Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: FELIPE MESSIAS DUARTE DOS SANTOS
DATA: 02/09/2026
HORA: 14:30
LOCAL: Sala virtual no meet
TÍTULO: LeadLog: Detecção Proativa de Anomalias em Logs de Sistemas Distribuídos com Mensuração de Tempo de Antecipação
PALAVRAS-CHAVES: Detecção de anomalias; logs de sistemas; tempo de antecipação; Transformer causal; sistemas distribuídos
PÁGINAS: 77
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
RESUMO:

A confiabilidade de sistemas distribuídos em nuvem depende de detectar anomalias ope-
racionais antes que se tornem falhas explícitas. Os métodos de detecção de anomalias em
logs são avaliados quase exclusivamente por métricas de classificação binária, como F1-
Score, Precisão e Revocação, que medem a capacidade de distinguir sessões normais de
anômalas mas ignoram o intervalo entre o alerta e a manifestação da falha. Esse intervalo,
denominado Tempo de Antecipação (lead time), é o único período em que ações corretivas
são operacionalmente possíveis, e nenhum dos 26 métodos revisados sistematicamente na
literatura o reporta.
Este trabalho propõe o LeadLog, um sistema one-class de detecção proativa treinado
exclusivamente em logs de operação normal, sem exigir exemplos rotulados de falha. O
LeadLog aprende o padrão sequencial de eventos normais por meio de Modelagem de
Linguagem Causal (CLM) e utiliza a entropia cruzada da predição do próximo evento
como pontuação de anomalia, emitindo alertas evento a evento em fluxo contínuo e sem
acesso a eventos futuros. Dois mecanismos de detecção complementares são selecionados
com base em critérios objetivos do sistema monitorado: o Limiar Estatístico, para sistemas
com dados normais abundantes e vocabulário de templates reduzido, e o Top-K, para
sistemas com poucos dados normais e alta variabilidade de templates.
O sistema é avaliado em dois benchmarks públicos do repositório LogHub com perfis de
falha contrastantes: HDFS (11,2 milhões de linhas, 72.661 sessões) e OpenStack (≈90.000
linhas, 197 sessões). No HDFS, o LeadLog atinge F1-Score de 88,18% e AUROC de
0,90 com 53% das sessões detectadas apresentando Tempo de Antecipação positivo e
mediana de 16 minutos, valor 54 vezes superior ao único trabalho anterior que mensura
essa dimensão em logs de sistemas em nuvem. No OpenStack, alcança recall de 100% e
AUROC de 0,982, antecipando 62,7% das sessões com média de 3,8 minutos em tempo
real. Seis testes estatísticos independentes confirmam a significância dos resultados em
ambos os benchmarks (p < 0,001).
A análise cruzada revela que a física das falhas, e não a capacidade do detector, deter-
mina o teto de antecipação alcançável. Falhas com degradação sequencial progressiva são
antecipadas de forma confiável, enquanto eventos instantâneos sem precursores nos logs
representam o limite teórico de qualquer método baseado exclusivamente nessa fonte. Este
trabalho estabelece o Tempo de Antecipação como critério primário de avaliação para de-
tecção proativa de anomalias, conectando a métrica acadêmica à utilidade operacional
real de equipes de SRE em ambientes de produção.

MEMBROS DA BANCA:
Presidente - 2619458 - ERICO MENESES LEAO
Interno - 1732950 - JOSE VALDEMIR DOS REIS JUNIOR
Interno - 2061294 - RICARDO DE ANDRADE LIRA RABELO
Externo à Instituição - 752.***.***-49 - CARLOS MONTEZ - UFSC

Cadastrada em: 17/08/2026