Haque, I. T. (2014). Cloud service selection using multicriteria decision analysis. The Scientific World Journal.
Wisitpongphan, N. and Peha, J. M. (2003). Effect of TCP on self-similarity of network traffic. In Proceedings. In Proceedings. 12th International Conference on Computer Communications and Networks (IEEE Cat. No.03EX712), 39(10):370–373.
Banker, R. D., Charnes, A., and Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 39(9):1078–1092.
Bezerra, P. R. C., Moura, D. A., Silva, D. R., and Almeida, M. R. (2015). A análise envoltória de dados (dea ? data envelopment analysis) como ferramenta de avaliação da eficiência das mpes da cadeia produtiva do petróleo e gás do rn. XI CNEG ? Congresso Nacional de Excelência em Gestão, 2015.
Charnes, A., Cooper, W. W., and Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2:429–444. Disponível em: http://dx.doi.org/10.1016/0377-2217(78)90138-8 Acesso em: 18 abr. 2021.
Crovella, M. E. and Bestavros, A. (1997). Self-similarity in world wide web traffic: evidence and possible causes. EEE/ACM Transactions on Networking, 5(6):835–846.
Fernandes, I. C. D. (2018). Super-eficiência na metodologia da DEA aplicação ao sector dos seguros. 51f. Dissertação (Mestrado) – UInstituto Superior de Contabilidade e Administração de Lisboa, Lisboa, 2018.
Karagiannis, T. and Faloutsos, M. (2002). Selfis: A tool for self-similarity and long-range dependence analysis. 1st Workshop on Fractals and Self-Similarity in Data Mining: Issues and Approaches (IN KDD).
Leland, W. E., Taqqu, M. S., Willinger, W., and Wilson, D. V. (1994). On the self-similar nature of ethernet traffic (extended version). IEEE/ACM Transactions on Networking, 2(1):1–15.
Liu, W., Yan, Y., Tang, D., and Tang, R. (2012). Self-similarity and heavy-tail of icmp traffic. JCP, 7(12):2948–2954.
Mandelbrot, B. B. (1965). Self-similar error clusters in communication systems and the concept of conditional stationarity. Communication Technology, IEEE Transactions On, 13(1):71–90.
Marques Júnior, F. D. (2019). Otimizando redes virtuais ao longo do tempo através da integração de modelos multiplicativos da Data Envelopment Analysis (DEA) com a avaliação da estrutura fractal. 175f. Tese (Doutorado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2019.
Marques Júnior, F. D. and de Castro e Silva, J. L. (2022). Super Multiplicative VRS DEA input-oriented model. Mendeley Data, 1.
Marques Júnior, F. D., Emrouznejad, A., Dias, K., de Castro e Silva, J. L., and Cunha, P. R. F. (2018). Windows Multiplicative CCR-O DEA Model. Mendeley Data, 5.
Millan, G., Juan, E. S., and Jamett, M. (2014). A simple estimator of the hurst exponent for self-similar traffic flows. IEEE Latin America Transactions, 12(8):1349–1354.
Paxson, V. and Floyd, S. (1995). Wide area traffic: The failure of poisson modeling. IIEEE/ACM Transactions on Networking, 3(3):226–244.
Tone, K. (2001). A slacks-based measure of efficiency in data envelopment analysis. European Journal of Operational Research, 130:498–509.
Whaiduzzaman, M., Gani, A., Anuar, N. B., Shiraz, M., Haque, M. N., and Haque, I. T. (2014). Cloud service selection using multicriteria decision analysis. The Scientific World Journal.
Wisitpongphan, N. and Peha, J. M. (2003). Effect of TCP on self-similarity of network traffic. In Proceedings. In Proceedings. 12th International Conference on Computer Communications and Networks (IEEE Cat. No.03EX712), 39(10):370–373.
Publicado
06/08/2023
Como Citar
ANDRADE, Francisco Iarlyson Santana de; MARQUES JUNIOR, Francisco Daladier.
FRANCISCO: FRActal Network Cloud Infrastructure Service Comparison and Optimisation. In: WORKSHOP EM DESEMPENHO DE SISTEMAS COMPUTACIONAIS E DE COMUNICAÇÃO (WPERFORMANCE), 22. , 2023, João Pessoa/PB.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 109-120.
ISSN 2595-6167.
DOI: https://doi.org/10.5753/wperformance.2023.230685.
