| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Von Paumgartten, Aletéia Patrícia Favacho de Araújo | pt_BR |
| dc.contributor.author | Carvalho, Leonardo Rebouças de | pt_BR |
| dc.date.accessioned | 2026-08-21T21:45:37Z | - |
| dc.date.available | 2026-08-21T21:45:37Z | - |
| dc.date.issued | 2026-08-21 | - |
| dc.date.submitted | 2026-05-12 | - |
| dc.identifier.citation | CARVALHO, Leonardo Rebouças de. Orama++: um framework orientado a redes neurais artificiais para predição de tempo de execução e custos em plataformas FaaS multinuvem. 2026. 247 f., il. Tese (Doutorado em Informática) — Universidade de Brasília, Brasília, 2026. | pt_BR |
| dc.identifier.uri | http://repositorio.unb.br/handle/10482/55731 | - |
| dc.description | Tese (doutorado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Programa de Pós-Graduação em Informática, 2026. | pt_BR |
| dc.description.abstract | A computação serverless e, em particular, o modelo Function-as-a-Service (FaaS), têm ganhado popularidade devido à sua escalabilidade, flexibilidade e ao gerenciamento simplificado de infraestrutura. Entretanto, a avaliação de desempenho de aplicações em diferentes provedores de nuvem ainda apresenta desafios significativos, decorrentes da heterogeneidade das plataformas, das variações na alocação de recursos e da ausência de ferramentas padronizadas para experimentação sistemática. Este trabalho propõe o Orama++, um framework orientado a redes neurais artificiais para predição do tempo de execução e dos custos de aplicações FaaS em ambientes multi-nuvem. Além disso, o Orama++ possibilita a execução estruturada de benchmarks em plataformas serverless, abrangendo provedores tais como Amazon Web Services (AWS), Google Cloud Platform (GCP), Microsoft Azure e Alibaba Cloud. O sistema automatiza o provisionamento de cenários experimentais, suportando desde funções simples até aplicações que interagem com serviços de armazenamento e bancos de dados. O framework também orquestra execuções repetitivas para garantir reprodutibilidade experimental e aplica análises estatísticas baseadas em projeto fatorial 2 k e testes t pareados, permitindo avaliar o impacto de diferentes fatores no desempenho das aplicações. Com base nos dados coletados, modelos de redes neurais artificiais são treinados para estimar o tempo de execução e os custos de aplicações FaaS em diferentes configurações de provedores e tamanhos de entrada. Dessa forma, este trabalho contribui para apoiar o processo de tomada de decisão na escolha do uso de serviços FaaS, fornecendo um ambiente estruturado para experimentação, análise comparativa e predição de tempo de execução e custo em plataformas de nuvem pública. | pt_BR |
| dc.description.sponsorship | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
| dc.language.iso | por | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Orama++ : um framework orientado a redes neurais artificiais para predição de tempo de execução e custos em plataformas FaaS multinuvem | pt_BR |
| dc.type | Tese | pt_BR |
| dc.subject.keyword | Computação em nuvem | pt_BR |
| dc.subject.keyword | Redes neurais artificiais | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | Serverless computing, particularly the FaaS model, has gained significant popularity due
to its scalability, flexibility, and simplified infrastructure management. However, evaluat ing the performance of applications across different cloud providers remains challenging
due to platform heterogeneity, variations in resource allocation, and the lack of standard ized tools for systematic experimentation. This work proposes Orama++, a framework
based on artificial neural networks for predicting the execution time and cost of FaaS ap plications in multi-cloud environments. Furthermore, Orama++ facilitates the structured
execution of benchmarks on serverless platforms, encompassing providers such as AWS,
GCP, Microsoft Azure, and Alibaba Cloud. The system automates the provisioning of
experimental scenarios, supporting workloads ranging from simple functions to applica tions that interact with storage services and databases. The framework also orchestrates
repeated executions to ensure experimental reproducibility and applies statistical analyses
based on a 2
k
factorial design and paired t-tests to assess the impact of different factors
on application performance. Based on the collected data, artificial neural network mod els are trained to estimate the execution time and cost of serverless applications under
different provider configurations and input sizes. Thus, this work contributes to sup porting decision-making in the selection of FaaS environments by providing a structured
platform for experimentation, comparative analysis, and performance prediction across
public cloud platforms. | pt_BR |
| dc.description.unidade | Instituto de Ciências Exatas (IE) | pt_BR |
| dc.description.unidade | Departamento de Ciência da Computação (IE CIC) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Informática | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
