Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-09-22T18:42:19Z
No. of bitstreams: 1
AdrianaCosta.pdf: 3838428 bytes, checksum: 2c98d9d837cb8ba187aa038e80b2d304 (MD5) / Made available in DSpace on 2017-09-22T18:42:19Z (GMT). No. of bitstreams: 1
AdrianaCosta.pdf: 3838428 bytes, checksum: 2c98d9d837cb8ba187aa038e80b2d304 (MD5)
Previous issue date: 2017-08-14 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Fundação de Amparo à Pesquisa e ao Desenvolvimento Científico e Tecnológico do Maranhão / Software agents represent an evolution of traditional software entities, having the ability to
control their own behavior and acting with autonomy. Typically, software agents act reactively,
where actions and perceptions are predefined at design time, or in a deliberative way, where the
corresponding action for a given perception is found at run time through reasoning. Deliberative
agents do not need all knowledge to be predefined; on the contrary, from an initial knowledge
they can infer new knowledge. However, to find an action appropriate to a particular perception,
they take a long time, generating a high computational cost. As a solution to this problem, a
hybrid architecture with learning for the development of hybrid software agents is presented in
this work. Hybrid agents combine reactive and deliberative behavior taking advantage of the
speed of reactive behavior and the reasoning capability of the deliberative one are a better option
for structuring software agents. The main advantages of the proposed architecture are learning of
the reactive behavior, faster and more efficient, through the interactions of the agent with its
environment and its consequent adaptability to the environment. The agent adapts to the
environment as it learns new reactive behavior from frequent deliberative behavior. The
proposed architecture was evaluated through the development of case studies in the information
security domain using case-based reasoning, ontologies for the representation of domain
knowledge and supervised learning for automatic generation of reactive rules. Results obtained
with the case studies performed confirmed a greater effectiveness and a shorter response time of
the hybrid agent with learning regarding both the reactive or deliberative agent as well as a
hybrid agent without learning in the intrusion detection in computer networks domain. From the
specification and evaluation of the hybrid architecture with supervised learning in the
Information Security domain, a reference architecture for the development of hybrid agents with
learning was generalized. In future works, we intend to evaluate this reference architecture in
other domains, with other types of reasoning and learning techniques to evaluate its impact on
the productivity and quality of the development of hybrid software agents. / Os agentes de software representam uma evolução do software tradicional, tendo a capacidade
de controlar seu próprio comportamento e agir com autonomia. Tipicamente, os agentes de
software agem de forma reativa, onde as percepções e ações são predefinidas no momento da sua
concepção, ou de forma deliberativa, onde a ação correspondente para uma determinada
percepção é encontrada em tempo de execução através de um processo de raciocínio. Os agentes
deliberativos não necessitam que todo o conhecimento seja predefinido, ao contrário, a partir de
um conhecimento inicial eles conseguem inferir novo conhecimento. Todavia, em muitos casos,
para encontrar uma ação apropriada a uma determinada percepção eles levam muito tempo,
gerando um alto custo computacional. Como solução a esse problema, apresentamos neste
trabalho uma arquitetura híbrida com aprendizagem para o desenvolvimento de agentes de
software híbridos. Os agentes híbridos, que combinam comportamento reativo e deliberativo, são
uma opção melhor para estruturar os agentes de software. As principais vantagens da arquitetura
tese é o aprendizado do comportamento reativo, mais rápido e eficiente, através de interações do
agente com o seu ambiente e a sua consequente adaptabilidade ao ambiente. O agente se adapta
ao ambiente na medida em que aprende novo comportamento reativo a partir de comportamento
deliberativo frequente. A arquitetura tese foi avaliada através do desenvolvimento de estudos de
casos no domínio da segurança da informação utilizando o raciocínio baseado em casos,
ontologias para a representação do conhecimento do domínio de estudo e aprendizagem
supervisionada para geração automática de regras reativas. Os resultados obtidos com os estudos
de casos realizados confirmaram uma efetividade maior e um menor tempo de resposta do agente
híbrido com aprendizagem em relação tanto ao comportamento isolado de um agente reativo ou
deliberativo bem como de um agente híbrido sem aprendizagem no domínio da detecção de
intrusões em redes de computadores. A partir da especificação e avaliação da arquitetura híbrida
com aprendizagem supervisionada no domínio da Segurança da Informação, foi generalizada
uma arquitetura de referência para o desenvolvimento de agentes híbridos com aprendizagem.
Em trabalhos futuros, pretende-se avaliar esta arquitetura de referência em outros domínios, com
outros tipos de raciocínio e técnicas de aprendizagem para avaliar o seu impacto na
produtividade e qualidade do desenvolvimento de agentes de software híbridos.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2:tede/1943 |
| Date | 14 August 2017 |
| Creators | COSTA, Adriana Leite |
| Contributors | GIRARDI, Rosario, COSTA, Evandro de Barros, PERKUSICH, Angelo, SILVA, Francisco José da Silva e, LOPES, Denivaldo Cicero Pavão |
| Publisher | Universidade Federal do Maranhão, PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET, UFMA, Brasil, DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFMA, instname:Universidade Federal do Maranhão, instacron:UFMA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds