Observabilidade de sistemas: detecção preditiva de falhas

Página do item simplificado
dc.contributor.advisorSeufitelli, Danilo Boechat
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5887701447276862
dc.contributor.authorLima, Guilherme de Assis
dc.contributor.authorLatteshttp://lattes.cnpq.br/0227828636263218
dc.contributor.refereeSeufitelli, Danilo Boechat
dc.contributor.refereeSilva, Mariana de Oliveira Santos
dc.contributor.refereeSilva, Fábio Rocha da
dc.date.accessioned2026-08-24T16:35:00Z
dc.date.available2026-08-24T16:35:00Z
dc.date.issued2026-06-19
dc.description.abstractEste trabalho avalia métodos preditivos para detectar falhas em softwares, aplicando conceitos de observabilidade e aprendizado de máquina. A proposta parte da necessidade de se antecipar falhas em sistemas complexos, onde o volume e a diversidade de métricas dificultam a identificação manual. O estudo adota uma abordagem experimental em duas etapas: a primeira cria um ambiente de simulação, utilizando softwares open source para auxiliar na geração de dados de treino e teste. Na segunda, são avaliados diferentes modelos de aprendizado de máquina para predição, como LightGBM, CatBoost, XGBoost e LSTM. Por fim, são avaliados os resultados e a viabilidade do uso dos modelos gerados. Os resultados demonstram a viabilidade técnica da utilização de métricas de observabilidade para a detecção preditiva de falhas, com modelos capazes de identificar padrões associados à degradação e indisponibilidade dos sistemas. Além disso, este projeto fornece uma arquitetura reprodutível e de baixo custo, aplicável em ambientes de pesquisa e desenvolvimento, reforçando o papel da observabilidade como componente essencial na confiabilidade de sistemas modernos.
dc.description.abstractotherThis work evaluates predictive methods for detecting software failures by applying concepts of observability and machine learning. The proposal stems from the growing need to anticipate failures in complex systems, where the volume and diversity of metrics make manual identification difficult. The study adopts an experimental approach in two stages: the first creates a simulation environment using open-source software to assist in generating training and test data. In the second stage, different machine learning models for prediction are evaluated, such as LightGBM, CatBoost, XGBoost, and LSTM. Finally, the results and feasibility of using the generated models are assessed. The results demonstrate the technical feasibility of using observability metrics for predictive fault detection, with machine learning models achieving high predictive performance. Furthermore, this project provides a reproducible and low-cost architecture applicable to research and development environments, reinforcing the role of observability as an essential component in the reliability of modern systems.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/2917
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.departmentDepartamento de Computação
dc.publisher.initialsCEFET-MG
dc.titleObservabilidade de sistemas: detecção preditiva de falhas
dc.typeTrabalho de Conclusão de Curso da Graduação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Observabilidade de sistemas detecção preditiva de falhas.pdf
Tamanho:
1.34 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Engenharia de Computação (Belo Horizonte - Nova Gameleira)