Browsing by Issue Date, starting with "2025-12-02"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Efeito da Privação de Sono na Resistência à InsulinaPublication . Pinheiro, Margarida Maria Coelho; Oliveira, Maria Elisa Cairrão RodriguesGrande parte da vida de um ser humano é passada a dormir, e como é sabido, sono adequado tem um papel fundamental para o bem-estar geral e funções cognitivas e fisiológicas. No entanto, numa sociedade cada vez mais focada em produtividade, a problemática da falta de sono torna-se cada vez mais preponderante. Assim, sendo esse um hábito muito adotado por parte da população é importante questionarmo-nos quanto aos seus possíveis impactos. Por outro lado, também se tem observado um aumento da incidência de Diabetes Mellitus, uma patologia crónica que representa elevados custos para os sistemas de saúde, e que está associada a aumento da resistência à insulina. Torna-se por isso pertinente tomar decisões diárias no sentido de contrariar esta tendência e viver anos de vida com mais qualidade, tornando este tema importante no contexto atual. Nesse sentido, com este trabalho pretendo analisar a literatura existente acerca da possível relação existente entre a privação de sono e as suas consequências metabólicas, nomeadamente ao nível do desenvolvimento de resistência à insulina. Para tal, irei realizar uma revisão da literatura nos últimos 10 anos com recurso às bases de dados Pubmed, Scopus e Web of Science com as seguintes associações de palavraschave “sleep deprivation” e “insulin resistance”. Nos estudos analisados registou-se uma diminuição da sensibilidade à insulina em situação de privação de sono, mesmo na presença de variações entre protocolos. Foi possível também verificar a associação entre a privação de sono e o aumento de ácidos gordos não esterificados (AGNE). No entanto, isto não aconteceu para outros parâmetros como cortisol, metanefrinas e normetanefrinas, onde os resultados não foram consensuais entre estudos. Assim, apesar de a hipótese colocada inicialmente se confirmar, isto é que a privação de sono promove a resistência à insulina, os mecanismos através dos quais tal acontece estão ainda pouco esclarecidos. Neste sentido, e tendo em conta as dificuldades que o seu estudo muitas vezes impõe, é importante a realização de mais pesquisa que seja o mais rigorosa possível.
- Anomaly Detection in Microservices Using Ensemble MethodsPublication . Salvado, Nuno Miguel da Silva; Freire, Mário MarquesAnomaly detection represents a critical factor in ensuring the reliability and resilience of microservice-based systems, where failures can rapidly propagate and compromise overall service availability. This dissertation investigates the application of classical Machine Learning (ML) algorithms and ensemble methods for anomaly detection in microservices, using the TraceRCA dataset as a representative benchmark. The work begins with a systematic literature review, which categorizes traditional and ML-based approaches to anomaly detection, identifying key research gaps and datasets. Building on this foundation, a complete experimental pipeline was developed, including preprocessing, feature engineering, and anomaly labeling, followed by the evaluation of multiple baseline classifiers such as Logistic Regression (LogReg), Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbors (KNN), Multilayer Perceptron (MLP), and Gaussian Naïve Bayes (GNB). To enhance predictive performance, ensemble techniques including Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Histogram-based Gradient Boosting (HGBM) were implemented and compared against baselines. The evaluation considered both predictive accuracy and resource efficiency, measuring metrics such as F1-score, precision, recall, accuracy, Receiver Operating Characteristic – Area Under the Curve (ROC-AUC), as well as execution time, Random Access Memory (RAM) consumption, and Central Processing Unit (CPU) utilization. The experimental results demonstrate that ensemble models consistently outperform baselines, with boosting-based methods (XGBoost, LightGBM, HGBM) achieving the highest predictive performance, while RF offered stable results with moderate computational overhead. These findings highlight the trade-offs between accuracy and efficiency, underlining the importance of careful algorithm selection according to deployment constraints. This research contributes by providing a comprehensive benchmark of ML and ensemble methods for anomaly detection in microservices, bridging the gap between predictive performance and practical applicability in real-world environments.