ARTIGO ORIGINAL

______________________________

APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS DE

ARMAZENAMENTO DE DADOS: MÉTRICAS PARA ANÁLISE E
VALIDAÇÃO DE ALGORITMOS PREVISORES
MACHINE LEARNING AND PROVISION OF DATA STORAGE SERVICES: METRICS FOR
ANALYSIS AND VALIDATION OF PREDICTIVE ALGORITHMS

Carlos Roberto Souza Carmo1

Jéssica Rayse de Melo Silva2

RESUMO:
Utilizando o processo de aprendizado de máquina (machine learning), esta pesquisa teve por
objetivo inicial analisar como variáveis relacionadas à quantidade média de dias de
funcionamento, à idade média dos dispositivos de armazenamento, às taxas de falhas
anualizadas, à capacidade de armazenamento, ao fabricante e ao tipo de dispositivo poderiam
caracterizar-se como possíveis determinantes da quantidade de falhas ocorridas nos diversos
modelos de Hard Disk Drive (HD) e Solid State Disks (SSD) utilizados em datacenters de
provedores de serviços de armazenamento de dados em nuvem. Adicionalmente, procurou-se
investigar e identificar um conjunto de métricas voltadas para o processo de análise da
eficiência das estimativas realizadas com base neste estudo, assim como, da eficiência de
algoritmos de previsão em geral. Inicialmente, implementou-se uma rede neural artificial
(RNA) aplicada a um conjunto de dados provenientes de 203.168 HD e 2.200 SSD, agrupados
em 31 diferentes modelos de fabricação. Após isso, procedeu-se à análise da qualidade das
estimativas realizadas com base em RNA, mediante a utilização de um conjunto de métricas
pesquisadas para essa finalidade. Apesar de aparentemente apresentar qualidade analítica
promissora nas fases de treinamento e teste, a RNA pesquisada mostrou-se ineficiente do
ponto de vista preditivo. Por outro lado, foi possível identificar, propor e testar um conjunto
métricas voltadas para a análise e validação da eficiência de algoritmos de previsão baseados
em aprendizado de máquina.

PALAVRAS-CHAVE: falhas; rede neural; métodos quantitativos e computacionais.

ABSTRACT:
Using the machine learning process, the initial objective of this research was to analyze how
variables related to the average number of operating days, the average age of storage
devices, annualized failure rates, storage capacity, manufacturer and type of device could be
characterized as possible determinants of the number of failures that occurred in the different
models of Hard Disk Drive (HD) and Solid State Disks (SSD) used in datacenters of cloud

1
Doutor em Agronomia pela UNESP (Botucatu) e Mestre em Ciências Contábeis pela PUC-SP. Professor da
Faculdade de Ciências Contábeis da Univ. Federal de Uberlândia (FACIC-UFU). e-mail:
[email protected] / [email protected]. Orcid: https://orcid.org/0000-0002-3806-9228
2
Doutora e mestra em Ciências Contábeis pela PPGCC UFU. Professora da Faculdade de Ciências Contábeis da
Univ. Federal de Uberlândia (FACIC-UFU). e-mail: [email protected]. Orcid: https://orcid.org/0000-0002-5052-
094X.

GETEC, v.12, n.38, p.123-144/2023.

 124
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

data storage service providers. Additionally, an attempt was made to investigate and identify
a set of metrics aimed at the process of analyzing the efficiency of the estimates made based
on this study, as well as the efficiency of forecasting algorithms in general. Initially, an
artificial neural network (ANN) was implemented and applied to a set of data from 203,168
HD and 2,200 SSD, grouped into 31 different manufacturing models. After that, we proceeded
to analyze the quality of the estimates based on ANN, using a set of metrics researched for
this purpose. Despite apparently presenting promising analytical quality in the training and
testing phases, the researched ANN proved to be inefficient from a predictive point of view.
On the other hand, it was possible to identify, propose and test a set of metrics aimed at
analyzing and validating the efficiency of prediction algorithms based on machine learning.

Keywords: failures; neural network; quantitative and computational methods.

