Comparação de Sistemas Periciais

O domínio da Inteligência Artificial propõe vários tipos de sistemas periciais que permitem simular o trabalho de um especialista humano. Em [Gardner 96] [Meira 97]

[Lin 98] e [Lewis 99c] são sugeridos e comparados vários tipos de sistemas periciais que permitem correlacionar eventos para detectar situações com problemas, e resolvê- las. No resto desta subsecção apresentam-se resumidamente alguns deles.

A lógica difusa [Kruse 94] permite traduzir valores numéricos de propriedades em probabilidade de pertença a conjuntos difusos. A figura 3.4 ilustra como se pode converter o valor da carga em classificações difusas como “baixa”, “média” e “alta”.

Depois trabalha-se com regras em termos das classificações difusas. Por exemplo: se a

carga é “alta” e o débito é “baixo”, então a qualidade é “fraca”, o aviso é “alerta”, e o redireccionamento de pedidos é “pequeno aumento”. Finalmente, depois de aplicar as regras difusas, deve-se converter os termos difusos obtidos de volta para parâmetros numéricos que possam ser utilizados no sistema real, invertendo-se o passo inicial. Uma vantagem da lógica difusa é poder trabalhar-se com conceitos imprecisos, vagos, ou incertos. No entanto, é necessário um sistema adicional para definir as regras a utilizar.

[Valimaa 95] apresenta um exemplo de um sistema de geração de parâmetros de QoS utilizando lógica difusa.

P

20 Carga

10 1

0

Baixa Média Alta

30 40

Figura 3.4: Conceitos difusos de carga “baixa”, “média” e “alta”.

As redes neuronais [Lippmann 87] simulam o funcionamento dos neurónios humanos, podendo ser utilizadas para aprender quais as respostas pretendidas para estímulos dados. A figura 3.5 ilustra o funcionamento de um neurónio artificial. As entradas são multiplicadas por pesos e somadas, obtendo-se uma média ponderada que é passada por uma função, normalmente não linear, para produzir a saída. Os pesos das entradas podem ser ajustados por um algoritmo de aprendizagem, aplicando sequências de treino com respostas conhecidas. As redes neuronais normalmente têm várias camadas com múltiplos neurónios, o que permite uma aprendizagem de padrões mais complexos do que com apenas uma única camada. Uma desvantagem das redes neuronais é a necessidade de realizar um treino prévio com grandes quantidades de pares de entradas e saídas, que normalmente não estão disponíveis em gestão. Além disso, as redes neuronais são incapazes de explicar o porquê das respostas produzidas.

[Vieira 96] apresenta um exemplo de um sistema baseado em redes neuronais para detecção e classificação de falhas num ambiente de gestão de sistemas Unix. [Ensel 99]

utiliza redes neuronais para correlacionar tráfego em várias máquinas e assim inferir dependências entre serviços nas várias máquinas.

x1

pesos

f(s)

somador x₂

x_n

y

função de activação

Σ

w1

w2

w_n

s

Figura 3.5: Neurónio artificial de uma rede neuronal.

Os sistemas de raciocínio baseados em regras (rule-based reasoning) têm uma máquina de inferência, que utiliza um conjunto de regras de inferência para, com base nos factos detectados, decidir as acções a tomar. Uma grande desvantagem destes sistemas é ter de se prever regras para todos os casos, o que é complicado de fazer e manter actualizado.

Os sistemas de raciocínio baseados em casos (case-based reasoning) contêm um registo de casos anteriores e as respectivas soluções, com os quais comparam o caso actual, para obter a melhor solução. Estes sistemas guardam no registo a experiência ganha para a solução dos novos casos, mas são incapazes de encontrar uma solução se não encontrarem nenhum problema semelhante no seu registo.

Os sistemas de raciocínio baseados em modelos (model-based reasoning) utilizam modelos da estrutura e comportamento dos sistemas reais para detectar os problemas por comparação entre a observação e a previsão dos modelos. Estes sistemas periciais têm a vantagem de poder detectar problemas que nunca ocorreram, mas é muito complicado de capturar nos modelos toda a estrutura e comportamento dos sistemas modelados.

Os sistemas baseados em autómatos, ou grafos de transição de estados (state- transition graph), utilizam um grafo de arcos e estados, que é percorrido até se encontrar uma solução. A cada estado está associada uma acção a realizar, e, consoante

problema. Embora os grafos possam ser reutilizados para diferentes tipos de componentes, exigem uma cuidadosa construção, e não têm capacidade de aprendizagem, ou adaptação a novas situações.

Os sistemas baseados em correlação por codificação (coding approach), também chamados livro de código (codebook), utilizam uma matriz onde cada linha corresponde a um evento, e cada coluna a um problema. A correlação é feita através da escolha nesta matriz do problema cuja codificação mais se aproxima ao padrão de eventos detectado.

Este método é computacionalmente muito eficiente, mas é complicado construir a matriz inicial, e é necessário recompilá-la por cada modificação. [Yemini 96] usa este método para detecção de falhas.

Os sistemas baseados em redes bayesianas, também chamadas redes causais, ou redes de crença, utilizam um grafo acíclico dirigido, no qual os nós representam conhecimento incerto, e os arcos dependências de causas e efeitos entre os nós. Os arcos expressam a distribuição de probabilidade para cada nó efeito, com base nas probabilidades dos nós causa. Partindo de um conjunto de evidências, isto é, nós com valores conhecidos, é possível calcular as probabilidades condicionais dos outros nós.

Este método permite trabalhar com conhecimento incompleto, mas apresenta as mesmas desvantagens dos sistemas baseados em regras. [Hood 98] usa redes bayesianas para detecção de falhas.

É possível construir modelos ARMA (AutoRegressive Moving Average) de sistemas a partir de históricos de medições, podendo depois estudar-se a aplicação de controladores aos sistemas. [Parekh 01] aplica este método para construir um modelo de um servidor de correio electrónico. Depois constrói um controlador que permite controlar a carga do servidor de forma a oferecer uma certa QoS.

Da comparação dos vários sistemas, conclui-se que não há nenhum que seja óptimo para resolver os diferentes tipos de problemas de gestão de redes e sistemas. Os factores mais importantes na escolha de um sistema são: facilidade de construção de um modelo da rede e dos sistemas; facilidade de aprendizagem, ou adaptação a novas situações; exactidão das respostas fornecidas; facilidade de implementação; e desempenho do sistema.

Todos os sistemas são úteis na detecção de falhas, pelo que também podem dar boas indicações sobre a QoS que se está a obter. No que diz respeito a agir no sentido de

melhorar, ou assegurar a QoS, qualquer deles necessita que um especialista no problema em causa programe a solução.