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

• Ano de defesa: 2025
• Autor(a) principal: Rosalem, Weslley Santana Barreto [UNESP]
• Orientador(a): Costa, Kelton Augusto Pontara da [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Séries temporais
• Palavras-chave em Inglês: Deep learning; LSTM; Transformer; MRFO; AIOps
• Link de acesso: https://hdl.handle.net/11449/312792

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.