Introdução
Ferramentas de busca, armazenamento em nuvem, compras eletrônicas, entre tantos
outros serviços disponibilizados via internet, têm aproximado usuários, consumidores,
fornecedores, entre outros, e elevado consideravelmente a demanda por comunicação e
capacidade armazenamento da informação (SANTOS; MAZIERO; BONA, 2015).
Diante disso, os serviços de armazenamento em nuvem funcionam ininterruptamente,
demandando disponibilidade e capacidade operacionais de forma contínua. Tanto que, em
provedores de serviços de nuvem como Aliyun, Amazon, Microsoft Azure, Backblaze, o de
tempo de atividade dos usuários normalmente é de 99,9%, no mínimo (LI et al., 2021).
Nesse ambiente de prestação de serviços em larga escala são utilizados diversos tipos
de mecanismos de armazenamento, com marcas, tecnologias e modelos variados, cuja
finalidade é atender diferentes tipos de carga de trabalho, o que leva à produção de riscos
relacionados a falhas de funcionamento das mais variadas naturezas (SHEN et al., 2018).
Conforme observam Santos, Maziero e Bona (2015, p. 1), “a tecnologia mais popular
de armazenamento secundário ainda é o disco magnético (HDD – Hard Disk Drive), que alia
grande capacidade de armazenamento e baixo custo [...]”. Sendo que, “recentemente, os
discos de estado sólido (SSD – Solid State Disks) elevaram muito o desempenho no acesso ao
armazenamento secundário [...]”, porém, “[...]seu custo elevado e baixa capacidade
inviabilizam a substituição integral dos discos magnéticos por SSD a curto prazo, sobretudo
em instalações de maior porte” (MAZIERO; BONA, 2015, p. 1)
Mas, ainda que com baixas taxas de problemas de funcionamento e/ou com certo grau
de tolerância a esse tipo de ocorrência, prestadores de serviços de acesso e armazenamento de
dados em larga escala têm especial interesse em compreender a natureza de possíveis falhas

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

nos seus dispositivos de armazenamento devido a dois motivos específicos: economia de

custos, pois mesmo com dispositivos de segurança e suporte, falhas de funcionamento
demandam a recuperação transitória de dados e informações, o que gera gastos com reparos
propriamente ditos; e, prevenção de ocorrências futuras, uma vez que a compreensão das
variáveis-críticas desse tipo de problema pode ajudar a identificar tendências de falhas de
curto prazo (CHAKRABORTTII; LITZ, 2021).
Logo, parece ser relevante identificar e compreender os possíveis determinantes das
falhas de HD e SSD utilizados em provedores de serviços de nuvem, tanto para a prevenção
de ocorrências desse tipo de problema no curto prazo, quanto para a identificação de possíveis
tendências de ocorrências futuras.
Além disso, ao se preocupar com a previsão de eventos futuros, os processos de
estimativa e análise permitem identificar fatores críticos para o sucesso do planejamento
operacional e financeiro, o que tem gerado considerável interesse tanto por parte do mercado
profissional quanto por parte de acadêmicos, levando à proposição de novos métodos de
previsão ao longo dos últimos anos (BOJER; MELDGAARD, 2021).
Ao considerar que no processo de modelagem propriamente dito pode-se utilizar
pouca ou, até mesmo, uma única medida da qualidade de ajuste de modelos analíticos, para o
processo de previsão torna-se necessária uma quantidade maior de métricas de avaliação
(KARUNASINGHA, 2022).
Nesse contexto, esta pesquisa teve por objetivo inicial utilizar processo de
aprendizagem de máquina (machine learning) baseado em redes neurais artificiais para
identificar como variáveis relacionadas a (i) quantidade média de dias de funcionamento, (ii)
idade média dos dispositivos de armazenamento, (iii) taxas de falhas anualizadas (AFR –
annualized failure rate), (iv) capacidade de armazenamento em terabyte (TB), (v) o fabricante
e o (vi) tipo de dispositivo (HD ou SSD) podem caracterizar-se como possíveis determinantes
da quantidade de falhas ocorridas nos diversos modelos de HD e SSD utilizados nos
datacenters de provedores de serviços de nuvem. E, na sequência, buscou-se identificar e
propor um conjunto de métricas voltadas para a avaliação da eficiência dessa modelagem
proposta a partir do processo de machine learning.
Nesse sentido, além de problematizar as falhas ocorridas nos dispositivos de
armazenamento utilizados em grandes datacenters de internet, considerando aquelas 6
categorias de possíveis direcionadores desse tipo de evento tecnológico decorrente da
prestação de serviços de armazenamento de dados em grande escala, e ainda, realizar a

GETEC, v.12, n.38, p.123-144/2023.

 126
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

pesquisa e a identificação de métricas voltadas para avaliação de erros de estimativas

realizadas com base em algoritmos de previsão, inicialmente, buscou-se promover o
respectivo embasamento teórico voltado para suporte ao processo de pesquisa propriamente
dito, conforme apresentado na segunda seção deste artigo.
A seguir, foi identificada a base de dados necessária à composição da amostra desta
pesquisa, além da definição do método de análise analítico-preditiva da ocorrência de falhas
de funcionamento de HD e SSD utilizados em datacenters de provedores de serviços de
nuvem, bem como, o detalhamento do conjunto de métricas avaliadoras do processo de
previsão da ocorrência desse tipo de falha, conforme relatado na terceira seção deste artigo.
A quarta seção deste estudo de natureza científica foi destinada à descrição do
processo de análise dos dados e à apresentação e discussão dos resultados observados, sem
perder de vista a plataforma teórica constituída e já relatada na segunda seção do presente
artigo.
A quinta e última seção deste relatório de pesquisa foi destinada às considerações
finais acerca de todo o processo de investigação científica.

