INTEGRACIN ENTRE PYTHON Y WEKA APLICADO EN LA MINERIA DE DATOS

PYTHON INTEGRATION WITH WEKA APPLIED INTO DATA MINING

Ing. Yoanni Ordoes Leyva 1, Ing. Ernesto Avils Vzquez 2, Lic. Darian Horacio Grass Boada3
1

Instructor Recin Graduado, Dpto. Seguridad Informtica, Centro Telemtica, Facultad 2, Universidad de las Ciencias Informticas, Ciudad de la Habana, Cuba. yordones@uci.cu Instructor Recin Graduado, Dpto. Seguridad Informtica, Centro Telemtica, Facultad 2, Universidad de las Ciencias Informticas, Ciudad de la Habana, Cuba. aviles@uci.cu

Profesor Asistente, Dpto. Seguridad Informtica, Centro Telemtica, Facultad 2, Universidad de las Ciencias Informticas, Ciudad de la Habana, Cuba. dgrass@uci.cu

RESUMEN
Las Bases de Datos surgieron como alternativa a la necesidad de persistir la informacin en los sistemas de cmputo, estando limitada a unos pocos Kbytes en su inicio. El avance de las tecnologas permiti un incremento exponencial en el volumen de informacin almacenada en estos sistemas, con lo cual las organizaciones han podido satisfacer sus necesidades cotidianas, pero ha superado la capacidad de stas de analizar y transformar esta informacin en conocimiento til que ayude a su mejor funcionamiento. Bajo estas condiciones surge la Minera de Datos como alternativa para la obtencin de patrones ocultos en un conjunto de datos. La Universidad de las Ciencias Informticas (UCI) cuenta con un servicio de navegacin por Internet donde se genera un enorme volumen de informacin que registran los servidores proxies. A la hora de la toma de decisiones, la Direccin de Redes y Seguridad Informtica (DRSI) no aprovecha el conocimiento implcito en los registros de navegacin que describa el uso de las cuotas de navegacin por Internet. Una de las herramientas lderes en la Minera de Datos es la biblioteca de algoritmos WEKA por sus caractersticas y su amplio uso. El presente trabajo muestra un estudio para la integracin entre una plataforma escrita en Python y WEKA que permita el desarrollo de un proceso de Descubrir Conocimiento en Bases de Datos (KDD) en la UCI como ayuda al funcionamiento de la DRSI.

Palabras Claves: Minera de Datos, Registros de Navegacin, Toma de Decisiones.

ABSTRACT
Databases emerged as an alternative to the need to persist the information in computer systems, being limited to few Kbytes at its inception. The advance of technology allowed an exponential increase in the volume of information stored in these systems, which the organizations have been able to satisfy their daily needs, but has exceeded the capacity of these to analyze and transform this information into useful knowledge that helps its best performance. Under these conditions arises Data Mining as an alternative to obtain the hidden patterns in a dataset. The Informatics Sciences University (UCI) has a Web navigation service which generates a huge volume of information recorded proxy servers. When making decisions, the Department of Network and Computer Security (DRSI) not exploit the implicit knowledge in the navigation records describing the use of quotas for browsing. One leader tools in Data Mining is the WEKA library for its characteristics and extended use. This work show a study for the integration among a platform developed in Python and WEKA that allows developing a Knowledge Discovery in Databases process (KDD) in the UCI that helps to the DRSI. Keywords: Data Mining, Navigation Records, Decision Making.

1. INTRODUCCIN
Con el transcurso de los ltimos aos, el aumento del volumen y variedad de informacin que se encuentra informatizada en bases de datos digitales y otras fuentes ha crecido espectacularmente [1]. El uso de esta informacin ha llegado a dominios que antes eran impensables, trayendo como consecuencia la necesidad de nuevas herramientas de administracin y anlisis que permitan lidiar con esta enorme cantidad de datos [2]. El anlisis de datos es una tarea que consiste en buscar o encontrar tendencias o variaciones de comportamiento en los mismos, de tal manera que esta informacin resulte de utilidad para los usuarios finales. A estas tendencias o variaciones se le conocen como patrn, los cuales si son de importancia y tiles para el dominio en cuestin se le denomina conocimiento [2]. Esta extraccin de conocimiento ha evolucionado desde su implementacin manual (utilizando tcnicas estadsticas), hasta la utilizacin de diferentes tcnicas ms novedosas como respuesta al gran volumen de datos y sus dismiles formatos (bases de datos relacionales, imgenes, audio, etc.). En estas circunstancias surge la Minera de Datos (MD), como un proceso automtico o semiautomtico que busca descubrir patrones ocultos en un conjunto de datos y que adems, sean potencialmente tiles para los usuarios de la organizacin [1], [2]. Existen numerosas definiciones acerca de la Minera de Datos, entre las que podemos mencionar: el proceso de extraer conocimiento til y comprensible, previamente desconocido, desde grandes cantidades de datos almacenados en distintos formatos [1]. es el proceso de descubrir nuevas correlaciones significativas, patrones y tendencias ocultas a travs de grandes cantidades de datos almacenados en los repositorios, utilizando tecnologas de reconocimiento de patrones, as como tcnicas estadsticas y matemticas [3]. De manera general, la Minera de Datos constituye un proceso para extraer conocimiento de un conjunto de datos a travs de tcnicas o herramientas, que sirvan en la toma de decisiones a las organizaciones. Son innumerables los escenarios donde la Minera de Datos ha tenido presencia: financieras, procesos industriales, medicina, polticas,

