Trabalho de conclusão da Especialização em Computação Científica para a
Indústria, no IFSC — câmpus Florianópolis. Orientação de Delcino Picinin
Junior (doutor em Engenharia de Automação e Sistemas pela UFSC) e Amilton
Justino (diretor de Segurança Cibernética e pentester).
A pesquisa usa dados reais de produção cedidos por uma empresa parceira, que
mantém um ambiente Zabbix maduro e com histórico consistente — exatamente o
tipo de fonte que um estudo assim exige.
Pré-incubação na UFSC
Em setembro de 2026, o Shanalotte foi selecionado para o programa de
pré-incubação InPETU Connect IA, do InPETU hub da Universidade Federal de
Santa Catarina (UFSC), com a 4ª maior nota entre as 25 propostas avaliadas. O
programa vai de outubro de 2026 a fevereiro de 2027 e trabalha a validação da
proposta junto ao mercado, com mentorias e uma apresentação final no Demo Day.
O problema
Este é um problema que atinge qualquer organização que tenha infraestrutura de TI —
pequenas empresas, grandes companhias, universidades e governos. Não é
particularidade de ambiente nenhum.
Cada equipamento de infraestrutura falha do seu jeito: um servidor, Windows ou
Linux, esgota a memória e trava; um firewall ou um access point sai do ar e
derruba a rede; um nobreak perde a bateria e desliga tudo o que estava ligado
nele. Em todos os casos, horas de trabalho se perdem.
O monitoramento tradicional é reativo: avisa depois que o limite foi
ultrapassado, quando o prejuízo já aconteceu. E os alertas por e-mail acabam
ignorados, simplesmente pelo volume.
A pergunta de pesquisa
É possível usar aprendizado de máquina sobre a telemetria que o Zabbix já
coleta para estimar — com 1, 3 e 6 horas de antecedência — a probabilidade de
um equipamento falhar?
A abordagem
O agente consome a telemetria existente sem instalar nada nos equipamentos
monitorados, e dispara alertas em canais que as pessoas de fato leem (Google
Chat, Telegram, WhatsApp), no formato: “verifique este equipamento agora: 90% de
probabilidade de falha na próxima hora”.
O diferencial metodológico está no gabarito. Em vez de apenas apontar anomalias
genéricas, o projeto usa o histórico de eventos do próprio Zabbix — os
registros de “agente indisponível” e “host fora do ar” — para marcar quando os
equipamentos realmente falharam. Isso permite treinar os modelos sobre os períodos
que antecederam falhas reais.
Decisões técnicas
- Coleta: API JSON-RPC do Zabbix 7.0, com limitação de taxa e retomada por
checkpoint, para não sobrecarregar um servidor de produção.
- Armazenamento: Apache Parquet consultado com DuckDB. A escolha está
registrada num documento de decisão arquitetural, com números medidos: 12x
menos espaço que CSV e consultas em milissegundos.
- Modelos: detecção de anomalias com scikit-learn — Isolation Forest, Local
Outlier Factor e One-Class SVM.
- Segurança: token de API com permissão exclusiva de leitura, segredos em
variáveis de ambiente, e
gitleaks no pre-commit bloqueando qualquer commit
que contenha credenciais.
- Infraestrutura: Debian 13 em contêiner LXC sobre Proxmox VE, com acesso
remoto por túnel WireGuard.
Estado atual
Infraestrutura, ambiente e documentação concluídos. Acesso à API validado e
levantamento exploratório finalizado, com os alvos do estudo já definidos. As
próximas etapas são a extração histórica, a engenharia de atributos e o treino
dos modelos.
Por que será aberto
O projeto será liberado como open source ao final. Como o Zabbix é gratuito e
amplamente adotado, quem mais ganha são justamente os que têm menos recursos —
pequenas empresas e órgãos públicos —, que passam a poder adotar manutenção
preditiva sem custo de licença. Por isso toda a stack foi escolhida com
licenças permissivas, sem dependência de software proprietário.