2 Referencial Teórico
Entre os dispositivos de armazenamento secundário, que são aqueles que permitem a
manutenção da informação de maneira não-volátil, os HD são considerados a forma mais
recorrente de armazenamento on-line; contudo, já há algum tempo, os SSD vêm ganhando
espaço devido ao seu melhor desempenho relacionado à velocidade de leitura, entre outros
atributos (SANTOS; MAZIERO; BONA, 2015).
Enquanto um HD utiliza uma cabeça de leitura de funcionamento mecânico para
acessar a mídia armazenada em um disco magnético rotativo, o SSD utiliza memória não
volátil como mídia de armazenamento, o que faz com que eles sejam menos frágeis e mais
rápidos que os HD (CORNWELL, 2012).
Devido à escalada sem precedentes dos sistemas de armazenamento, a incidência de
falhas de dispositivos como os HD e os SSD tem crescido consideravelmente, o que pode
produzir consequências desastrosas como perdas de informação de difícil recuperação ou até
irrecuperáveis, além da elevação dos custos dos provedores de serviços de nuvem ou internet
data center (IDC); por isso, esses IDC monitoram constantemente as condições de trabalho
desses dispositivos com o uso de sensores de emissão de acústica, contadores, sensores
térmicos, entre outros (SHEN et al., 2018).

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

Entretanto, o sucesso e a precisão desse tipo de monitoramento não são muito

promissores, principalmente quando o desejável é a abordagem de caráter preventivo, uma
vez que a previsão de falhas deve fornecer condições para que os trabalhos de manutenção
(backup e substituição) sejam executados em tempo hábil (SHEN et al., 2018).
Nesse sentido, a compreensão dos possíveis determinantes das falhas em dispositivos
de armazenamento é útil de várias maneiras, por exemplo: na elaboração de critérios de
escolha de fornecedores e modelos, com vistas à relação desempenho-capacidade-custo; na
redução das consequências inerentes à inatividade de um servidor durante o processo de
manutenção; no processo de seleção e compra de peças sobressalentes; bem como, para
redirecionamento da carga de trabalho entre dispositivos (NARAYANAN et al., 2016).
Ao analisar o processo de previsão de falhas de HD, Shen et al. (2021) identificam 3
métodos recorrentemente utilizados, ou seja, o método binário, o método das fases e o método
do grau de saúde, isso é: o primeiro (binário) classifica os HD em falho ou bom, o que não é
considerado correto uma vez que a deterioração de uma unidade de armazenamento é gradual;
o segundo método (classificação em fases) divide o processo de deterioração da unidade de
armazenamento em até 6 níveis/fases, nas quais, o nível 6 classifica uma unidade como boa e
1 classifica a unidade prestes a falhar em até 72 horas; e, finalmente, o terceiro método (grau
de saúde) implica na construção de funções lineares voltadas para descrição do processo de
deterioração da unidade de armazenamento devido ao tempo.
Independentemente do método utilizado para compreender e/ou prever os possíveis
direcionadores de falhas de HD e SSD, torna-se imprescindível avaliar e conhecer as
possíveis variáveis críticas que podem comprometer o processo de modelagem preditiva desse
tipo de evento, ou seja: desequilíbrio amostral; diferenças estruturais; diversidade de modelos
e fabricantes, assim como, diferenças de carga de trabalho; a ocorrência de novos tipos de
falhas; e, o recorte longitudinal utilizado para coleta de dados.
Em qualquer método utilizado para prever falhas de dispositivos de armazenamento
nos IDC, o desequilíbrio amostral é muito significativo, uma vez que a quantidade de
unidades falhas é expressivamente muito menor que as unidades íntegras (GABER, 2016;
CHAKRABORTTII et al., 2021; SHEN et al., 2021).
Modelos que classificam falhas de funcionamento de maneira uniforme tendem a ser
especialmente falhos, pois existem diversos tipos de falhas devido às diferenças estruturais
(eletromecânicas e mecânicas) decorrentes da engenharia de um dispositivo de
armazenamento (SHEN et al., 2018).

GETEC, v.12, n.38, p.123-144/2023.