econmicas, policiales y educacionales, por solo citar varios ejemplos [4] - [10]. Uno de estos dominios lo constituye la World Wide Web, su acelerado crecimiento y la competencia entre las organizaciones ha trado la necesidad de mejorar la calidad de los sitios Web, utilizando como base el comportamiento de los usuarios que lo utilizan. Para el descubrimiento de informacin til en la Web, la denominada Minera Web es una herramienta til para el hallazgo de nuevos conocimientos; utilizando la informacin obtenida de los documentos y servicios Web (textos, imgenes, videos, hiperenlaces, ficheros Log, etc.) [11], esta puede ser clasificada, dependiendo de que parte de la Web se est explotando, como: Minera del contenido (Content Mining), Minera de Estructura (Structure Mining) o Minera de Uso (Usage Mining) [12]. Cuando se visita un sitio en Internet se dejan huellas digitales (direcciones de IP, navegador, etc.) que los servidores automticamente almacenan en una bitcora de accesos (Log), constituyendo sta la informacin fundamental en la Minera de Uso de la Web la cual est orientada a descubrir la informacin til de los datos derivados de la interaccin de los usuarios mientras navegan en la Web. Aplicando mtodos estadsticos y de minera de datos a los web logs, pueden ser identificados los patrones interesantes concernientes al comportamiento de los usuarios en la navegacin [13], con los cuales es posible llevar a cabo una personalizacin de los sitios Web [14]. Otro de los escenarios ricos en registros de navegacin por Internet lo constituyen los logs del proxy, los cuales archivan la navegacin de un grupo de usuarios de una determinada organizacin. La Universidad de las Ciencias Informticas (UCI) cuenta con un servicio de navegacin por Internet para miles de usuarios, la Direccin de Redes y Seguridad Informtica no posee la capacidad de analizar el gran volumen de informacin presente en los logs del proxy en busca de patrones que identifiquen el uso de las cuotas de navegacin por parte de los usuarios de la institucin, dificultando la toma de decisiones. El anlisis de grandes volmenes de datos resulta engorroso realizarlo manualmente, siendo necesaria su automatizacin. Existe un proceso definido para el anlisis de datos con el fin de encontrar patrones, llamado Descubrimiento de Conocimiento en Bases de Datos (KDD por sus siglas en ingls). El presente trabajo es un mdulo de un sistema encargado de automatizar este proceso, teniendo como escenario los registros de navegacin por Internet de la UCI [15]. Se realiza

V Taller de Calidad en las Tecnologas de la Informacin y las Comunicaciones

Ordoes, Yoanni.; Avils, Ernesto.,Grass, Darian. | INTEGRACIN ENTRE PYTHON Y WEKA APLICADO EN LA MINERIA DE DATOS

un estudio para la integracin entre dos tecnologas diferentes: Python y Java, tecnologas utilizadas en el desarrollo del sistema y la biblioteca de algoritmos WEKA respectivamente.

