Banca de DEFESA: RAFAEL LUIZ XAVIER

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : RAFAEL LUIZ XAVIER
DATA : 22/01/2025
HORA: 14:00
LOCAL: Google Meet
TÍTULO:

Sistema Autonômico de Autoescalonamento Proativo Baseado em LSTM Aplicado em Sistemas Legados On-premises

PALAVRAS-CHAVES:

Computação Autonômica; Sistemas Legados; Redes LSTM; Autoescalonamento Proativo; Previsão de Carga de Trabalho; Análise de Séries Temporais; MAPE-K; Otimização de Recursos; Infraestrutura On-premises.

PÁGINAS: 60
RESUMO:

Contexto: A crescente repatriação de dados para data centers locais alerta para os desafios e altos custos de manutenção de sistemas legados na nuvem, direcionando esforços para soluções que aprimoram a escalabilidade e eficiência de sistemas on-premises. Problema: As limitações dos sistemas de autoescalonamento reativos, que frequentemente atuam apenas após a degradação do desempenho, destacam a necessidade de abordagens proativas. Sistemas voltados ao público que geralmente possuem cargas de trabalho não lineares, requerem técnicas que antecipem e respondam dinamicamente às variações de carga para prevenir violações de SLA. Solução Proposta: Este trabalho apresenta (1) um modelo preditivo de carga de trabalho para requisições de clientes em sistemas legados voltados ao publico utilizando análise de séries temporais multirresolução e redes LSTM, e (2) um sistema autonômico de autoescalonamento proativo implementando o ciclo de controle MAPE-K para alocação automatizada de recursos. Método: Esta pesquisa é conduzida como um estudo de caso exploratório-descritivo em duas etapas: primeira comparando diferentes modelos de previsão utilizando dados benchmark e dados reais de um sistema legado, e segunda, implementando e avaliando um sistema autonômico de autoescalonamento proativo em ambiente de produção. Resultados: O modelo LSTM superou métodos estatísticos tradicionais em múltiplas resoluções temporais, com melhores resultados com resolução de 10 minutos. O sistema de autoescalonamento implementado alcançou uma redução de 37,9% na utilização de recursos em comparação com o escalonamento manual, mantendo o desempenho. O modelo WFLS-LSTM demonstrou desempenho robusto em produção (RMSE: 1041, MAPE: 19,84%) e antecipou com sucesso 62,5% dos eventos de pico de carga. Contribuições: A pesquisa demonstra tanto a viabilidade dos modelos LSTM para prever cargas de trabalho não lineares em sistemas legados voltados ao público quanto a efetividade de sistemas autonômicos de autoescalonamento proativo em ambientes on-premises, fornecendo uma solução para dimensionamento automático de recursos. Impacto: A abordagem combinada de previsão eficiente de carga de trabalho e escalonamento autonômico promove uso mais inteligente de recursos em data centers locais, reduzindo significativamente custos enquanto garante níveis de qualidade e disponibilidade em sistemas legados.

MEMBROS DA BANCA:
Presidente - 2058929 - ELDER JOSE REIOLI CIRILO
Interno - 1870884 - JOAO PEDRO HALLACK SANSAO
Externo à Instituição - BALDOINO FONSECA DOS SANTOS NETO - UFAL