Amostragem Dinâmica para Telemetria em Microsserviços: Uma Abordagem Baseada em Aprendizado por Reforço e Entropia
Authors:
- Renan Martins AlvesRARenan Martins Alves
- Jéferson Campos NobreJNJéferson Campos Nobre
- Juliano Araujo WickboldtJWJuliano Araujo Wickboldt
- 25 May 2026
- conference paper
- Published by Sociedade Brasileira de Computação
- p. 15-28
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.Keywords
This publication has 5 references indexed in Scilit:
- The Diagnosis-Effective Sampling of Application TracesApplied Sciences, 2024
- Practical OpenTelemetry2023
- Fault Analysis and Debugging of Microservice Systems: Industrial Survey, Benchmark System, and Empirical StudyIEEE Transactions on Software Engineering, 2018
- Weighted Sampling of Execution Traces2018
- A Brief History of Cloud Application ArchitecturesApplied Sciences, 2018