Detecção e interpretação de anomalias em logs de sistemas de TI por meio de inteligência artificial

Abstract

Este estudo explora a detecção de anomalias em registros de log de uma instituição financeira por meio de técnicas de aprendizado de máquina não supervisionado, combinadas com processamento de linguagem natural (Natural Language Processing - NLP) e Modelos de Linguagem de Grande Escala (Large Language Models - LLMs), utilizados para interpretação. A diversidade, o volume massivo e a natureza não estruturada dos logs representam desafios significativos para automatizar a detecção e a análise de anomalias. O trabalho propõe um fluxo de trabalho que utiliza aprendizado de máquina não supervisionado combinado com NLP para identificar anomalias e LLMs para interpretá-las, permitindo identificar causas prováveis de falhas e vulnerabilidades em sistemas de TI. O desempenho de oito modelos foi avaliado com logs do Blue Gene/L (BGL), sendo os mais eficazes validados com registros de log do Microsoft Configuration Manager (MCM), oriundos de uma instituição financeira. A validação prática desses modelos em cenários reais destaca a aplicabilidade das soluções propostas, demonstrando como técnicas de aprendizado de máquina e NLP podem ser implementadas eficazmente em ambientes complexos. Os resultados experimentais indicam que redes neurais, como Self-Organizing Map (SOM) e Autoencoders (AE), foram particularmente eficientes, atingindo F1-Scores de 0,86 e 0,80, respectivamente, quando aplicados aos logs do MCM. Este estudo não apenas comprova a eficácia dos modelos na detecção de anomalias, mas também apresenta uma abordagem prática e inovadora ao utilizar LLMs para interpretar os eventos detectados. Isso contribui para a melhoria da segurança e confiabilidade dos sistemas da instituição financeira, automatizando o monitoramento e acelerando a análise de falhas.