Abstract
Este artigo propõe RADAR (Reinforcement learning Agent for Dynamic And Relevant trace sampling), um agente que utiliza aprendizado por reforço e avaliação de entropia para uma captura mais eficiente de traces relevantes para o monitoramento de um sistema. O RADAR testa diferentes regras de amostragem para descobrir qual o conjunto é o mais eficiente. Um ambiente de testes simulando uma loja online minimalista com diversos microsserviços distribuídos em um cluster Kubernetes foi a base para os experimentos, que avaliaram a convergência do agente e o desempenho do sistema em relação ao consumo de recursos e a qualidade dos dados coletados. Os resultados demonstraram que o RADAR foi capaz de reduzir o consumo de banda de rede em 97,5% e o uso de CPU em 99% quando comparado à coleta integral, superando também a eficiência de estratégias de amostragem fixa. Além da economia de recursos, a abordagem preservou a observabilidade de cenários críticos, mantendo cerca de 89% dos padrões de traces raros e aumentando a entropia média das informações armazenadas em aproximadamente 25%, validando a viabilidade de utilizar entropia para orquestrar telemetria de forma autônoma e eficiente.