 128
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

Outro fator crítico do processo de modelagem preditiva das falhas ocorridas em HD e

SSD está relacionado aos seus diferentes desempenhos, uma vez que existe uma relevante
diversidade de modelos e de fabricantes, e ainda, esses dispositivos de armazenamento estão
sujeitos à diferentes cargas de trabalho nos IDC (NARAYANAN et al., 2016; SHEN et al.,
2018).
Existe ainda a possibilidade de ocorrências de falhas de caráter inédito, em
decorrência da diversidade e da dinâmica de atividade dos ambientes em que os dispositivos
de armazenamento são utilizados; sendo que, nesse caso, os dados de falhas dos SSD
merecem especial atenção, uma vez que eles ainda são minoria nos IDC (CHAKRABORTTII
et al., 2021; NARAYANAN et al., 2016).
E ainda, levando-se em conta que a deterioração de um dispositivo de armazenamento
é gradual, ocorrendo ao longo do tempo, é importante analisar tanto dados de longo prazo
quanto de curto prazo (GABER, 2016; LI et al., 2021).
Shen et al. (2021) alertam para o fato de que os fabricantes de HD geralmente utilizam
algoritmos baseados nas chamadas estatísticas Self-Monitoring Analysis and Reporting
Technology (SMART) para analisar o estado de saúde dos seus dispositivos de
armazenamento e prever a ocorrência de falhas eventuais, recomendando o backup e a
substituição das unidades; contudo, a taxa de precisão na detecção de falhas varia de 3% a
10%, com uma taxa de 0,1% de alarmes falsos, o que dificulta consideravelmente a eficácia
das abordagens preventivas.
O fato é que as falhas dos HD e dos SSD utilizados em IDC podem levar a violações
contratuais na prestação desse tipo de serviço, além da ocorrência dos chamados “custos de
paralizações de data centers” (tradução nossa para “cost of data center outages”) na ordem
US$ 9.000 por minuto, em média, podendo chegar até a US$ 17.000 por minuto (LI et al.,
2021).
Dessa forma, Gaber (2016) observa que a análise de confiabilidade de unidades de HD
e SSD, que implica no monitoramento e aprendizagem de padrões antes da ocorrência das
falhas propriamente ditas, é o Santo Graal para qualquer empresa de armazenamento de dados
e, por isso, esse assunto é altamente explorado tanto na academia quanto no mercado.
Assim, a partir da utilização do processo de machine learning baseado em RNA,
espera-se que esta pesquisa possa contribuir para o processo de compreensão acerca das
possíveis variáveis determinantes da ocorrência de falhas de HD e SSD utilizados em
provedores de serviços de nuvem. Para tanto, o processo analítico adotado nesta investigação

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

científica utilizou os seguintes parâmetros como possíveis variáveis explicativas: quantidade

média de dias de funcionamento, cuja finalidade é captar os efeitos longitudinais da variável
tempo sobre o funcionamento dos HD e SSD integrantes da amostra desta pesquisa; idade
média dos dispositivos de armazenamento, que tem por objetivo captar os efeitos da
deterioração gradual das unidades de HD e SSD integrantes da amostra de pesquisa; taxas de
falhas anualizadas ou annualized failure rate (AFR), destinadas a captar o efeito da
diversidade e da dinâmica de atividade do ambiente em que os dispositivos de armazenamento
são utilizados, bem como, das falhas já ocorridas anteriormente em, pelo menos, dois anos
anteriores (2020 e 2019), além do período corrente em análise (2021); capacidade de
armazenamento em terabyte (TB), que pode permitir captar os efeitos da intensidade da carga
de trabalho a que as unidades de armazenamento estão expostas; fabricante, que pode indicar
os efeitos relacionados às diferenças eletromecânicas e mecânicas decorrentes da engenharia
utilizada nos HD e SSD, e ainda, as decorrentes diferenças de desempenho; e, tipo de
dispositivo de armazenamento utilizado, se HD ou SSD, cujo objetivo é captar os efeitos de
possíveis ocorrências de falhas inéditas, ou próprias de cada tecnologia, e ainda, o efeito da
composição utilizada pelo IDC na distribuição do tipo de dispositivo de armazenamento
utilizado na prestação dos seus serviços.
Contudo, é importante ressaltar que devido à essa diversidade de possíveis variáveis
explicativas da ocorrência de falhas de HD e SSD, e ainda, em decorrência da pequena
quantidade de observações disponíveis para este estudo, optou-se pela utilização de técnicas
de machine learning, no lugar da aplicação de métodos estatísticos que requerem o
atendimento de diversos pressupostos. Tal opção se deve ao fato de que a utilização desse tipo
de método computacional implica na obtenção de maior capacidade de processamento e,
consequentemente, na maior possibilidade de obtenção de uma solução para o problema
proposta nesta pesquisa, em detrimento ao cumprimento de pressupostos estatísticos.
Dessa maneira, torna-se necessário concentrar maior atenção ao processo de aferição
da qualidade preditiva da modelagem identificada a partir de técnicas de machine learning,
como é o caso das redes neurais artificiais perceptron de múltiplas camadas (RNA MLP). Ou
seja, é preciso ir além das análises voltadas para a distância entre valores observados (y) e
valores previstos (ŷ), ou seja, os termos de erros (e = y-ŷ) identificados a partir de amostras
distintas, utilizadas separadamente nas fases de treinamento e de teste de uma RNA MLP.
Assim, torna-se necessário considerar a totalidade dos erros ocorridos (e) em relação à toda a

GETEC, v.12, n.38, p.123-144/2023.

