Uma análise comparativa entre Skip-Gram e o CBOW com a utilização de métodos não supervisionados para detecção de anomalias em ambientes de nuvem

• Carlos Manoel Nunes e Silva UFRPE
• Erica Teixeira Gomes de Sousa UFRPE

DOI: https://doi.org/10.5753/erad-ne.2026.26637

Resumo

O trabalho compara métodos não supervisionados para detecção de falhas em logs do OpenStack utilizando embeddings. A combinação Skip-Gram + K-Means apresentou o melhor desempenho (AUC até 0,89, acurácia de 87% e recall de 1,0), enquanto Skip-Gram + Isolation Forest não detectou as falhas avaliadas. Já as abordagens baseadas em CBOW obtiveram resultados inferiores, com AUC entre 0,46 e 0,73. Os resultados indicam que a qualidade dos embeddings é determinante para a detecção de anomalias.

Referências

Chen, M., Zhang, Q., and Xu, L. (2024). Observability in cloud-native systems: Trends and challenges. IEEE Communications Surveys & Tutorials, 26(1):123–145.

Duarte, G. S. and Sousa, E. T. G. d. (2024). Cimut: Ferramenta de injeção de falhas em ambientes de nuvens por mutação. Trabalho de Conclusão de Curso (Graduação). Estudo experimental realizado na plataforma OpenStack.

Jiang, Z., Liu, K., and Zhang, Y. (2024). Exploring large language models for log analysis: Opportunities and challenges. arXiv preprint arXiv:2402.01234.

Li, J., Wang, R., and Zhao, P. (2024a). Managing complexity in cloud computing environments: A survey. Journal of Systems and Software, 210:111234.

Li, Y., Zhang, H., and Chen, X. (2024b). Graph-based anomaly detection in distributed systems: A survey. ACM Computing Surveys, 56(5):1–34.

Liu, P., Zhu, J., He, S., and Lyu, M. (2023). Logbert: Log anomaly detection via bert. In Proceedings of the International Conference on Software Engineering (ICSE).

Liu, X., Garcia, M., and Patel, R. (2026). Multimodal anomaly detection: Integrating heterogeneous metrics in dynamic cloud architectures. Journal of Network and Systems Management, 34(1):89–105.

Qin, Y., Wang, Z., and Chen, L. (2024). Time-series anomaly detection in cloud systems: A review. IEEE Transactions on Network and Service Management, 21(1):120–135.

Wang, S., Li, Y., and Kim, T. (2025). Contrastive learning for robust anomaly representation in cloud environments. ACM Transactions on Autonomous and Adaptive Systems, 20(3):1–25.

Xu, Y., Chen, J., and Wang, H. (2026). Log-driven anomaly detection in microservices using long-range transformer architectures. IEEE Transactions on Cloud Computing, 14(2):452–467.

Zhang, C., Liu, Y., and Zhao, M. (2024). A survey on deep learning-based anomaly detection. ACM Computing Surveys, 56(3):1–36.

Zhang, L., Zhao, Q., and Liu, B. (2026). Deep sequence modeling for multi-variate telemetry anomaly detection. In Proceedings of the 2026 IEEE International Conference on Cloud Computing (CLOUD), pages 112–120. IEEE.