Oraculum: a model for self-adaptive system optimization in smart environments
| Orientador(a) (dc.contributor.advisor) | Barbosa, Jorge Luis Victória | |
| Coorientador(a) (dc.contributor.advisor-co1) | Leithardt, Valderi Reis Quietinho | |
| Lattes Coorientador(a) (dc.contributor.advisor-co1Lattes) | http://lattes.cnpq.br/9051317571298260 | pt_BR |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/6754464380129137 | pt_BR |
| Autor(a) (dc.contributor.author) | Noetzold, Darlan | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/8125819655622635 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2025-11-19T15:07:12Z | |
| dc.date.available (dc.date.available) | 2025-11-19T15:07:12Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2025-07-16 | |
| Abstract (dc.description.abstract) | This dissertation introduces Oraculum, a modular self-adaptive framework designed to support the monitoring, prediction, reasoning, and adaptation of distributed systems operating in smart environments. Many existing solutions treat these tasks as disconnected components, relying on static training phases, fixed adaptation logic, and reactive decision-making triggered only after system degradation is detected. Oraculum proposes an integrated approach in which monitored metrics are continuously collected and processed to generate predictions and select actions in advance of performance failures. The framework consists of three key components. SHiELD is a sensor data simulator that generates synthetic time-series data using ARIMA models and applies heuristic methods-such as filtering, aggregation, and compression-to simulate realistic variability and reduce processing overhead. OntOraculum is a semantic ontology that formalizes performance metrics into five categories and enables the system to classify and validate alerts through rule-based reasoning and SPARQL queries. The adaptation engine uses regression and classification models to forecast short-term metric behavior and integrates a reinforcement learning agent based on a Markov Decision Process (MDP), which receives contextual states and selects actions such as resource scaling, scheduling adjustment, or service reconfiguration. The RL engine also includes a retraining mechanism that periodically updates policies using new data. The entire architecture operates in a closed feedback loop, using predictions and inferred knowledge to support earlier and more informed decisions. The model includes automated pipelines for dataset creation, model training, hyperparameter tuning, and continuous learning, covering both predictive models and RL agents. Experimental validation was conducted in a containerized testbed with simulated load variation. Results were collected across multiple performance indicators, including CPU, memory, latency, and model accuracy. The contributions of this work are: (i) the proposal of an integrated framework that combines monitoring, forecasting, semantic validation, and adaptation; (ii) the development of SHiELD for synthetic data generation and heuristic preprocessing; (iii) the design of OntOraculum for metric classification and rule-based inference; (iv) the implementation of a prediction-based strategy for early alert generation to reduce adaptation delay; and (v) the modeling of an RL engine with configurable actions and scheduled policy retraining. | en |
| Resumo (dc.description.resumo) | 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. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
| URI (dc.identifier.uri) | http://repositorio.jesuita.org.br/handle/UNISINOS/13867 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Arquitetura autoadaptativa | pt_BR |
| Assunto (dc.subject) | Simulação de dados de sensores | pt_BR |
| Assunto (dc.subject) | Ontologia semântica | pt_BR |
| Assunto (dc.subject) | Aprendizado por reforço | pt_BR |
| Assunto (dc.subject) | Métricas de desempenho | pt_BR |
| Assunto (dc.subject) | Ambientes inteligentes | pt_BR |
| Assunto (dc.subject) | Self-adaptive architecture | en |
| Assunto (dc.subject) | Sensor data simulation | en |
| Assunto (dc.subject) | Semantic ontology | en |
| Assunto (dc.subject) | Reinforcement learning | en |
| Assunto (dc.subject) | Performance metrics | en |
| Assunto (dc.subject) | Intelligent environments | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | Oraculum: a model for self-adaptive system optimization in smart environments | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Darlan Noetzold_.pdf
- Tamanho:
- 8.9 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- oraculum_model
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: