Adaptive Architecture for Intelligent Optimization of the Linux
Data Plane in Virtualized Environments
Linux Data Plane, Orquestração Adaptativa, Otimização de
Performance, Virtualização, Machine Learning, Digital Twin, Inferência de
Configuração.
No âmbito conceitual, esta tese propõe uma mudança de paradigma,
redefinindo o Linux Data Plane de um pipeline estático tradicional para um
espaço de configuração dinâmico, onde tecnologias heterogêneas de
aceleração devem coexistir de forma orquestrada. Para operacionalizar esta
visão, a pesquisa apresenta o Data-plane Just-in-time Optimizer (DJO), uma
arquitetura autônoma estruturada em quatro pilares integrados: Descoberta,
Monitoramento, Otimização e Atuação. O núcleo desse sistema é um mecanismo
de decisão multiobjetivo, ciente do contexto e agnóstico a métricas,
projetado para inferir e aplicar a configuração ideal em tempo quase real.
Essa abstração permite gerenciar diversos trade-offs operacionais da
infraestrutura, sendo a sua eficácia validada nesta pesquisa através do
equilíbrio entre a minimização da latência induzida pela virtualização
(RTT) e o controle do custo computacional (utilização de CPU). A pesquisa
combina a metodologia DSR com um mecanismo de regras hierárquicas e um
processo de desenvolvimento de Aprendizado de Máquina estruturado pelo
framework CRISP-DM, com validação suportada por uma plataforma DT. A
viabilidade da arquitetura foi demonstrada empiricamente: os módulos de
Descoberta e Monitoramento apresentam baixa sobrecarga operacional,
mantendo um consumo médio de CPU abaixo de 7\%, mesmo gerenciando 128
instâncias de contêiner. Quanto à eficácia, a orquestração dinâmica reduziu
a latência (RTT) em 86,7\% nos cenários avaliados, com o núcleo cognitivo
demonstrando precisão de 70\% e um viés conservador focado na garantia de
SLA. Ao automatizar esse processo de tomada de decisão, o DJO estabelece
uma abordagem pragmática e flexível para o gerenciamento adaptável do Data
Plane, operando nos modos passivo e ativo, otimizando o desempenho sem
exigir reescrita de aplicações e oferecendo uma solução coesa para o
desafio da otimização fragmentada.