Oraculum: a model for self-adaptive system optimization in smart environments

Esta dissertação apresenta o Oraculum, um framework modular auto-adaptativo desenvolvido para integrar monitoramento, predição, raciocínio semântico e adaptação em sistemas distribuídos operando em ambientes inteligentes. Muitos trabalhos existentes tratam essas etapas de forma isolada, com processos de treinamento estáticos, lógica de adaptação fixa e decisões reativas que ocorrem apenas após a degradação do desempenho. O Oraculum propõe uma abordagem integrada, na qual métricas monitoradas são processadas continuamente para gerar predições e selecionar ações antes que falhas de desempenho se manifestem. A arquitetura é composta por três componentes principais. O primeiro é o SHiELD, um simulador de dados de sensores que gera séries temporais sintéticas por meio de modelos ARIMA e aplica heurísticas de filtragem, agregação e compressão para simular variabilidade contextual e reduzir o custo de processamento. O segundo é o OntOraculum, uma ontologia semântica que organiza as métricas em cinco categorias e permite a classificação de alertas e a inferência de anomalias por meio de regras SWRL e consultas SPARQL. O terceiro é o mecanismo de adaptação, que utiliza modelos de regressão e classificação para prever o comportamento das métricas e aplica um agente de aprendizado por reforço baseado em um Processo de Decisão de Markov (MDP), capaz de selecionar ações como escalonamento de recursos, ajuste de agendamento ou reconfiguração de serviços. Esse agente também conta com um processo de retreinamento periódico baseado em dados recentes. Toda a arquitetura opera em ciclo fechado, no qual as decisões são antecipadas com base nas predições e inferências. O sistema inclui ainda pipelines automatizados para criação de datasets, treinamento de modelos, ajuste de hiperparâmetros e aprendizado contínuo, tanto para os modelos preditivos quanto para o agente de RL. A validação foi realizada em um ambiente controlado com variações de carga simuladas, e os resultados foram coletados a partir de indicadores como uso de CPU, memória, latência e acurácia dos modelos. As contribuições deste trabalho incluem: (i) a proposta de uma arquitetura integrada que une monitoramento, predição, validação semântica e adaptação; (ii) o desenvolvimento do SHiELD para geração de dados sintéticos e pré-processamento heurístico; (iii) a modelagem do OntOraculum para classificação de métricas e inferência de alertas; (iv) a implementação de uma estratégia de predição para antecipação de alertas e redução de atrasos na adaptação; e (v) o projeto de um motor de aprendizado por reforço com ações parametrizáveis e retreinamento programado.