Linha de pesquisa: Sistemas de Computação

Resumo: O constante crescimento da demanda energética em infraestruturas computacionais, impulsionado pela expansão de aplicações distribuídas e pela intensificação do uso de in teligência artificial, torna a previsão de potência um elemento relevante para estratégias de gerenciamento de recursos e balanceamento de carga. Neste contexto, esta dissertação investiga a utilização da arquitetura Temporal Fusion Transformer (TFT) para previ são multivariada e de múltiplos passos da potência elétrica em ambientes computacio nais, visando avaliar sua utilização como alternativa ao mecanismo preditivo empregado pelo componente NeuroScaler da plataforma NEURONET. Para isso, foi desenvolvida uma infraestrutura experimental capaz de gerar cargas computacionais sintéticas e co letar métricas provenientes de múltiplas camadas da infraestrutura, incluindo os níveis físico, de virtualização, sistema operacional e contêineres. As informações obtidas fo ram integradas em uma base temporal unificada, submetidas a etapas de sincronização, pré-processamento e engenharia de atributos e utilizadas no treinamento e avaliação do modelo TFT. Cinco cenários experimentais foram avaliados, variando a duração da base de dados, a intensidade da carga computacional e o horizonte de previsão. O desempenho foi mensurado por meio das métricas Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE) e Symmetric Mean Absolute Percentage Error (SMAPE). Os resultados mostraram que o TFT manteve MAPE inferior a 2% em todos os cenários avaliados, alcançando 1.40% no melhor caso, além de apre sentar erros inferiores ao mecanismo preditivo utilizado pelo NeuroScaler sob condições experimentais equivalentes. A análise das combinações de variáveis também demonstrou que a utilização de informações provenientes de diferentes camadas pode fornecer dados complementares ao modelo, embora a inclusão de um maior número de fontes não resulte necessariamente em maior precisão. Os resultados evidenciam o potencial do TFT como mecanismo de previsão para aplicações de gerenciamento energético e fornecem uma base para sua futura integração ao ciclo de controle do NeuroScaler.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...