2. MATERIALES Y METODOS 2.1. El Proceso de descubrir Conocimiento en Bases de Datos (KDD)

El trmino Minera de Datos en muchas ocasiones se utiliza como sinnimo con el de Descubrimiento de Conocimiento en Bases de Datos (Knowledge Discovery in Databases), siendo en realidad la Minera de Datos una de las fases de las que est compuesto el proceso KDD [16]. Tal como muestra la Figura 1, un proceso clsico de KDD se organiza en torno a cinco fases fundamentales [1]:

tarea, la tcnica y el algoritmo seleccionado para la obtencin de reglas y patrones. Luego en la fase de evaluacin e interpretacin se evalan los patrones y se analizan por expertos, y si es necesario, se vuelve a las fases anteriores para una nueva iteracin. Finalmente, en la fase de difusin se hace uso del nuevo conocimiento y se hace partcipe de l a todos los posibles interesados. Las fases que componen el KDD hacen que su desarrollo sea un proceso iterativo e interactivo con el usuario [1], es decir, podemos regresar a fases anteriores adems de supervisar el proceso. Cabe sealar que las dos primeras fases se engloban bajo el nombre de Preparacin de Datos, por otro lado, previo a las fases descritas se incluye una etapa de entendimiento del dominio para el anlisis de las necesidades de la organizacin, o sea, para definir y priorizar los objetivos del negocio [1]. Adems, aproximadamente el 60 por ciento del esfuerzo total para realizar un proceso de KDD, se emplea durante la etapa de preparacin de los datos [17], tal como lo muestra la Figura 2.

Figura 2: Esfuerzo requerido por fases en un proceso de KDD [17]

Figura 1: Fases de un proceso clsico de KDD [1]

2.2. Minera de Uso de la Web

La Minera de Uso de la Web (Web Usage Mining, WUM) intenta descubrir la informacin til de los datos derivados de la interaccin de los usuarios mientras navegan en la Web. Tiene como propsito entender los patrones de acceso, el comportamiento y las tendencias de los usuarios en su navegacin por la Web, con la finalidad de reestructurar contenidos de los sitios, realizar bsquedas de uso personalizado, adems de ayudar a entender el comportamiento de los usuarios y a mejorar la estructura y la disposicin de recursos informticos [13]. Durante el trfico por la Web son muchas las huellas dejadas que describen la navegacin de un

En la primera fase de integracin y recopilacin se determinan las fuentes de informacin que pueden ser tiles y dnde conseguirlas; transformando los datos a un formato comn, adems de detectar y resolver las inconsistencias presentes en los mismos. Posteriormente en la fase de seleccin, limpieza y transformacin, se eliminan o corrigen los datos incorrectos, decidindose la estrategia a seguir con los datos incompletos; adems, se consideran nicamente aquellos atributos que van a ser relevantes, con el objetivo de hacer ms fcil la tarea propia de minera. En la fase de minera de datos, se aplica el modelo, la

V Taller de Calidad en las Tecnologas de la Informacin y las Comunicaciones

Ordoes, Yoanni.; Avils, Ernesto.,Grass, Darian. | INTEGRACIN ENTRE PYTHON Y WEKA APLICADO EN LA MINERIA DE DATOS

usuario, estos orgenes de datos pueden encontrarse tanto en los servidores Web, servidores proxy, as como del lado del cliente [18]. Muchas han sido las investigaciones realizadas sobre los logs del servidor Web [14], [19], [20], no siendo as sobre los logs del servidor proxy [21]. En cualquier de los casos es necesario llevar a cabo una serie de fases [13], [22], [23] para la extraccin de patrones como se muestra en la Figura 3.

conocimiento implcito en estos logs, dificultando la toma de decisiones a la Direccin de Redes y Seguridad Informtica (DRSI). Por otra parte se cuenta con sistemas de gestin del personal trabajador y de la gestin acadmica estudiantil, informacin de mucha utilidad en conjunto con los registros de navegacin de los diferentes usuarios del centro. Todos estos datos en su conjunto resultan de gran inters para la DRSI en busca de patrones que describan el uso de las cuotas de navegacin de los diferentes usuarios de la institucin. Para aprovechar estos datos, fue necesario desarrollar una aplicacin capaz de mezclar la informacin registrada por el servidor proxy con los contenidos en los sistemas de los trabajadores y el de gestin acadmica estudiantil [15]; extraer patrones descriptivos presentes en los datos, enfocados en la tarea de agrupamiento [1] con el fin de encontrar clases de usuarios que se comporten de manera similar en la navegacin por Internet, ayudando en la toma de decisiones de la DRSI. Un mdulo de esta aplicacin se encarga de integrar el sistema con la biblioteca de algoritmos WEKA. A continuacin se explicar su diseo e implementacin.