 130
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

amostra de pesquisa, de forma conjunta, e ainda, tanto em termos absolutos quanto relativos,
assim como, em termos médios e/ou medianos.
Para tanto, esta investigação científica pesquisou e utilizou 11 medidas diferentes de
erro: determination coefficient ou coeficiente de determinação (R2); mean absolut error ou
erro absoluto médio (MAE); median absolut error ou erro absoluto mediano (MdAE); mean
absolute percentage error ou erro percentual médio absoluto (MAPE); median absolute
percentage error ou erro percentual absoluto mediano (MdAPE); symmetric mean absolute
percentage error ou erro percentual médio absoluto simétrico (SMAPE); median symmetric
absolute percentage error ou erro percentual absoluto simétrico mediano (MdSAPE);
weighted mean absolute percentage error ou erro percentual médio absoluto ponderado
(WMAPE); mean square error ou erro quadrático médio (MSE); median square error ou erro
quadrático mediano (MdSE); e, root mean square error ou raiz do erro quadrático médio
(RMSE).
Muito utilizado na análise de modelos lineares de regressão, o R2 pode ser entendido
como a proporção da variável de estudo explicada pelas variáveis integrantes da respectiva
modelagem analítica (McKEAN, J. W.; SIEVERS, 1987). Comumente utilizado como uma
medida de adequação de modelos de regressão linear, o R2 deve ser empregado com muita
cautela, uma vez que seus altos valores (R2≈1) não necessariamente significam um bom ajuste
do modelo previsor aos dados observados na realidade, sendo que, o inverso (R2≈0) também é
verdadeiro, pois ele pode ser muito influenciado por outliers (MARTINS, 2018).
O MAE é uma medida de erro absoluto (|y-ŷ|) que leva em conta a quantidade total de
observações/previsões, portanto, é expresso nessa mesma unidade de medida; logo, sua
principal limitação é que ele não permite a análise comparativa de modelos com unidades de
medida diferentes, e ainda, tende a penalizar mais previsões com erros maiores (HYNDMAN;
KOEHLER, 2006; KARUNASINGHA,2022).
Como uma medida de erro alternativa ao MAE, o MdAE caracteriza-se pela mediana
dos erros absolutos (|y-ŷ|) ocorridos a cada observação/previsão, portanto, sem levar em conta
a quantidade total de observações/previsões; ou seja, ele é uma medida de posição (central)
(HYNDMAN; KOEHLER, 2006), o que permite que ele seja utilizado comparativamente ao
MAE para identificar a possível influência de grandes erros (extremos).
Calculado inicialmente a partir da média de cada observação e o respectivo erro
individual ([|y-ŷ |]/|y), O MAPE caracteriza-se pela média dos erros percentuais absolutos, o
que facilita pra se realizar comparações entre modelos preditivos cujas variáveis de interesse

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

apresentam unidades de medidas diferentes; por outro lado, ele pode apresentar-se muito
enviesado quando as observações de Y tenderem a zero (HYNDMAN; KOEHLER, 2006;
HUANG et al., 2023).
Semelhante à relação entre o MAE e o MdAE, o MdAPE caracteriza-se pela mediana
do erro percentual absoluto e, nesse sentido, ambos (MAPE e o MdAPE) têm a desvantagem
de penalizar mais os erros positivos do que em erros negativos (HYNDMAN; KOEHLER,
2006; HUANG et al., 2023), apesar de servir de parâmetro de comparação para “calibrar”
leituras baseadas no valor do MAPE.
O SMAPE representa o erro percentual médio absoluto simétrico, uma vez que no seu
denominador, ele não de leva em conta os valores das respectivas observações (ou seja, o y
no denominador de [|y-ŷ |]/|y), ele leva em conta a média entre valores absolutos observados
(|y|) e valores absolutos previstos (|ŷ|) (HYNDMAN; KOEHLER, 2006), o que suaviza o
reflexo de erros muito elevados e o efeito dos valores negativos e positivos. De forma análoga
ao MdAE e ao MdAPE, o MdSPE caracteriza-se pela mediana do SMAPE.
O WMAPE também é uma medida de erro percentual (ou decimal) médio absoluto,
porém, ele é ponderado tanto pela quantidade de observações quanto pelos respectivos
montantes, e, por ser relativo, ele é livre de escala, o que ele facilita comparações entre
modelos com variáveis de interesse medidas em unidades distintas (BUSARI; LIM, 2021;
FORBES, 2023).
O MSE e o RMSE caracterizam-se pelo erro quadrático médio e por sua raiz quadrada,
respetivamente. Se o MSE é expresso em uma unidade de leitura de difícil compreensão, a
raiz quadrada calculada no RMSE faz com que ele seja expresso na mesma unidade de medida
das observações analisadas, o que facilita sua interpretação; tanto o RMSE quanto MAE
penalizam erros muito elevados, mas, tendem a se aproximar um do outro quando os erros são
menores (DAM et al., 2022; KARUNASINGHA, 2022). E, de forma análoga as todos as
medidas de erro mediano (Md) já expostas (MdAE, MdAPE e MdSPE), o MdSE caracteriza-se
pela mediana do erro quadrático (MSE) (HYNDMAN; KOEHLER, 2006).

Figura 1 – Métricas de precisão utilizadas para avaliar as previsões realizadas com base em RNA
Descrição Fórmula Unidade de medida (un)
e
parâmetro de decisão
Determination coefficient ou 0< < 1 ou 0% < < 100%
coeficiente de determinação ( ) sendo que:
quanto mais próximo de 1 melhor

GETEC, v.12, n.38, p.123-144/2023.

 132
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

Mean absolut error ou erro absoluto un do MAE = un de y

médio (MAE) sendo que:
quanto menor melhor
Median absolut error ou erro un do MAE = un de y
absoluto mediano (MdAE) sendo que:
quanto menor melhor
Mean absolute percentage error ou 0% < < 100%
erro percentual médio absoluto sendo que:
(MAPE) quanto menor melhor
Median absolute percentage error 0% < < 100%
ou erro percentual absoluto mediano sendo que:
(MdAPE) quanto menor melhor
Symmetric mean absolute 0% < < 100%
percentage error ou erro percentual sendo que:
médio absoluto simétrico (SMAPE) quanto menor melhor
Median symmetric absolute 0% < < 100%
percentage error ou erro percentual sendo que:
absoluto simétrico mediano quanto menor melhor
(MdSAPE)
Weighted mean absolute percentage 0% < < 100%
error ou erro percentual médio sendo que:
absoluto ponderado (WMAPE) quanto menor melhor
Mean square error ou erro un do MSE = ( y – ŷ )2
quadrático médio (MSE) sendo que:
quanto menor melhor
Median square error ou erro un do MdSE = ( y – ŷ )2
quadrático mediano (MdSE) sendo que:
quanto menor melhor
Root mean square error ou raiz do un do RMSE = un de y
erro quadrático médio (RMSE) sendo que:
quanto menor melhor

Legenda:
y = valor da variável analisada;
ŷ = valor previsto para a variável analisada com base em um modelo;
n = quantidade total de observações referentes a y e/ou ŷ ; e
i = cada observação específica de y e/ou ŷ .
Fonte: elaborado pelos autores com base em Mckean e Sievers (1987), Hyndman e Koehler (2006),
Bruce e Bruce (2019), Martins (2018), Harrison (2020), Bojer e Meldgaard (2021) e
Karunasingha (2022).

Assim, o conjunto das métricas de precisão pesquisadas e utilizadas para avaliar as

previsões realizadas com base em RNA propostas segundo a presente investigação, e ainda,
suas unidades de medida e os respectivos parâmetros de decisão foram resumidos no quadro
descrito pela Figura 1.

3 Metodologia de Pesquisa
A Backblaze é uma empresa americana que atua no segmento de armazenamento em
nuvem, backup de negócios e backup pessoal, e, desde 2013, publica estatísticas e insights
com base nos dados dos dispositivos de armazenamento do seu IDC, além de disponibilizar

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

publicamente os dados que subsidiam as informações contidas em seus relatórios, de tal forma
que qualquer um possa utilizá-los livremente (BACKBLAZE, 2022a).
Em 2021, a Backblaze (2022b) adicionou 40.460 HD ao seu IDC, totalizando 206.928
unidades a partir de dezembro de 2021, das quais 203.168 foram destinadas exclusivamente
ao armazenamento de dados, e ainda, tiveram suas estatísticas disponibilizadas no relatório
“Backblaze Drive Stats for 2021”. Sendo que, também em 2021, a Blackblaze (2022c)
compartilhou os dados dos 2.200 SSD utilizados em seu IDC, a partir do seu relatório “The
SSD edition: 2021 drive stats review”.
Dessa maneira, todos os dados integrantes da amostra desta pesquisa tiveram como
base as informações disponibilizadas pela Backblaze (2022a; 2022b; 2022c) nos seus
relatórios anuais de 2021, conforme detalhado na Tabela 1.

