Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Rosalem, Weslley Santana Barreto [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Deep learning
LSTM
Transformer
MRFO
AIOps
Séries temporais
Link de acesso: https://hdl.handle.net/11449/312792
Resumo: Com a crescente transformação digital, a gestão de ambientes de Tecnologia da Informação (TI) tornou-se um desafio cada vez mais complexo e dinâmico. A Inteligência Artificial para Operações de TI (AIOps) surge como uma solução promissora, integrando aprendizado de máquina e big data para automatizar tarefas críticas, como a detecção de anomalias, a pre-visão de capacidade e a identificação de causas raízes. Este estudo propõe uma abordagem comparativa entre as arquiteturas Long Short-Term Memory (LSTM) e Transformer para a previsão de consumo de recursos computacionais, utilizando dados de séries temporais provenientes de dois conjuntos distintos: Google Cluster Traces 2019 e métricas do Prometheus. A pesquisa realiza uma revisão sistemática da literatura, com foco em trabalhos publicados entre 2019 e 2023, e introduz o algoritmo de otimização meta-heurística Manta Ray Foraging Optimization (MRFO) para ajuste de hiperparâmetros das redes neurais. A metodologia contempla o pré-processamento dos dados, a configuração experimental e a utilização de métricas como MAE, RMSE, MAPE e SMAPE. O estudo visa contribuir para a eficiência das operações de TI, oferecendo subsídios para a gestão proativa de recursos e a mitigação de falhas em ambientes de nuvem.
id UNSP_b083154cbfc90194e3745df49138b534
oai_identifier_str oai:repositorio.unesp.br:11449/312792
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.Time series forecasting with Transformers and LSTM optimized by metaheuristics: an AIOps approach for computational resource consumption prediction.Deep learningLSTMTransformerMRFOAIOpsSéries temporaisCom a crescente transformação digital, a gestão de ambientes de Tecnologia da Informação (TI) tornou-se um desafio cada vez mais complexo e dinâmico. A Inteligência Artificial para Operações de TI (AIOps) surge como uma solução promissora, integrando aprendizado de máquina e big data para automatizar tarefas críticas, como a detecção de anomalias, a pre-visão de capacidade e a identificação de causas raízes. Este estudo propõe uma abordagem comparativa entre as arquiteturas Long Short-Term Memory (LSTM) e Transformer para a previsão de consumo de recursos computacionais, utilizando dados de séries temporais provenientes de dois conjuntos distintos: Google Cluster Traces 2019 e métricas do Prometheus. A pesquisa realiza uma revisão sistemática da literatura, com foco em trabalhos publicados entre 2019 e 2023, e introduz o algoritmo de otimização meta-heurística Manta Ray Foraging Optimization (MRFO) para ajuste de hiperparâmetros das redes neurais. A metodologia contempla o pré-processamento dos dados, a configuração experimental e a utilização de métricas como MAE, RMSE, MAPE e SMAPE. O estudo visa contribuir para a eficiência das operações de TI, oferecendo subsídios para a gestão proativa de recursos e a mitigação de falhas em ambientes de nuvem.With the ongoing digital transformation, the management of Information Technology (IT) environments has become an increasingly complex and dynamic challenge. Artificial Intelligence for IT Operations (AIOps) has emerged as a promising solution, integrating machine learning and big data to automate critical tasks such as anomaly detection, capacity forecasting, and root cause analysis. This study proposes a comparative approach between Long Short-Term Memory (LSTM) and Transformer architectures for predicting computational resource consumption, using time series data from two distinct datasets:Google Cluster Traces 2019 and Prometheus metrics. The research includes a systematic literature review focused on studies published between 2019 and 2023, and introduces the metaheuristic optimization algorithm Manta Ray Foraging Optimization (MRFO) for neural network hyperparameter tuning. The methodology encompasses data preprocessing, experimental setup, and the use of evaluation metrics such as MAE, RMSE, MAPE, and SMAPE. This study aims to contribute to the efficiency of IT operations, providing insights for proactive resource management and failure mitigation in cloud-based environments.Universidade Estadual Paulista (Unesp)Costa, Kelton Augusto Pontara da [UNESP]Universidade Estadual Paulista (Unesp)Rosalem, Weslley Santana Barreto [UNESP]2025-08-11T13:13:23Z2025-05-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfROSALEM, Weslley Santana Barreto. Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais. 2025. Dissertação (Mestrado em Ciência da Computação) – Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2025.https://hdl.handle.net/11449/31279233004153073P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2025-08-12T05:00:33Zoai:repositorio.unesp.br:11449/312792Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462025-08-12T05:00:33Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
Time series forecasting with Transformers and LSTM optimized by metaheuristics: an AIOps approach for computational resource consumption prediction.
title Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
spellingShingle Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
Rosalem, Weslley Santana Barreto [UNESP]
Deep learning
LSTM
Transformer
MRFO
AIOps
Séries temporais
title_short Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
title_full Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
title_fullStr Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
title_full_unstemmed Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
title_sort Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais.
author Rosalem, Weslley Santana Barreto [UNESP]
author_facet Rosalem, Weslley Santana Barreto [UNESP]
author_role author
dc.contributor.none.fl_str_mv Costa, Kelton Augusto Pontara da [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Rosalem, Weslley Santana Barreto [UNESP]
dc.subject.por.fl_str_mv Deep learning
LSTM
Transformer
MRFO
AIOps
Séries temporais
topic Deep learning
LSTM
Transformer
MRFO
AIOps
Séries temporais
description Com a crescente transformação digital, a gestão de ambientes de Tecnologia da Informação (TI) tornou-se um desafio cada vez mais complexo e dinâmico. A Inteligência Artificial para Operações de TI (AIOps) surge como uma solução promissora, integrando aprendizado de máquina e big data para automatizar tarefas críticas, como a detecção de anomalias, a pre-visão de capacidade e a identificação de causas raízes. Este estudo propõe uma abordagem comparativa entre as arquiteturas Long Short-Term Memory (LSTM) e Transformer para a previsão de consumo de recursos computacionais, utilizando dados de séries temporais provenientes de dois conjuntos distintos: Google Cluster Traces 2019 e métricas do Prometheus. A pesquisa realiza uma revisão sistemática da literatura, com foco em trabalhos publicados entre 2019 e 2023, e introduz o algoritmo de otimização meta-heurística Manta Ray Foraging Optimization (MRFO) para ajuste de hiperparâmetros das redes neurais. A metodologia contempla o pré-processamento dos dados, a configuração experimental e a utilização de métricas como MAE, RMSE, MAPE e SMAPE. O estudo visa contribuir para a eficiência das operações de TI, oferecendo subsídios para a gestão proativa de recursos e a mitigação de falhas em ambientes de nuvem.
publishDate 2025
dc.date.none.fl_str_mv 2025-08-11T13:13:23Z
2025-05-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv ROSALEM, Weslley Santana Barreto. Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais. 2025. Dissertação (Mestrado em Ciência da Computação) – Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2025.
https://hdl.handle.net/11449/312792
33004153073P2
identifier_str_mv ROSALEM, Weslley Santana Barreto. Previsão de séries temporais com Transformers e LSTM otimizadas por meta-heurísticas: uma abordagem AlOps para previsão de consumo de recursos computacionais. 2025. Dissertação (Mestrado em Ciência da Computação) – Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2025.
33004153073P2
url https://hdl.handle.net/11449/312792
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954442193895424

Registros relacionados