Figura 3: Fases del proceso de la Minera Uso de la Web [13]

2.4. Aplicacin de las tareas de Minera de Datos.

En la fase de Minera de Datos es donde se aplica la(s) tarea(s) a utilizar en la extraccin de conocimiento. Para la realizacin de estas tareas se han definido varios mtodos o algoritmos [26], [27] que permiten el uso de tcnicas capaces de conocer las anomalas presentes en los datos procesados. Existen varias bibliotecas que contienen implementaciones de la mayora de los algoritmos ms utilizados en la Minera de Datos. Una de ellas es la desarrollada en la Universidad de Waikato, Nueva Zelanda que lleva por nombre WEKA. Dicha biblioteca es multiplataforma por ser desarrollada en la tecnologa Java. Ha sido utilizada en varias investigaciones con buenos resultados [4, 17, 28], adems de ser libre y brindar un desacople de sus implementaciones proporcionando extensibilidad para los interesados en la modificacin de algunos de sus procesos. El proceso de extraccin de conocimiento en los registros de navegacin por Internet de los usuarios de la Universidad de las Ciencias Informticas forma parte de una plataforma de Gestin de Servicios Telemticos [29-32] desarrollada en Python. Las tecnologas en las cuales estn escritas la plataforma y la biblioteca provocan un

Una vez recopilado los datos necesarios, se realiza la fase de preprocesamiento buscando: limpieza de los logs, identificacin de usuario, creacin de sesin de usuario [20], [24]. Con la limpieza de los registros estamos eliminando los archivos no tiles para la extraccin de conocimiento como son: .gif, .jpg, .js, etc. [19]. Otra de las tareas sera la identificacin de usuario, la cual llega a ser engorrosa debido a: cachs locales, firewalls, servidores proxy, etc. [19]. Por ltimo debemos conformar el conjunto de transacciones o sesiones de usuarios para una mayor modularidad de la visita del usuario al sitio [20]. Luego de estas tareas se debe obtener un conjunto de datos ms adecuado para las fases posteriores donde se aplicarn tcnicas para la identificacin de patrones.

2.3. Minera de Datos aplicada a registros de navegacin en la UCI.

los

La Universidad de las Ciencias informticas cuenta con un servicio de navegacin por Internet para miles de usuarios. Para ello cuenta con servidores proxies que gestionan todo el flujo de peticiones realizadas. Los sistemas actualmente instalados y en explotacin [25] no cubren todo el

V Taller de Calidad en las Tecnologas de la Informacin y las Comunicaciones

Ordoes, Yoanni.; Avils, Ernesto.,Grass, Darian. | INTEGRACIN ENTRE PYTHON Y WEKA APLICADO EN LA MINERIA DE DATOS

problema al ser diferentes, por un lado Python y por otro Java. La biblioteca WEKA brinda la posibilidad de ejecutar los diferentes algoritmos mediante lneas de comando, pero no brinda las necesarias opciones para la aplicacin encargada de automatizar el proceso KDD. Provocando as la necesidad de crear un intermediario entre la aplicacin contenida en la plataforma y la biblioteca de algoritmos.

de la ejecucin de dicho algoritmo, se almacenaron en la base datos utilizando la clase DatabaseSaver de WEKA. El diseo de clases utilizado en el mdulo Agrupador es ilustrado en la Figura 5:

2.5. Diseo de la solucin de la integracin.

A este intermediario se le nombr Agrupador. Se defini para esta aplicacin una arquitectura en tres capas. Las capas definidas fueron: una para la interaccin con el usuario, otra con el fin de realizar el negocio del sistema y una de acceso a datos encargada de persistir y obtener los datos necesarios. Este intermediario fue implementado en Java y dentro de sus funcionalidades est la interaccin con la biblioteca para la obtencin de los datos, la ejecucin de los algoritmos contenidos en ella para la tarea a realizar, as como el almacenamiento de los resultados obtenidos de este proceso. Adems, brinda la posibilidad de que se le especifique por lneas de comando las opciones de configuracin para la ejecucin de sus funcionalidades. La Figura 4 muestra el diseo de la arquitectura usada en el Agrupador.

Figura 5: Diagrama de clases del diseo mdulo Agrupador [15]

Figura 4: Diseo de arquitectura en tres capas del mdulo Agrupador

Los datos a analizar se encuentran en forma de vista minable [1] en una tabla en la base de datos gestionada por un servidor PostgreSQL [33]. Para obtener los datos se utiliz la clase InstanceQuery de WEKA. La tarea realizada en la investigacin fue la tarea de agrupamiento utilizando la implementacin de KMedias [34] contenida en la biblioteca. Los grupos o clsteres [1] encontrados como resultado

