[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.

[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.

[pt] A previsão de séries temporais é fundamental na tomada de decisões de curto, médio e longo prazo, em diversas áreas como o setor elétrico, a bolsa de valores, a meteorologia, entre outros. Tem-se na atualidade uma diversidade de técnicas e modelos para realizar essas previsões, mas as ferramentas estatísticas são as mais utilizadas principalmente por apresentarem um maior grau de interpretabilidade. No entanto, as técnicas de inteligência computacional têm sido cada vez mais aplicadas em previsão de séries temporais, destacando-se as Redes Neurais Artificiais (RNA) e os Sistemas de Inferência Fuzzy (SIF). Recentemente foi criado um novo tipo de RNA, denominada Echo State Networks (ESN), as quais diferem das RNA clássicas por apresentarem uma camada escondida com conexões aleatórias, denominada de Reservoir (Reservatório). Este Reservoir é ativado pelas entradas da rede e pelos seus estados anteriores, gerando o efeito de Echo State (Eco), fornecendo assim um dinamismo e um desempenho melhor para tarefas de natureza temporal. Uma dificuldade dessas redes ESN é a presença de diversos parâmetros, tais como Raio Espectral, Tamanho do Reservoir e a Percentual de Conexão, que precisam ser calibrados para que a ESN forneça bons resultados. Portanto, este trabalho tem como principal objetivo o desenvolvimento de uma ferramenta computacional capaz de realizar previsões de séries temporais, baseada nas ESN, com ajuste automático de seus parâmetros por Particle Swarm Optimization (PSO) e Algoritmos Genéticos (GA), facilitando a sua utilização pelo usuário. A ferramenta computacional desenvolvida oferece uma interface gráfica intuitiva e amigável, tanto em termos da modelagem da ESN, quanto em termos de realização de eventuais pré-processamentos na série a ser prevista. / [en] The time series forecasting is critical to decision making in the short, medium and long term in several areas such as electrical, stock market, weather and industry. Today exist different techniques to model this forecast, but statistics are more used, because they have a bigger interpretability, due by the mathematic models created. However, intelligent techniques are being more applied in time series forecasting, where the principal models are the Artificial Neural Networks (ANN) and Fuzzy Inference Systems (FIS). A new type of ANN called Echo State Networks (ESN) was created recently, which differs from the classic ANN in a randomly connected hidden layer called Reservoir. This Reservoir is activated by the network inputs, and the historic of the reservoir activations generating so, the Echo State and giving to the network more dynamism and a better performance in temporal nature tasks. One problem with these networks is the presence of some parameters as, Spectral Radius, Reservoir Size and Connection Percent, which require calibration to make the network provide positive results. Therefore the aim of this work is to develop a computational application capable to do time series forecasting, based on ESN, with automatic parameters adjustment by Particle Swarm Optimization (PSO) and Genetic Algorithms (GA), facilitating its use by the user. The developed computational tool offers an intuitive and friendly interface, both in terms of modeling the ESN, and in terms of achievement of possible pre-process on the series to be forecasted.