Tabela 1 – Dados da amostra de pesquisa

Qtd. de Dias de Idade AFR AFR AFR TB HGST Seagate Toshiba WDC Crucial Micron HD SSD
falhas funcion. média 2021 2020 2019
(un) (un) (meses) (%) (%) (%) (TB) (bin.) (bin.) (bin.) (bin.) (bin.) (bin.) (bin.) (bin.)
190 13944421 66,92 0,58 0,27 0,59 4,00 1 0 0 0 0 0 1 0
309 28880152 62,37 0,31 0,27 0,44 4,00 1 0 0 0 0 0 1 0
25 1607847 44,85 1,80 1,41 2,00 4,00 0 1 0 0 0 0 1 0
20 2096141 27,04 2,04 2,01 0,00 4,00 0 0 1 0 0 0 1 0
34 3581368 9,40 0,11 0,23 0,96 6,00 0 1 0 0 0 0 1 0
140 10839720 32,95 0,64 0,29 0,79 8,00 1 0 0 0 0 0 1 0
4461 66434125 74,37 1,46 0,93 1,26 8,00 0 1 0 0 0 0 1 0
86 3549496 80,85 1,49 1,22 1,56 8,00 0 1 0 0 0 0 1 0
574 18943397 62,63 2,26 1,33 1,00 10,00 0 1 0 0 0 0 1 0
839 23710079 52,82 0,27 0,31 0,56 12,00 1 0 0 0 0 0 1 0
68 1882831 50,07 0,29 1,19 0,00 12,00 1 0 0 0 0 0 1 0
1953 35588859 25,80 0,48 0,46 0,40 12,00 1 0 0 0 0 0 1 0
379 12987266 21,13 2,01 1,04 3,31 12,00 0 1 0 0 0 0 1 0
87 5066595 13,84 1,08 1,01 1,14 12,00 0 1 0 0 0 0 1 0
98 3508278 11,10 0,52 0,84 0,00 12,00 0 1 0 0 0 0 1 0
78 592111 12,86 1,03 1,04 0,00 14,00 0 1 0 0 0 0 1 0
49 1547263 7,74 4,79 0,00 0,00 14,00 0 1 0 0 0 0 1 0
7 306763 79,32 0,77 0,91 0,65 14,00 0 0 1 0 0 0 1 0
362 16396273 14,28 1,66 0,00 0,00 14,00 0 0 1 0 0 0 1 0
7 156221 11,81 0,43 0,16 0,00 14,00 0 0 0 1 0 0 1 0
4 237692 3,57 1,11 1,71 0,00 16,00 0 1 0 0 0 0 1 0
12 607500 8,52 0,91 0,00 0,00 16,00 0 0 1 0 0 0 1 0
36 3184727 12,81 0,70 0,00 0,00 16,00 0 0 1 0 0 0 1 0
1 266410 5,06 0,14 0,00 0,00 16,00 0 0 0 1 0 0 1 0
2 1689 0,40 43,22 0,00 0,00 0,50 0 0 0 0 1 0 0 1
7 33478 14,00 7,63 0,00 0,00 0,24 0 0 0 0 0 1 0 1
8 276281 11,10 1,06 0,00 0,00 0,25 0 1 0 0 0 0 0 1
1 1267 33,00 28,81 0,00 0,00 2,00 0 1 0 0 0 0 0 1
2 204287 21,70 0,36 1,18 0,00 0,30 0 1 0 0 0 0 0 1
1 6515 36,70 0,00 0,00 5,75 0,50 0 1 0 0 0 0 0 1
1 39147 28,70 0,93 0,93 0,00 0,30 0 1 0 0 0 0 0 1
Fonte: elaborado pelos autores a partir dos dados disponíveis em Blackblaze (2022a; 2022b; 2022c).

GETEC, v.12, n.38, p.123-144/2023.

 134
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

A variável “qtd. de falhas”, que é o objeto inicial deste estudo, diz respeito à
quantidade total de falhas relatadas pela Backblaze (2022b) para cada modelo de HD utilizado
ao longo do período compreendido entre 20/04/2013 a 31/12/2021, bem como, a quantidade
total de falhas ocorridas em cada modelo dos seus SSD desde o início da sua utilização em
2021, até 31/12/2021 (BACKBLAZE, 2022c). Dessa forma, essa variável apresenta o total
referente às falhas ocorridas ao longo de todo o período de funcionamento dos respectivos
dispositivos de armazenamento.
As variáveis “dias de funcionamento “e “idade média” referem-se ao tempo de
atividade de cada modelo de dispositivo (média em dias) e a respectiva idade (média em
meses), respectivamente (BACKBLAZE, 2022b; 2022c).
As variáveis “AFR 2021”, “AFR 2020” e “AFR 2019” referem-se às taxas de falhas
anualizadas dos anos 2021, 2020 e 2019 (percentual médio), respectivamente, calculadas pela
Blackblaze (2022b) conforme descrito na Equação 1.

