Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.292
Aluna: Alana Ingrid Fernandes Costa da Silva
Orientador: Prof. Vinicius Cardoso Garcia
Coorientador: Prof. Jackson Raniel Florencio da Silva (UPE/Caruaru)
Título: XAI-FinOps: Um Framework de Inteligência Artificial Explicável para Autoescalonamento e Detecção de Anomalias em Microsserviços Nativos da Nuvem
Data: 21/07/2026
Hora/Local: 8h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Kiev Santos da Gama (UFPE / Centro de Informática)
Prof. Gustavo Henrique Lima Pinto (UFPA / DCC)
Prof. Vinicius Cardoso Garcia (UFPE / Centro de Informática)
RESUMO:
A adoção crescente de arquiteturas de microsserviços em plataformas Kubernetes evidenciou uma limitação dos mecanismos tradicionais de autoescalonamento: o Horizontal Pod Autoscaler (HPA) nativo opera sobre métricas locais de CPU e memória e não distingue o serviço que origina uma degradação de latência dos serviços que propagam seus sintomas em cascata. O resultado são escalonamentos direcionados a serviços sintomáticos, desperdiçando recursos sem eliminar a causa raiz, em contradição com as práticas de FinOps. Para endereçar essa lacuna, esta dissertação propõe e avalia o framework XAI-FinOps, sistema autônomo que integra o ciclo de controle MAPE-K com Inteligência Artificial Explicável sob o princípio de causalidade antes de reatividade. A identificação da causa raiz é realizada por Correlação de Pearson com restrição topológica ao subgrafo upstream do serviço anômalo, derivado do grafo de dependências extraído via Istio, evitando falsos positivos por propagação. Um modelo ARIMA(2,1,0) confirma tendências persistentes de violação de SLA antes de autorizar qualquer escalonamento. Cada ciclo de decisão gera evidências auditáveis estruturadas, tornando o raciocínio do sistema verificável por operadores SRE.
O artefato foi avaliado empiricamente pela metodologia Design Science Research em três cenários de injeção de falha sobre a aplicação Google Online Boutique, com cinco execuções independentes por cenário (n = 5). No Cenário A (falha direta em serviço folha), o framework obteve Precisão de 83,3%, Revocação Funcional de 100%, tempo até a primeira ação de aproximadamente 90s, MTTR de 61s e redução de 67% no custo FinOps por incidente. No Cenário B, com propagação indireta da falha, a restrição topológica identificou corretamente a causa raiz em todos os escalonamentos executados, com taxa de supressão reprodutível entre execuções (IC 95%: [61,3%; 78,2%]). O CenárioC delimitou a fronteira de validade do método: a identificação causal falha quando o serviço-alvo apresenta variância nula no baseline, motivando um mecanismo de fallback como trabalho futuro. O grupo de controle com KEDA obteve Precisão de apenas 17,1% (IC 95%: [9,1%; 33,7%]) e tempo de resposta 9,4 vezes superior, confirmando que a ausência de restrição topológica é o fator estrutural do superprovisionamento em cenários de propagação em cascata.
Palavras-chave: Kubernetes. Autoescalonamento. Inteligência Artificial Explicável. FinOps. MAPE-K. Microsserviços. Análise de Causa Raiz. Controle Estatístico de Processos
Comentários desativados