Classificação automática de falhas em arquitetura orientada a serviços

• Ano de defesa: 2017
• Autor(a) principal: Felix, Kleber Gonçalves
• Orientador(a): Fonseca, Mauro Sergio Pereira
• Banca de defesa: Fonseca, Mauro Sergio Pereira, Pedroso, Carlos Marcelo, Nacamura Júnior, Luiz, Tacla, Cesar Augusto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• País: Brasil
• Palavras-chave em Português: Sistemas operacionais distribuídos (Computadores); Localização de falhas (Engenharia); Controle automático; Aprendizado do computador; Arquitetura orientada a serviços (Computador); Algorítmos; Métodos de simulação; Computação; Distributed operating systems (Computers); Fault location (Engineering); Automatic control; Machine learning; Service-oriented architecture (Computer science); Algorithms; Simulation methods; Computer science
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/2822

Uma arquitetura distribuída é composta de diversos sistemas que trocam mensagens entre si. Falhas na integração destes sistemas podem ocorrer, exigindo uma investigação detalhada dos profissionais de suporte para encontrar a causa raiz do problema. O processo manual de identificação de falhas é difícil e demorado. Ganhos significativos podem ser obtidos através da automação do processo de classificação de falhas. Este trabalho tem por objetivo apresentar um método para auxílio no processo de diagnóstico de falhas, classificando automaticamente as falhas geradas em uma arquitetura orientada a serviços. Este método, denominado SOAFaultControl, se beneficia de arquiteturas distribuídas que adotam SOA e um Enterprise Service Bus (ESB). Utilizando-se de técnicas de aprendizado de máquina, foi possível estabelecer um modelo para classificação de falhas em categorias preestabelecidas. Para alcançar o objetivo deste trabalho foi necessário testar e avaliar os seguintes algoritmos de aprendizagem de máquina: Support Vector Machine, Naive Bayes e AdaBoost. Como resultado, o algoritmo Support Vector Machine obteve melhor desempenho nas métricas: acurácia, precisão, revocação e F1.