Artigo em revista científica Q2
Enhancing infrastructure observability: Machine learning for proactive monitoring and anomaly detection
Darlan Noetzold (Noetzold, D.); Anubis Graciela de Moraes Rossetto (Rossetto, A. G. D. M.); Valderi Leithardt (Leithardt, V. R. Q.); Humberto Jorge De Moura Costa (Costa, H. J. de M.);
Título Revista
Journal of Internet Services and Applications
Ano (publicação definitiva)
2024
Língua
Inglês
País
Brasil
Mais Informação
Web of Science®

N.º de citações: 0

(Última verificação: 2024-11-21 12:25)

Ver o registo na Web of Science®

Scopus

Esta publicação não está indexada na Scopus

Google Scholar

N.º de citações: 0

(Última verificação: 2024-11-20 11:38)

Ver o registo no Google Scholar

Abstract/Resumo
This study addresses the critical challenge of proactive anomaly detection and efficient resource man-agement in infrastructure observability. Introducing an innovative approach to infrastructure monitoring, this workintegrates machine learning models into observability platforms to enhance real-time monitoring precision. Employ-ing a microservices architecture, the proposed system facilitates swift and proactive anomaly detection, addressingthe limitations of traditional monitoring methods that often fail to predict potential issues before they escalate. Thecore of this system lies in its predictive models that utilize Random Forest, Gradient Boosting, and Support VectorMachine algorithms to forecast crucial metric behaviors, such as CPU usage and memory allocation. The empiri-cal results underscore the system’s efficacy, with the GradientBoostingRegressor model achieving an R² score of0.86 for predicting request rates, and the RandomForestRegressor model significantly reducing the Mean SquaredError by 2.06% for memory usage predictions compared to traditional monitoring methods. These findings not onlydemonstrate the potential of machine learning in enhancing observability but also pave the way for more resilientand adaptive infrastructure management.
Agradecimentos/Acknowledgements
A realização desta investigação foi parcialmente financiada por fundos nacionais através da FCT - Fundação para a Ciência e Tecnologia, I.P. no âmbito dos projetos UIDB/04466/2020 e UIDP/04466/2020.
Palavras-chave
Machine learning,Infrastructure monitoring,Anomaly detection,Proactive maintenance
  • Ciências da Computação e da Informação - Ciências Naturais
  • Engenharia Eletrotécnica, Eletrónica e Informática - Engenharia e Tecnologia
Registos de financiamentos
Referência de financiamento Entidade Financiadora
UIDB/04466/2020 Fundação para a Ciência e a Tecnologia
UIDP/04466/2020 Fundação para a Ciência e a Tecnologia
Projetos Relacionados

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.