Gerência de falhas em redes: uma abordagem usando aprendizado de máquinas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSousa, Cledson Oliveira de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7195080748145566-
Autor(es): dc.contributorBastos, Carlos Alberto Malcher-
Autor(es): dc.contributorMedeiros, Dianne Scherly Varela de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3893443965271505-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0476236923823429-
Autor(es): dc.creatorRodrigues, Júlia Maia Guimarães-
Autor(es): dc.creatorOliveira, Marielly da Silva de-
Data de aceite: dc.date.accessioned2025-01-03T11:42:40Z-
Data de disponibilização: dc.date.available2025-01-03T11:42:40Z-
Data de envio: dc.date.issued2024-07-25-
Data de envio: dc.date.issued2024-07-25-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/33659-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/920280-
Descrição: dc.descriptionA gerência de falhas em redes é fundamental para garantir o funcionamento contínuo e eficiente das infraestruturas de comunicação. Ela é de grande importância para assegurar a disponibilidade e a confiabilidade dos serviços de rede, minimizando o impacto de possíveis interrupções no desempenho e na produtividade. Atualmente, a gerência de falhas é realizada por meio de métodos tradicionais, que envolvem monitoramento manual e resposta reativa, bem como através de abordagens mais modernas, que utilizam tecnologias avançadas como o Aprendizado de Máquina para prever e mitigar problemas de forma proativa. Neste trabalho, apresenta-se a base teórica sobre gerenciamento de falhas, incluindo as normas utilizadas, o modelo FCAPS (Fault, Configuration, Accounting, Performance, Security) e o framework ITIL (Information Technology Infrastructure Library). O objetivo deste estudo é demonstrar duas abordagens para a análise de falhas em uma rede de service desk: o método tradicional e a modelagem utilizando Aprendizado de Máquina. Ambas abordagens buscam evidenciar como a integração de técnicas de IA (Inteligência Artificial) e uso de melhores práticas podem aprimorar o gerenciamento de falhas, aumentando a eficiência na identificação e resolução de problemas na rede-
Descrição: dc.descriptionFault management in networks is an essential process to ensure the continuous and efficient operation of communication infrastructures. It is of great importance to guarantee the availability and reliability of network services, minimizing the impact of possible interruptions on performance and productivity. Currently, fault management is performed through traditional methods, which involve manual monitoring and reactive responses, as well as through more modern approaches that use advanced technologies such as machine learning to proactively predict and mitigate problems. In this work, the theoretical basis of fault management is presented, including the standards used, the FCAPS model, and the ITIL framework. The objective of this study is to demonstrate two approaches for fault analysis in a service desk network: the traditional method and modeling using Machine Learning. Both approaches seek to show how the integration of AI (Artificial Intelligence) techniques and the use of best practices can improve fault management, increasing efficiency in identifying and resolving network problems-
Descrição: dc.description74 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectGerência de falhas-
Palavras-chave: dc.subjectRede de service desk-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectRede de comunicação de computadores-
Palavras-chave: dc.subjectFault management-
Palavras-chave: dc.subjectService desk network-
Palavras-chave: dc.subjectFCAPS-
Palavras-chave: dc.subjectITIL-
Palavras-chave: dc.subjectAI-
Palavras-chave: dc.subjectMachine learning-
Título: dc.titleGerência de falhas em redes: uma abordagem usando aprendizado de máquinas-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.