Freire, Mário MarquesMartins, Sara Maria da Silva2025-10-292025-10-292024-12-112024-10-11http://hdl.handle.net/10400.6/19050TTraditional anomaly detection methods are often based on manual analysis of logs and are insufficient for the complex, multi-layered interactions of microservices. The existence of multiple calls to and from the same services, following different execution paths, is difficult to accommodate in traditional, usually linear, methods. Anomaly detection plays a key role in maintaining systems health and complying with Service-Level Agreements (SLAs) by identifying unusual behavior that may indicate system failures or security vulnerabilities. This shortcoming of traditional methods can mean that faults are not detected in microservice systems. Failure to properly monitor a system can lead to serious and potentially damaging failures, thus, to find ways of detecting new types of anomalies is imperative. This research work proposes a Graph Neural Network (GNN) model, with different convolutional layers and activation functions to optimize performance, using the AIOps Challenge 2020 dataset for evaluation. The results show that simpler models with fewer hidden layers achieve the best performance, often exceeding the accuracy of 99.9%. The research concludes that anomaly detection methods should be tailored to specific systems and that GNNs offers a promising approach to dealing with the complexities of microservice architectures.Os métodos tradicionais de deteção de anomalias baseiam-se muitas vezes na análise manual de logs e são insuficientes para as interações complexas e de múltiplas camadas dos microsserviços. A existência de múltiplas chamadas de e para os mesmos serviços, seguindo diferentes caminhos de execução, é difícil de acomodar nos métodos tradicionais, usualmente lineares. A deteção de anomalias desempenha um papel fundamental na manutenção da saúde dos sistemas e no cumprimento de Service-Level Agreements (SLAs), identificando comportamentos invulgares que podem indicar falhas no sistema ou vulnerabilidades de segurança. Esta insuficiência dos métodos tradicionais pode implicar a não deteção de falhas em sistemas de microsserviços. Não conseguir monitorizar corretamente um sistema pode traduzirse em falhas graves e potencialmente danosas, pelo que é necessário encontrar forma de detetar os novos tipos de anomalias. Este trabalho de investigação propõe um modelo de Rede Neuronal de Grafos (RNG), com diferentes camadas convolucionais e funções de ativação para otimizar o desempenho, utilizando o dataset AIOps Challenge 2020 para avaliação. Os resultados mostram que os modelos mais simples com menos camadas escondidas alcançam o melhor desempenho, ultrapassando frequentemente a accuracy de 99.9%. A investigação conclui que os métodos de deteção de anomalias devem ser adaptados a sistemas específicos e que as RNGs oferecem uma abordagem promissora para lidar com as complexidades das arquiteturas de microsserviços.engAprendizagem Automática. Desafio Aiops 2020. Deteção de Anomalias. MicrosserviçosRedes Neuronais de Grafos. Traços de Execuçãomaster thesis204027110