Representação Baseada em Grafos de Infraestrutura como Código: Possibilitando o Raciocínio Semântico para Sistemas Conteinerizados

• Guilherme M. Soares UFRGS
• Lucas S. Vrielink UFRGS
• Juliano A. Wickboldt UFRGS
• Jéferson C. Nobre UFRGS
• Lisandro Z. Granville UFRGS

DOI: https://doi.org/10.5753/sbrc.2026.19490

Resumo

Este artigo propõe um novo framework que integra um Grafo de Conhecimento baseado em ontologia com o Model Context Protocol (MCP) para o gerenciamento semântico de infraestruturas conteinerizadas. A estrutura aborda uma lacuna nas plataformas de orquestração ao fornecer uma representação semântica unificada da topologia, alimentada por processo de Extração, Transformação e Carga (ETL) que analisa arquivos do Docker Compose e disponibiliza o conhecimento para Large Language Models via uma camada de ferramentas. Essa abordagem permite que usuários realizem consultas em linguagem natural para obter insights profundos sobre a configuração da infraestrutura. A abordagem foi validada por meio de um experimento controlado simulando um cenário DevOps, no qual o sistema identificou com sucesso falhas de integridade em volumes e riscos de movimentação lateral — problemas que a análise tradicional dificilmente detectaria. Os resultados demonstram a superioridade da estrutura na auditoria automatizada e na detecção de conflitos, preenchendo a lacuna entre artefatos brutos de Infraestrutura como Código e o raciocínio dinâmico do sistema para um gerenciamento de contêineres mais inteligente e explicável.

Referências

Boukadi, K. et al. (2020). Container description ontology for caas. International Journal of Web and Grid Services, 16(4):341. Accessed: 2025-11-18.

Claise, B. (2025). Knowledge graph as preparation for llms, the logical next step in networking data modeling! –benoît claise. Online: [link]. Accessed: 2026-01-26.

Docker (2025). Docker. Online: [link]. Accessed: 2025-11-26.

Gruber, T. R. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition, 5(2):199–220.

IBM and Stryker, C. (2023). What are large language models (llms)? Online: [link].

Kerner, S. M. (2025). Rise of containers: How enterprises are adapting to cloud-native demands. Online: [link]. Accessed: 2026-01-19.

Kyriakopoulos, K. G., Chilton, P., and Parish, D. (2015). Flowstats: An ontology based network management tool. In Proceedings of the International Conference on Computing Technology and Information Management (ICCTIM), pages 13–18. Accessed: 2025-08-08.

Martinez-Casanueva, I. D. (2025). Knowledge graphs for yang-based network management. Online: [link]. Accessed: 2025-11-26.

Nutanix (2025). Nutanix enterprise cloud index. Online: [link]. Accessed: 2026-01-28.

Pan, S., Luo, L., Wang, Y., Chen, C., Wang, J., and Wu, X. (2024). Unifying large language models and knowledge graphs: A roadmap. IEEE Transactions on Knowledge and Data Engineering, 36(7):3580–3599.

Red Hat (2025). What are large language models? Online: [link].

Shool, S., Adimi, S., Amleshi, R. S., Bitaraf, E., Golpira, R., and Tara, M. (2025). A systematic review of large language model (llm) evaluations in clinical medicine. BMC Medical Informatics and Decision Making, 25.

Simić, A. and Palma, D. (2024). Using knowledge graphs to automate network compliance of containerized services. In 2024 20th International Conference on Network and Service Management (CNSM), pages 1–5.

Singhal, A. (2012). Introducing the knowledge graph: Things, not strings. Online: [link]. Accessed: 2026-01-26.

Studer, R., Benjamins, V. R., and Fensel, D. (1998). Knowledge engineering: Principles and methods. Data & Knowledge Engineering, 25(1-2):161–197.

Vasileiou, Z., Kumara, I., Meditskos, G., Tokmakov, K., Radolović, D., Cruz, J., Nitto, E., Tamburri, D., Heuvel, W.-J., and Vrochidis, S. (2025). A knowledge-based approach for guided development of infrastructure as code. Software and Systems Modeling, pages 1–34.

Wang, W. et al. (2026). PTFusion: LLM-driven context-aware knowledge fusion for web penetration testing. Information Fusion, 127:103731.

Wu, S., Irsoy, O., Lu, S., Dabravolski, V., Dredze, M., Gehrmann, S., Kambadur, P., Rosenberg, D. S., and Mann, G. (2023). Bloomberggpt: A large language model for finance. ArXiv, abs/2303.17564.

Yao, Y., Duan, J., Xu, K., Cai, Y., Sun, Z., and Zhang, Y. (2024). A survey on large language model (llm) security and privacy: The good, the bad, and the ugly. High-Confidence Computing, 4:100211.

Zhou, H., Hu, C., Yuan, Y., Cui, Y., Jin, Y., Chen, C., Wu, H., Yuan, D., Jiang, L., Wu, D., Liu, X., Zhang, J., Wang, X., and Liu, J. (2025). Large language model (llm) for telecommunications: A comprehensive survey on principles, key techniques, and opportunities. IEEE Communications Surveys & Tutorials, 27(3):1955–2005.

Zhou, J. et al. (2020). DockerKG: A knowledge graph of docker artifacts. In Proceedings of the IEEE/ACM 42nd International Conference on Software Engineering Workshops, pages 367–372. Accessed: 2025-11-25.