Análise Preditiva de Incidentes em Ambientes Multicloud com Big Data Analytics e Machine Learning: Um Estudo Aplicado ao Setor Público e Indústria

Predictive Incident Analysis in Multicloud Environments Using Big Data Analytics andMachine Learning: A Practical Study Applied to Public and Industrial Sectors

Autores

  • Ezequias Silva dos Santos Autor

DOI:

https://doi.org/10.51473/rcmos.v2i2.2022.1288

Palavras-chave:

Análise Preditiva, Multicloud, Big Data Analytics, Machine Learning, Segurança da Informação, Conformidade, Setor Público, Indústria.

Resumo

Este artigo apresenta uma abordagem avançada para análise preditiva de incidentes em ambientes multicloud, utilizando Big Data Analytics e Machine Learning (ML) para aumentar a resiliência, segurança e eficiência operacional nos setores público e industrial. A metodologia proposta integra algoritmos supervisionados e não supervisionados para processar grandes volumes de dados operacionais em tempo real, extraídos de logs, métricas e eventos, com o objetivo de antecipar falhas, ataques cibernéticos e gargalos operacionais. A abordagem é complementada por dashboards inteligentes que oferecem visualizações dinâmicas e alertas proativos, facilitando a tomada de decisão. Dois estudos de caso, envolvendo a OGMA e a SPMS, ambas organizações portuguesas, demonstram a aplicação prática do modelo, evidenciando melhorias em eficiência, conformidade regulatória e continuidade de serviços críticos. O framework proposto alinha-se a padrões internacionais, como ISO/IEC 27001 e o Cloud Security Alliance (CSA) Cloud Controls Matrix, contribuindo para a governança e segurança em ambientes distribuídos. Este trabalho oferece diretrizes técnicas e estratégicas para organizações que buscam otimizar a gestão de infraestruturas multicloud, promovendo inovação e sustentabilidade. 

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • Ezequias Silva dos Santos

    Bacharel em Sistemas de Informação, pela UNIVAG – Centro Universitário de Várzea Grande
    Especialista em Ciência de Dados e Big Datas Analytics, pela Universidade Estácio de Sá
    Mestre em Engenharia de Software e Telecomunicações, pela Universidade Autônoma de Lisboa – Portugal. 

Referências

• Barga, R., et al. (2014). Predictive Analytics with Microsoft Azure Machine Learning. Apress. DOI: https://doi.org/10.1007/978-1-4842-0445-0

• Beyer, B., et al. (2016). Site Reliability Engineering: How Google Runs Production Systems. O'Reilly Media.

• Chen, M., et al. (2018). Big data: A survey. Mobile Networks and Applications, 19(2), 171-209. DOI: https://doi.org/10.1007/s11036-013-0489-0

• Cheng, J., & Zhang, Q. (2018). Predictive analytics for cloud infrastructure management. IEEE Transactions on Cloud Computing, 6(4), 1123-1135. DOI: https://doi.org/10.1109/TCC.2015.2487965

• CSA. (2020). Cloud Controls Matrix v4. Cloud Security Alliance.

• Fernandes, D., et al. (2019). Security and compliance in cloud computing: A comprehensive review. Computers & Security, 87, 101595. DOI: https://doi.org/10.1016/j.cose.2019.101595

• Hashem, I. A. T., et al. (2016). The rise of big data on cloud computing: Review and open research issues. Information Systems, 47, 98-115. DOI: https://doi.org/10.1016/j.is.2014.07.006

• Huang, L., et al. (2019). Managing cloud security through automated anomaly detection. Computers & Security, 84, 1-15.

• ISO/IEC. (2013). ISO/IEC 27001: Information Security Management Systems – Requirements. Geneva: ISO/IEC.

• Li, Y., et al. (2019). Cloud computing adoption and risk management in large enterprises. Information & Management, 56(6), 103-116.

• Li, X., & Sun, J. (2021). Real-time data visualization in multicloud environments: Techniques and challenges. Journal of Cloud Computing, 10(1), 12-25.

• Liu, F., et al. (2021). Anomaly detection and predictive analytics in cloud environments: A review. IEEE Transactions on Cloud Computing, 9(1), 1-13. DOI: https://doi.org/10.1109/TCC.2018.2790404

• Marinescu, D. C. (2017). Cloud Computing: Theory and Practice (2nd ed.). Morgan Kaufmann.

• Moura, F. A., et al. (2019). Integration of ITSM tools for proactive incident management. International Journal of Computer Applications, 178(38), 15-22.

• NIST. (2018). Framework for Improving Critical Infrastructure Cybersecurity (Version 1.1). Gaithersburg: NIST.

• Ribeiro, M. T., et al. (2016). Why should I trust you? Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135-1144. DOI: https://doi.org/10.1145/2939672.2939778

• Rose, S., et al. (2020). Zero Trust Architecture. NIST Special Publication 800-207. DOI: https://doi.org/10.6028/NIST.SP.800-207-draft2

• Silva, E., et al. (2020). Predictive maintenance in aerospace industry: Case study in OGMA. Journal of Industrial Engineering and Management, 13(3), 485-499.

• Velasco, J. R., & Ribeiro, L. F. (2020). Challenges and solutions in multicloud governance. Computers & Security, 91, 101-112.

• Xu, Z., et al. (2018). Real-time anomaly detection in cloud computing platforms using CEP. Future Generation Computer Systems, 79, 300-312.

• Yang, Q., et al. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology, 10(2), 1-19. DOI: https://doi.org/10.1145/3298981

• Zhang, Q., et al. (2019). Machine learning for predictive analytics in cloud security: A review. IEEE Access, 7, 101999-102013.

• Zikopoulos, P. C., et al. (2012). Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data. McGraw-Hill.

Downloads

Arquivos adicionais

Publicado

22.09.2022

Edição

v. 2 n. 2 (2022): Edição de Agosto a Dezembro de 2022 – Volume 2, Número 2, RCMOS – Revista Científica Multidisciplinar O Saber

Seção

Artigos Científicos de Pesquisa

Categorias

Licença

Copyright (c) 2022 Ezequias Silva dos Santos (Autor)

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Este trabalho está licenciado sob a Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0). Isso significa que você tem a liberdade de:

  • Compartilhar — copiar e redistribuir o material em qualquer meio ou formato.
  • Adaptar — remixar, transformar e construir sobre o material para qualquer propósito, inclusive comercial.

O uso deste material está condicionado à atribuição apropriada ao(s) autor(es) original(is), fornecendo um link para a licença, e indicando se foram feitas alterações. A licença não exige permissão do autor ou da editora, desde que seguidas estas condições.

A logomarca da licença Creative Commons é exibida de maneira permanente no rodapé da revista.

Os direitos autorais do manuscrito podem ser retidos pelos autores sem restrições e solicitados a qualquer momento, mesmo após a publicação na revista.

Como Citar

SANTOS, Ezequias Silva dos. Análise Preditiva de Incidentes em Ambientes Multicloud com Big Data Analytics e Machine Learning: Um Estudo Aplicado ao Setor Público e Indústria: Predictive Incident Analysis in Multicloud Environments Using Big Data Analytics andMachine Learning: A Practical Study Applied to Public and Industrial Sectors. RCMOS - Revista Científica Multidisciplinar O Saber, Brasil, v. 2, n. 2, 2022. DOI: 10.51473/rcmos.v2i2.2022.1288. Disponível em: https://submissoesrevistarcmos.com.br/rcmos/article/view/1288. Acesso em: 5 set. 2025.