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

Abstract

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.

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.