Avaliacao de desempenho e disponibilidade de um ambiente de gestao
de aprendizagem a partir de modelos combinatorios e de espaco de estado
Disponibilidade. RBD. CTMC. SPN. LAMP. Moodle.
Esta trabalho avalia o desempenho e a disponibilidade do ambiente de gestão
de aprendizagem Moodle, implantado sobre a pilha LAMP (Linux, Apache,
MySQL, PHP), utilizando modelos combinatórios e de espaço de estado. A
crescente dependência de plataformas de e-learning, intensificada por
eventos como a pandemia de COVID-19, exige sistemas resilientes, com alta
disponibilidade e desempenho adequado às demandas educacionais. O Moodle,
como solução de código aberto amplamente adotada, requer análises
quantitativas que identifiquem vulnerabilidades e proponham melhorias. A
metodologia aplicada integra múltiplos formalismos: Diagramas de Blocos de
Confiabilidade (RBD) para representar dependências lógicas entre
componentes; Cadeias de Markov de Tempo Contínuo (CTMC) para capturar
dinâmicas de falhas e reparos; e Redes de Petri Estocásticas (SPN) para
modelar concorrência, sincronização e políticas de escalonamento em nuvem.
A validação dos modelos baseia-se em experimentos práticos com injeção
controlada de falhas (hardware, sistema operacional, Apache, MySQL, PHP),
utilizando scripts Python para simular tempos exponenciais de falha e
reparo, além de monitoramento contínuo do estado do sistema, tudo validado
em um intervalo de confiabilidade de 95%. Os resultados demonstram que: (i)
na arquitetura básica (física), a disponibilidade é de 99,75% , com
downtime anual de 21,89 horas; (ii) a redundância (cold-standby) aumenta a
disponibilidade para 99,82% e reduz o downtime em 28,93%; (iii) a
virtualização eleva a disponibilidade para 99,87% e reduz o downtime em
47,17%; e (iv) em uma nuvem pública (AWS), modelos SPN indicam equilíbrio
entre custo e capacidade sob diferentes cargas. Conclui-se que a
virtualização com redundância e o dimensionamento elástico em nuvem
asseguram alta disponibilidade (>99,8%) e desempenho consistente para
ambientes educacionais. As contribuições incluem um framework analítico
híbrido, diretrizes de otimização arquitetural e scripts de injeção de
falhas reprodutíveis.