Submitted by Maria Medeiros (maria.dilva1@ufcg.edu.br) on 2018-05-24T13:28:45Z No. of bitstreams: 1 IARA PEREIRA RIBEIRO - DISSERTAÇÃO (PPGCC) 2016.pdf: 3942904 bytes, checksum: 107850ca0aaa80f6bdae5254492eed99 (MD5) / Made available in DSpace on 2018-05-24T13:28:45Z (GMT). No. of bitstreams: 1 IARA PEREIRA RIBEIRO - DISSERTAÇÃO (PPGCC) 2016.pdf: 3942904 bytes, checksum: 107850ca0aaa80f6bdae5254492eed99 (MD5) Previous issue date: 2016 / Capes / O aumento da demanda por recursos nos últimos anos e a provável escassez destes em um futuro próximo vem gerando um novo tipo de preocupação na sociedade de como utilizar estes recursos de forma mais eficiente. Um dos recursos onde essa preocupação se tornou mais evidente é o consumo elétrico devido ao uso de fontes não renováveis para a geração de energia elétrica, como por exemplo, as termoelétricas que utilizam o carvão mineral. No Brasil onde a maioria da demanda energética é suprida através de fontes renováveis, atualmente 73.1% da energia é gerada a partir de fontes renováveis, outros fatores como mudanças climáticas e períodos de estiagem podem alterar no total de energia gerado tornando necessário o uso de formas alternativas para geração de energia e consequentemente tornando mais caro o preço final para o consumidor. Surge então a necessidade nesse contexto de desenvolver ferramentas e opções que ajudem a tornar o consumo mais eficiente e a reduzir a produção de energia elétrica de forma a beneficiar tanto as concessionárias como os consumidores finais. Uma opção para solucionar esse problema seria tornar o consumo residencial mais eficiente, dado que no Brasil o consumo residencial é o terceiro maior. Este trabalho propõe uma solução que utiliza mapeamento entre conceitos de sistemas de recomendação e conceitos de eficiência energética para promover a redução do consumo elétrico, propondo algoritmos de Filtragem Colaborativa e de Conteúdo, usando nesse processo dados de uma pesquisa de comportamento entre voluntários, dados do governo, voluntários e um software que simula o consumo elétrico residencial. Após a experimentação concluiu-se que existem índicos da eficiência dos algoritmos propostos para o contexto de eficiência energética. A partir dos resultados podemos concluir que, por ser uma área nova ainda existem muitos conceitos a serem explorados no uso de técnicas de análise de dados para a eficiência energética e que o estudo realizado apresenta contribuições importantes para trabalhos futuros. / The recent increase in demand for resources, and the imminent potential shortage of these has created a new kind of societal concern which spawned an emphasis for more efficient methods on how to use these resources. One resource, in particular, is electricity and the glaring concern for how it is consumed; mainly due to the use of non-renewable way for generating electricity, E.G. thermal power using coal. Currently, in Brazil, 73.1% of the country’s energy is generated from renewable sources. Other factors such as climate change and extended periods of drought may impact the total amount of energy being generated, thus making the use of alternative methods for power generation a necessity – which in turn inflates the costs for the consumer. Within this context comes the need to develop tools and ideas which help to make the consumption of energy more efficient by reducing the production of electricity which will be beneficial to both the dealers and end consumers. One option to solve this problem would be to focus on the consumption in residential areas, as in Brazil, the residential sector is the third largest consumer of energy, consuming on average 24.78% of the total power generated in the country. This paper proposes a solution which uses mapping between energy efficient concepts and concepts of recommender systems to help promote the reduction of electrical consumption. The proposed algorithms combined with Collaborative Filtering and Content has used the processed data from behavioral surveys among volunteers, data government and software to stimulate the residential electricity consumption. From the results, we can conclude that with this relatively new ambit of discovery comes many concepts yet to be explored in the use of data analysis techniques for energy efficiency, and the importance of the application to future work.

Orientador também citado por: CASTOR FILHO, Fernando / Submitted by Rafael Santana (rafael.silvasantana@ufpe.br) on 2017-05-04T19:07:33Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertacao-final.pdf: 950190 bytes, checksum: 71ffd939c48d9c920666a09a05dc0c53 (MD5) / Made available in DSpace on 2017-05-04T19:07:33Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertacao-final.pdf: 950190 bytes, checksum: 71ffd939c48d9c920666a09a05dc0c53 (MD5) Previous issue date: 2016-09-06 / Energy-efficiency has concerned hardware and low-level software designers for years. However, the rapid proliferation of battery-powered mobile devices combined with the growing worldwide movement towards sustainability have caused developers and researchers to study the energy impact of application software in execution. Recent work has studied the effect that factors such as code obfuscation, object-oriented refactorings, and data types have on energy efficiency. In this work, we attempt to shed light on the energy behavior of concurrent programs written in a purely functional language, Haskell. We conducted an empirical study to assess the performance and energy behavior of three different thread management approaches and three primitives for concurrency control using nine different benchmarks with an experimental space exploration of more than 400 configurations. In this study, we found out that small changes can make a big difference in terms of energy consumption. For instance, in one of our benchmarks, under a specific configuration, choosing one concurrency control primitive (MVar) over another (TMVar) can yield 60% energy savings. Also, the relationship between energy consumption and performance is not always clear. We found scenarios where the configuration with the best performance also exhibited the worst energy consumption. To support developers in better understanding this complex relationship, we have extended two existing performance analysis tools also to collect and present data about energy consumption. In addition, based on the results of our empirical study, we provide a list of guidelines for developers with good practices for writing energy-efficient code in this environment. / Há anos eficiência energética é uma preocupação para designers de hardware e software baixonível. Entretanto, a rápida proliferação de dispositivos móveis alimentados por bateria combinado com o crescente movimento global em busca de sustentabilidade tem motivado desenvolvedores e pesquisadores a estudar o impacto energético de softwares de aplicação em execução. Trabalhos recentes tem estudado o efeito que fatores como obsfucação de código, refatorações em linguagem orientadas à objetos e tipos de dados tem em eficiência energética. Este trabalho tenta lançar luz sobre o comportamento energético de programas concorrentes escritos em uma linguagem puramente funcional, Haskell. Nós conduzimos um estudo empírico para avaliar o desempenho e o comportamento energético de três diferentes abordagens para gerenciamento de threads e três primitivas para controle de concorrência usando nove diferentes benchmarks com um espaço de exploração experimental de mais de 400 configurações. Neste estudo, descobrimos que pequenas mudanças podem fazer uma grande diferença em termos de consumo de energia. Por exemplo, em um dos benchmarks, sob uma configuração específica, escolher uma primitiva de controle de concorrência (MVar) ao invés de outra (TMVar) pode acarretar em uma economia de 60% em consumo de energia. Percebemos também que nem sempre a relação entre consumo de energia e desempenho é clara. Em alguns cenários analisados, a configuração com melhor desempenho também apresentou o pior consumo de energia. Para ajudar desenvolvedores a entender melhor essa complexa relação, nós estendemos duas ferramentas de análise de desempenho existentes para coletar e apresentar dados sobre consumo de energia. Adicionalmente, baseado nos resultados do nosso estudo empírico, listamos um conjunto de recomendações para desenvolvedores com boas práticas de como escrever código energeticamente eficiente nesse ambiente.