Aplicação de Machine Learning para Previsão de Falhas em Infraestrutura de Data Centers

Daniel Duarte de Almeida, Vitor Hugo Oliveira, Claudio Eduardo Paiva

Resumo


A gestão de infraestruturas de TI é um desafio constante, onde a disponibilidade contínua dos serviços em data centers é crítica para o sucesso de negócios e a experiência do usuário. A prevenção de falhas, historicamente tratada de forma reativa, exige abordagens mais preditivas para otimizar operações e mitigar riscos. Sendo assim, a proposta deste trabalho é avaliar a aplicação de modelos de Machine Learning (ML) para prever falhas em infraestruturas de data centers, transformando a gestão de TI de reativa para proativa. Neste contexto, a aplicação de ML se justifica pela sua capacidade de analisar grandes volumes de dados de monitoramento e identificar padrões que antecedem falhas, algo que os métodos tradicionais não conseguem fazer com eficiência. Para isso, esta pesquisa, de natureza exploratória, utilizou logs de 237 registros de máquinas virtuais, coletados em um ambiente de simulação. Os dados foram submetidos a um rigoroso pré-processamento para remover duplicatas e inconsistências. Três algoritmos de árvores de decisão foram aplicados em ambiente de simulação para modelar a relação entre o uso de recursos e as falhas. Os resultados indicaram elevado desempenho preditivo, com acurácia máxima de 96,2%, evidenciando a viabilidade da abordagem. A análise mostrou que a qualidade dos dados influencia diretamente a eficácia dos modelos e que a interpretabilidade das regras geradas é essencial para aplicação prática. Conclui-se que o Machine Learning constitui uma ferramenta promissora para manutenção preditiva, contribuindo para maior resiliência e eficiência em infraestruturas de TI.

Texto completo: PDF