Organisation  de  l’étude

Um dos desafios é o fato de aferir se as técnicas aplicadas irão resultar em um real aumento da confiabilidade dos sistemas. Como em grande parte dos ambientes computacionais, as falhas podem acontecer de forma aleatória e incontrolável, portanto, testar os componentes do IMAM em um ambiente de produção é visto como uma perspectiva para a avaliação de suas funcionalidades. Neste trabalho, dois módulos do IMAM foram desenvolvidos. Porém, como todo produto, há sempre margem para melhorar. Nesse

Capítulo 7. Conclusão e Perspectivas 87

contexto, é primordial a necessidade de desenvolvimento do componente ACM, principal componente da ferramenta, o qual irá utilizar o modelo de aprendizado de máquina definido neste trabalho. A hipótese considera que o IMAM possa detectar e predizer anomalias e falhas, auxiliando o suporte e a manutenção da disponibilidade e da confiabilidade da Plataforma de Assistência Remota em saúde baseada em IoT.

É natural que o IMAM evolua à medida que as outras aplicações Plataforma de Assistência Remota também evoluam. Nessa perspectiva, buscando melhorar o sistema proposto neste trabalho algumas perspectivas de trabalhos futuros são destacadas a seguir. Conforme mencionado no Capítulo 4, em ambientes críticos a prioridade deve ser definir estratégias que diminuam ou que possam mitigar as falhas. Para isso, o IMAM especifica os passos de controle, que se referem a comandos que podem ser executados nos casos de identificação de falhas ou em um cenário que apresente anomalias e a iminência de uma possível indisponibilidade ocorrer. Dessa forma, evoluir a implementação desse mecanismo baseado em modelos de sistemas auto adaptativos é algo a ser apreciado. Existem diversas técnicas que permitem ao software se adaptar ao ambiente de execução, possibilitando que sua estrutura seja modificada para reparar erros, melhorar o desempenho, aumentar a disponibilidade e a segurança. Na perspectiva do modelo de Aprendizado de Máquina, a inclusão de novos atributos e a utilização de novas técnicas baseadas não somente de predição, mas também em regressão, é algo que pode ser considerado. Nesse sentido, um novo modelo poderia ser concebido com características específicas para tais objetivos. Em relação à interpretação dos agrupamentos, cabe um estudo mais aprofundado sobre outras abordagens de classificação de níveis de sobrecarga no ambiente ou, até mesmo, considerar outras perspectivas de análises que possibilitem o entendimento da saúde de ambiente computacional de forma mais clara e completa.

É bem provável que a evolução da Plataforma de Assistência Remota traga novos desafios relacionados à disponibilidade, confiabilidade e segurança. Assim, estudos poderiam ser feitos em função desses novos requisitos, principalmente, em relação à segurança da informação. Visto que o IMAM é uma ferramenta de monitoramento do ambiente computacional, suas funcionalidades poderiam ser estendidas a ponto de serem utilizadas para análises de segurança em componentes e de tráfego de dados na rede do ambiente.

88

Referências

ABNT. NBR ISO/IEC 9126 - Avaliação de Produto de Software - Características da

Qualidade e Diretrizes para seu Uso. Rio de Janeiro, Brazil, 1994. Citado 2 vezes nas

páginas 23e 24.

ACETO, G.; BOTTA, A.; DONATO, W. D.; PESCAPÈ, A. Cloud monitoring: A survey.

Computer Networks, Elsevier, v. 57, n. 9, p. 2093–2115, 2013. Citado na página 40. ANDERSON, T.; LEE, P. Fault tolerance: Principles and practice. [S.l.]: Prentice-Hall International, Inc. Englewood Cliffs, New Jersey, USA, 1981. Citado na página 18. AVIZIENIS, A. Infraestructure-based design of fault-tolerant systems. [S.l.: s.n.], 1998. v. 98. 12–14 p. Citado na página 18.

BARROCA, I. M.; AQUINO, G. S. Proposing an iot-based healthcare platform to integrate patients, physicians and ambulance services. International Conference on

Computational Science and Its Applications, p. 188–202, mar. 2017. Citado 2 vezes nas

páginas 48e 49.