Para conocer la cantidad de clsteres que se encontraron as como el nombre de las tablas donde se encuentran en la base de datos, adems de las medias y/o modas de los mismos, fue necesario almacenarlas en un fichero con formato CSV utilizando la biblioteca JAVACSV. Para interpretar las opciones brindadas por Agrupador para su ejecucin se utiliz la biblioteca ARGPARSER. Con Agrupador se solucion el problema de la interaccin con WEKA. Para la ejecucin del mismo desde la aplicacin se decidi utilizar el patrn arquitectnico Bridge (Puente), que tiene como propsito separar la abstraccin de la implementacin, evitando la unin permanente, ayudando a aplicar cambios futuros sin la necesidad de que un cambio en uno provoque una modificacin en el otro [35]. El uso de este patrn, garantiza que el cdigo de una aplicacin sea invariable an cuando sea modificado el de la otra, adems de poder sustituir la biblioteca de algoritmos en caso necesario sin causar cambios en la aplicacin contenida en la plataforma.

3. RESULTADOS
Usando la combinacin del patrn Bridge y el intermediario Agrupador, se pudo integrar satisfactoriamente dos aplicaciones desarrolladas

V Taller de Calidad en las Tecnologas de la Informacin y las Comunicaciones

Ordoes, Yoanni.; Avils, Ernesto.,Grass, Darian. | INTEGRACIN ENTRE PYTHON Y WEKA APLICADO EN LA MINERIA DE DATOS

en tecnologas diferentes. La cual ayud al desarrollo de un proceso de extraccin de conocimiento en bases de datos sobre los registros de navegacin por Internet de los usuarios de la UCI, brindando as una ayuda a la toma de decisiones por parte de la DRSI de la Universidad.

9.

10.

4. DISCUSIN
El desarrollo de este mdulo demostr que es posible la integracin de WEKA con otras tecnologas como Python. Se vio evidenciado que el uso de patrones de arquitectura, brinda una solucin ms comprensible y extensible. Adems contribuy al desarrollo de una herramienta que proporciona a la DRSI ms informacin descriptiva de los registros del servidor proxy de la Universidad, aportando una investigacin que puede tomarse como base para la explotacin de la informacin oculta en los servidores que brindan servicios telemticos en la UCI, as como en otra empresa o institucin para perfeccionar el funcionamiento de los mismos.

11.

12.

13.

5. REFERENCIAS
1. Hernndez Orallo, J.a.R.Q., MJ and Ferri Ramrez, C., Introduccin a la Minera de Datos. 2004, Espaa, Madrid: Pearson educacion SA. Olmos-Pineda, I.a.G.-B., JA, Minera de Datos, in Semana de informtica 2007. 2007: Mxico. Larose, D.T., Discovering knowledge in data: an introduction to data mining. 2005, John Wiley and Sons. Segrera, S.a.M., M.N. and Miguel, L.A., Aplicacin de la minera de datos en la evaluacin de la aptitud fsica de las tierras para el cultivo de la caa de azcar, in III Taller Nacional de Minera de Datos y Aprendizaje. 2005: TAMIDA. p. 10. Ao, S.I., Data Mining and Applications in Genomics. 2008, Springer Verlag. Berry, M.J.A.a.L., G.S., Data mining techniques: for marketing, sales, and customer relationship management. 2004, Wiley New York. MITRA;TINKUACHARYA, S., Data Mining Multimedia, Soft Computing, and Bioinformatics. 2003, JOHN WILEY & SONS. Garca-Salcines, E.a.R.-M., C. and VenturaSoto, S. and Castro-Lozano, C., Sistema recomendador colaborativo usando minera de datos distribuida para la mejora continua de cursos e-learning. IEEE-RITA, 2008. 3(1): p. 19--30. 14.

2.

15.

3.

4.

16. 17.

5. 6.

18.

19.

7.

20.

8.

21.

