Spelling suggestions: "subject:"serie temporal"" "subject:"eerie temporal""
21 |
[en] ANOMALY DETECTION IN DATA CENTER MACHINE MONITORING METRICS / [pt] DETECÇÃO DE ANOMALIAS NAS MÉTRICAS DAS MONITORAÇÕES DE MÁQUINAS DE UM DATA CENTERRICARDO SOUZA DIAS 17 January 2020 (has links)
[pt] Um data center normalmente possui grande quantidade de máquinas com diferentes configurações de hardware. Múltiplas aplicações são executadas e software e hardware são constantemente atualizados. Para evitar a interrupção de aplicações críticas, que podem causar grandes prejuízos financeiros, os administradores de sistemas devem identificar e corrigir as falhas o mais cedo possível. No entanto, a identificação de falhas em data centers de produção muitas vezes ocorre apenas quando as aplicações e serviços já estão indisponíveis. Entre as diferentes causas da detecção tardia de falhas estão o uso técnicas de monitoração baseadas apenas em thresholds. O aumento crescente na complexidade de aplicações que são constantemente atualizadas torna difícil a configuração de thresholds ótimos para cada métrica e servidor. Este trabalho propõe o uso de técnicas de detecção de anomalias no lugar de técnicas baseadas em thresholds. Uma anomalia é um comportamento do sistema que é incomum e significativamente
diferente do comportamento normal anterior. Desenvolvemos um algoritmo para detecção de anomalias, chamado DASRS (Decreased Anomaly Score by Repeated Sequence) que analisa em tempo real as métricas coletadas de servidores de um data center de produção. O DASRS apresentou excelentes
resultados de acurácia, compatível com os algoritmos do estado da arte, além de tempo de processamento e consumo de memória menores. Por esse motivo, o DASRS atende aos requisitos de processamento em tempo real de um grande volume de dados. / [en] A data center typically has a large number of machines with different hardware configurations. Multiple applications are executed and software and hardware are constantly updated. To avoid disruption of critical applications, which can cause significant financial loss, system administrators should identify and correct failures as early as possible. However, fault-detection in production data centers often occurs only when applications and services are already unavailable. Among the different causes of late fault-detection are the use of thresholds-only monitoring techniques. The increasing complexity of constantly updating applications makes it difficult to set optimal thresholds for each metric and server. This paper proposes the use of anomaly detection techniques in place of thresholds based techniques. An anomaly is a system behavior that is unusual and significantly different from the previous normal behavior. We have developed an anomaly detection algorithm called Decreased Anomaly Score by Repeated Sequence (DASRS) that analyzes real-time metrics collected from servers in a production data center. DASRS has showed excellent accuracy results, compatible with state-of-the-art algorithms, and reduced processing time and memory
consumption. For this reason, DASRS meets the real-time processing requirements of a large volume of data.
|
22 |
[pt] MODELOS DE SIMULAÇÃO PARA ANÁLISE DE INCERTEZA NA PREVISÃO DE PRODUÇÃO DE ÓLEO EM PLATAFORMAS DA BACIA DE CAMPOS / [en] SIMULATION MODELS FOR UNCERTAINTY ANALYSIS IN OIL PRODUCTION FORECASTING ON PLATFORMS IN THE CAMPOS BASINVITOR HUGO PINHEIRO MARQUES 06 November 2023 (has links)
[pt] A produção de petróleo possui alta relevância em âmbito brasileiro e
mundial. Por outro lado, a incerteza do setor presume alta variabilidade nas
previsões de produção de óleo, e exerce um impacto significativo nas decisões. O
estudo contempla analisar o cenário da bacia geográfica de Campos, em estudo de
caso aplicado em empresa nacional de óleo e gás, com objetivo de aprimorar a
previsão de produção de óleo. Para isso, são empregados métodos de simulação,
clusterização e previsão, sendo integrados com julgamento humano. Busca-se
inferir as incertezas inerentes às atividades, analisar os principais riscos envolvidos
e subsidiar a definição das metas de produção. Com esse intuito, foi desenvolvida
uma modelagem orientada a dados, por meio da criação de um simulador com
linguagem de programação em R. Os dados compreendem os anos de 2017 a 2021,
e a projeção é realizada para o ano de 2022. O modelo incorpora julgamento
humano durante o processo, permitindo que os especialistas realizem
modificações no resultado das previsões, agregando sua experiência e informações
exclusivas. A análise de série temporal avalia oito métodos de previsão, seu
resultado mostra que a entidade do potencial produtivo apresenta menor erro do
que na eficiência, e o método TBATs obteve o menor erro na predição. A análise
do planejamento das paradas e entrada dos novos poços é realizada por meio de
análise gráfica, observando os principais riscos relacionados. Por fim, o simulador
apresenta proposta para auxiliar na definição das metas de produção, ele verifica
a probabilidade para alcançar a meta com base nos resultados das simulações. / [en] Oil production has Brazilian and World importance. However, the
randomness of the sector results a high variability in oil production forecasts. This
variability has a significant impact on decisions. The study analyzes the
challenging scenario at geographic Campos basin, in a case applied in a national
energy company. The objective is to improve the risk analysis associated with the
achievement of oil production targets. Simulation, clustering, and time series
forecasting methods are employed, integrating into human judgment. It tries to
infer the uncertainties inherent of the activities to increase the accuracy of oil
production forecasts, analyze the main risks involved, and subsidize the definition
of production targets. A data-driven model is developed, creating a simulator with
R language. The data used the years 2017 to 2021, and the projection is made for
the year 2022. Human judgment is incorporated into the model during the process,
specifying the input parameters to enable experts to make modifications based on
the predictions, adding their unique experience and information. The time series
analysis eight prediction methods, the results show that the oil potential presents
less error than in the production efficiency, and TBATS was the prediction method
that obtained the lowest prediction error. The main risks related to the maintenance
planning and the entry of new wells are identified through graphical analysis.
Finally, the simulator presents a possible solution to help define production goals,
it verifies the probability of reaching the goal based on the simulation results.
|
Page generated in 0.05 seconds