BASS, L.; CLEMENTS, P.; KAZMAN, R. Software Architecture in Practice. 3rd. ed. New York, EUA: JPearson Education, Inc.„ 2003. Citado 3 vezes nas páginas 23, 24 e25. BERRY, M. J. A.; LINOFF, G. S. Mastering Data Mining. [S.l.]: Wiley & Sons, 2000. Citado na página 30.

BERRY, M. J. A.; LINOFF, G. S. Data Mining Techniques: For Marketing, Sales, and

Customer Relationship Management. [S.l.]: John Wiley & Sons, 2011. Google-Books-ID:

AyQfVTDJypUC. ISBN 978-1-118-08745-9. Citado na página 29.

BONCEA, R.; BACIVAROV, I. A system architecture for monitoring the reliability of iot.

5th International Conference on Quality and Dependability, 2016. Citado na página 41. CAPPUCCIO, D. Ensure cost balances out with risk in highavailability data centers.

Gartner, July, 2013. Citado na página 19.

CHEN, Z.; XU, G.; MAHALINGAM, V.; GE, L.; NGUYEN, J.; YU, W.; LU, C. A cloud computing based network monitoring and threat detection system for critical infrastructures. Big Data Research, v. 3, p. 10–23, 2015. Citado na página 39.

CONSTANTINESCU, Z.; VLăDOIU, M.; MOISE, G. Viznet – dynamic visualization of networks and internet of things. Networking in Education and Research: RoEduNet

International Conference 15th Edition, RoEduNet 2016 - Proceedings, n. 7753217, nov.

2016. Citado 2 vezes nas páginas 18e 39.

FACELI, K.; CARVALHO, A.; LORENA, A. C.; GAMA, J. Inteligência Artificial: Uma

abordagem de aprendizado de máquina. [S.l.]: Grupo Gen-LTC, 2011. Citado 3 vezes nas

Referências 89

FATEMA, K.; EMEAKAROHA, V. C.; HEALY, P. D.; MORRISON, J. P.; LYNN, T. A survey of cloud monitoring tools: Taxonomy, capabilities and objectives. J. Parallel

Distrib. Comput., v. 74, p. 2918–2933, 2014. Citado na página 41.

FERRERA, E.; CONZON, D.; BRIZZI, P.; ROSSINI, R.; PASTRONE, C.; JENTSCH, M.; KOOL, P.; KAMIENSKI, C.; SADOK, D. Xmpp-based infrastructure for iot network management and rapid services and applications development. Annals of

Telecommunications, v. 72, n. 7, p. 443–457, Aug 2017. ISSN 1958-9395. Citado na página

41.

GAN, G.; MA, C.; WU, J. Data clustering - theory, algorithms, and applications. [S.l.]: SIAM, 2007. I-XXII, 1-466 p. Citado na página 28.

HALKIDI, M.; BATISTAKIS, Y.; VAZIRGIANNIS, M. Clustering validity checking methods: part ii. SIGMOD Rec., ACM, New York, NY, USA, v. 31 (3), p. 19–27, September 2002. Citado na página 30.

IHS. Businesses losing 700 billion a year to it downtime, says ihs. England, jan. 2016. Disponível em: <http://news.ihsmarkit.com/press-release/technology/ businesses-losing-700-billion-year-it-downtime-says-ihs>. Citado na página 20.

LEVY, M.; HALLSTROM, J. O. A new aproach to data center infrastruture monitoring and management. IEEE International Conference on Communications Workshops, 2017. Citado na página 38.

LORENA, A. C.; CARVALHO, A. C. P. L. F. d. Uma Introdução às Support Vector Machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 43–67, 2007. ISSN 21752745. Citado na página 29.

LUCHIAN, E.; DOCOLIN, P.; DOBROTA, V. Advanced monitoring of the openstack nfv infrastructure: A nagios approach using snmp. 12th IEEE International Symposium on

Electronics and Telecommunications (ISETC), p. 27–28, 2016. Citado na página 39. MILLER, K. B.; BRANDON, E. R. Improving network monitoring and security via visualization. CoRR, abs/1511.08795, 2015. Citado na página 40.

MITCHELL, T. M. Machine learning. 1997. Burr Ridge, IL: McGraw Hill, v. 45, n. 37, p. 870–877, 1997. Citado na página 29.