Sanz, C.Z.a.P., V.G. and lvarez, U.C. and Guerrero, F.P. and Rodrguez, J.R., APLICACION DE LA MINERIA DE DATOS AL ESTUDIO DE LAS ALTERACIONES RESPIRATORIAS DURANTE EL SUEO. Pneuma, 2006. 6: p. 156--166. Ascacbar, F.J.M.d.P., Optimizacin mediante tcnicas de minera de datos del ciclo de recocido de una lnea de galvanizado. 2003, Universidad de La Rioja. Reyes, S.C.F.a.L., M.R., Minera Web: un recurso insoslayable para el profesional de la informacin. Acimed, 2007. 16(4). Snchez, G.G.a.., S.D. and de la Rosa, J.L., Preprocesamiento de bases de datos masivas y multi-dimensionales en minera de uso web para modelar usuarios: comparacin de herramientas y tcnicas con un caso de estudio. Londoo, A.A.a.C., D.A.O. and de Sistemas, E. and de Minas, F., Web Usage Mining: Revisin del Estado del Arte, Grupo de I+D en Inteligencia Artificial. Escuela de Sistemas, Facultad de Minas. Universidad Nacional de Colombia, Sede Medelln: Medelln. Eirinaki, M.a.V., M., Web mining for web personalization. ACM Transactions on Internet Technology (TOIT), 2003. 3(1): p. 27. Leyva, Y.O. and E.A. Vzquez, Herramienta informtica de Minera de Uso de la Web sobre los registros de navegacin por Internet. 2010, Universidad de las Ciencias Informticas: Habana. Han, J.a.K., M., Data mining: concepts and techniques. 2006, Morgan Kaufmann. Molina Lpez, J.a.G.H., J., Tcnicas de Anlisis de Datos. Aplicaciones Prcticas utilizando Microsoft Excel y WEKA. 2006, Madrid: Universidad Carlos III. Srivastava, J.a.C., R. and Deshpande, M. and Tan, P.N., Web usage mining: Discovery and applications of usage patterns from web data. ACM SIGKDD Explorations Newsletter, 2000. 1(2): p. 23. Omari, A., Data Mining for Retail Website Design and Enhanced Marketing. 2008, Citeseer. Cooley, R.a.M., B. and Srivastava, J., Web mining: Information and pattern discovery on the world wide web, in Ninth IEEE International Conference on Tools with Artificial Intelligence, 1997. Proceedings. 1997. Kerkhofs, J.a.V., K. and Pannemans, D., Web Usage Mining on Proxy Servers: A

V Taller de Calidad en las Tecnologas de la Informacin y las Comunicaciones

Ordoes, Yoanni.; Avils, Ernesto.,Grass, Darian. | INTEGRACIN ENTRE PYTHON Y WEKA APLICADO EN LA MINERIA DE DATOS

22.

23.

24.

25.

26.

27.

28.

29.

Case Study. Limburg University Centre, 2001. Ivncsy, R.a.V., I., Frequent pattern mining in web log data. Acta Polytechnica Hungarica, 2006. 3(1): p. 77--90. Pealvo, F.J.G., Minera web y personalizacin: Revisin bibliogrfica y propuesta de un marco de referencia. Mobasher, B.a.J., N. and Han, E. and Srivastava, J., Web mining: Pattern discovery from world wide web transactions, in Tech. Rep. 1996, Dept. Comput. Science, Univ. Minnesota: Minneapolis. Martnez, L.O.M.A.Y.G., Sistema de Reportes de la Navegacin por Internet, in Facultad 4. 2007, Universidad de las Ciencias Informticas: Ciudad Habana. Witten, I.H.a.F., E., Data Mining: Practical machine learning tools and techniques. 2005, Morgan Kaufmann Pub. Pal, N.R.a.J., LC, Advanced techniques in knowledge discovery and data mining. 2005, Springer. Escobar, H.S.A., Minera de datos aplicada a clases minoritarias. 2006, Universidad Autnoma Metropolitana. Gonzlez, C.D. and A.C. Ruiz, Plataforma de Gestin de Servicios Telemticos en

30.

31.

32.

33. 34.

35.

GNU\Linux. Sistema de Inventario de Hardware y Software. Mdulo Obtencin de Informacin. 2010, Universidad de las Ciencias Informticas: Habana. Hurtado, A.P. and A.L.P. Moya, Plataforma de Gestin de Servicios Telemticos en GNU\Linux. Mdulo DNS v2.0. 2010, Universidad de las Ciencias Informticas: Habana. Pasteur, J.D.l.R. and E.Z. Sarria, Plataforma de Gestin de Servicios Telemticos.en GNU\Linux. Mdulo Directorio v2.0. 2010, Universidad de las Ciencias Informticas: Habana. Rodrguez, Y.G. and A.D. Rosales, Plataforma de Gestin de Servicios Telemticos en GNU\Linux. Sistema de Inventario de Hardware y Software. Mdulo Administracin. 2010, Universidad de las Ciencias Informticas: Habana. Group, T.P.G.D., PostgresSQL 8.3.9 Documentation. 2008. Jain, A.K., Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 2009. Software, U.D.d.I.d., Patrones del Gang of Four.

V Taller de Calidad en las Tecnologas de la Informacin y las Comunicaciones