PRADHAN, D. K. (Ed.). Fault-tolerant Computer System Design. Upper Saddle River, NJ, USA: Prentice-Hall, Inc., 1996. ISBN 0-13-057887-8. Citado na página 24.

PRESSMAN, R.; MAXIM, B. Software Engineering. 8th. ed. New York, USA: McGraw-Hill Education„ 2014. Citado na página 23.

SAVIć, M. Bridging the snmp gap: Simple network monitoring the internet of things.

Facta Universitatis Series: Electronics and Energetics, v. 29, n. 3, p. 475–487, set. 2016.

Citado na página 38.

SILVA, C. V. d.; MOURA, D. C. d.; CAMPOS, D. d. C.; NERY, P. Gqm - goal question metric. Recife, Brasil, 2009. Citado na página 32.

SILVA, P. T.; TORRES, C. B. Gestão e Liderança Para Profissionais de Ti. 1yh. ed. [S.l.]: FCA, 2010. Citado na página 18.

Referências 90

SIMISCUKA, A. A.; MUNTEAN, C. H.; MUNTEAN, G.-M. A network scheme for an internet of things. IEEE International Conference on Communications Workshops, 2017. Citado na página 38.

SOLINGEN, R. V.; BASILI, V.; CALDIERA, G.; ROMBACH, H. D. Goal question metric (gqm) approach. Encyclopedia of software engineering, Wiley Online Library, 2002. Citado na página 32.

SOLINGEN, R. V.; BERGHOUT, E. The Goal/Question/Metric Method: a practical

guide for quality improvement of software development. [S.l.]: McGraw-Hill, 1999. Citado

na página 32.

STALLINGS, W. SNMP,SNMPV2,Snmpv3,and RMON 1 and 2. 3rd. ed. Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc., 1998. ISBN 0201485346. Citado na página 27.

STANGANELLI, J. The high price of it downtime. USA, jan. 2016. Disponível em:

<http://www.networkcomputing.com/networking/high-price-it-downtime/856595126>. Citado na página 20.

SUTHAHARAN, S. Big data classification: Problems and challenges in network intrusion prediction with machine learning. SIGMETRICS Perform. Eval. Rev., ACM, New York, NY, USA, v. 41, n. 4, p. 70–73, abr. 2014. ISSN 0163-5999. Disponível em:

<http://doi.acm.org/10.1145/2627534.2627557>. Citado na página 41.

TOKUDA, Z.; TAKURO; YONEZAWA; NAKAZAWA, J. Amonitoring dependability of city-scale iot using d-case. IEEE World Forum on Internet of Things (WF-IoT), 2014. Citado na página 40.

TRIVEDI, K. S.; BOBBIO, A. Reliability and Availability Engineering Modeling, Analysis,

and Applications. 1st. ed. Cambridge, UK: Cambridge University Press„ 2017. Citado na

página 25.

TRUONG, H.-L.; COPIL, G.; DUSTDAR, S.; LE, D.-H.; MOLDOVAN, D.; NASTIC, S. icomot - a toolset for managing iot cloud system. IEEE International Conference on

Mobile Data Management, 2016. Citado na página 39.

VACARO, J. C.; WEBER, T. S. Injeção de falhas na fase de teste de aplicações distribuídas. Anais do XX Simpósio Brasileiro de Engenharia de Software, v. 1, p. 161–176, 2006. Citado na página 65.

WITTEN, I. H.; FRANK, E.; TRIGG, L.; HALL, M.; HOLMES, G.; CUNNINGHAM, S. J. Weka: Practical Machine Learning Tools and Techniques with Java Implementations. 1999. Citado na página 68.

WRIGHT, P.; MANIERI, A. Internet of things in the cloud - theory and practice. 2014. Citado na página 40.

WYNSTON, M. Cisco Enterprise Management Solutions: Volume I. [S.l.]: Cisco Press, 2001. ISBN 1587050064. Citado na página 27.

XU, R.; WUNSCH, D. Survey of clustering algorithms. IEEE Transactions on Neural

Networks, v. 16, n. 3, p. 645–678, maio 2005. ISSN 1045-9227. Citado 2 vezes nas páginas

Referências 91

YASEEN, Q.; JARARWEH, Y.; AL-AYYOUB, M.; ALDWAIRI, M. Collusion attacks in internet of things: Detection and mitigation using a fog based model. Sensors Applications