AFR = (falhas na unidade / (dias de condução / 365)) 100 (1)

A variável “TB” refere-se à capacidade total de armazenamento (média em TB) dos

dispositivos utilizados pela Backblaze (2022b; 2022c) no seu IDC.
As variáveis “HGST”, “Seagate”, “Toshiba”, “WDC”, “Crucial” e “Micron” são
variáveis binárias, para as quais 1 (um) indica que o modelo pertence a determinado
fabricante, e 0 (zero) em caso contrário (BACKBLAZE, 2022b; 2022c).
As variáveis “HD” e “SSD” também são variáveis binárias, para as quais, 1 (um)
indica se o modelo em questão é um HDD (Hard Disk Drive) ou um SSD (Solid State Disks)
e 0 (zero) em caso contrário, dependendo da respectiva situação (BACKBLAZE, 2022b;
2022c).
Ao considerar a quantidade de observações disponíveis para análise (n = 31
observações), optou-se por utilizar técnicas de machine learning baseadas em redes neurais
artificiais (RNA) do tipo perceptron multicamada, em detrimento de modelos estatísticos
convencionais cujos parâmetros necessários para sua validação tendem a não favorecer
pequenas amostras, com especial atenção aos graus de liberdades necessários para tanto.
O processo de machine learning baseado em RNA pode ser utilizado para a solução de
problemas combinatórios de naturezas diversas, bem como, para a execução de tarefas muito

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

complexas como o processamento de informações e reconhecimento de padrões, entre outras

possibilidades (BRAGA; CARVALHO; LUDERMIR, 2014).
Uma RNA perceptron de múltiplas camadas (RNA MLP) “[…] possui uma estrutura
composta basicamente por três camadas ou mais camadas, sendo, respectivamente, uma
camada de entrada, uma ou mais camadas intermediárias ou ocultas e uma camada de saída”
(CARNEIRO JÚNIOR; SOUZA, 2019, p. 221). E ainda, “na camada de entrada são inseridos
os parâmetros das variáveis que serão previsoras no processo, ou seja, as variáveis
independentes, na camada intermediária ocorrem o processamento dos neurônios e ajustes das
funções e pesos sinápticos e, na camada de saída, estão os parâmetros a serem previstos […]”
(CARNEIRO JÚNIOR; SOUZA, 2019, p. 221).
Nesse sentido, todos os parâmetros utilizados para a construção da RNA MLP
implementada nesta investigação e a descrição das parcelas da amostra de pesquisa escolhidas
aleatoriamente para treinamento (aprendizagem) e validação (teste) estão descritas na Figura
2.

Figura 2 - Parâmetros da rede neural artificial (RNA) e seu processamento

Camada de Fatores 1 HGST
entrada 2 Seagate
3 Toshiba
4 WDC
5 Crucial
6 Micron
7 HD
8 SSD
Covariáveis 1 Dias_de_func
2 Idade_média
3 AFR_2021
4 AFR_2020
5 AFR_2019
6 TB
Número de unidades sem a unidade de viés 22
Método de reescalonamento para covariáveis Padronizado
Camadas ocultas Número de camadas ocultas 1
Número de Unidades na Camada Oculta 1, sem a unidade de viés 9
Função de ativação Tangente hiperbólica
Camada de saída Variáveis dependentes 1 Qtd_falhas
Número de unidades 1
Método de reescalonamento para dependentes de escala Padronizado
Função de ativação Identidade
Função de erro Soma dos Quadrados
Resumo do Amostra Detalhes n Porcentagem
processamento Treinamento 23 74,20%
Testes 8 25,80%
Válido 31 100,00%
Excluídos 0 0,00%

GETEC, v.12, n.38, p.123-144/2023.

 136
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

Total 31 100,00%
Fonte: elaborado pelos autores, com base nos dados da pesquisa.

Para a implementação da RNA MLP utilizou-se um computador com processador Intel

® Core™ i3-1005 G1, CPU @ 1.20 GHz e 1.19 GHz, com 4,00 GB de memória RAM
instalada, cujo custo de processamento (treinamento e teste) foi inferior a um minuto.
As métricas utilizadas para avaliar a precisão das previsões realizadas com base na
RNA MLP proposta por esta investigação, suas unidades de medida e os respectivos
parâmetros de decisão já foram detalhados no quadro descrito anteriormente pela Figura 1,
apresenta no referencial teórico desta pesquisa.
Assim, ao considerar o seu objeto de estudo, a forma como a respectiva amostra foi
composta, o método analítico utilizado e suas métricas, esta investigação pode ser considerada
uma pesquisa científica de natureza empírico-analítica cuja amostra foi constituída a partir da
conveniência e disponibilidade de informações, baseada em métodos computacionais
aplicados.

4 Análise dos Dados, Apresentação e Discussão dos Resultados

Ao problematizar a quantidade de falhas ocorridas nos HD e SSD utilizados em
provedores de serviços de nuvem, tomando como base o respectivo total de ocorrências por
modelo, acredita-se que existe maior potencial para a compreensão acerca dos determinantes
dos efeitos longitudinais da variável tempo sobre o funcionamento desses dispositivos de
armazenamento de dados. Pois os estudos que tratam somente da possibilidade de ocorrência
dessas falhas (com variável de estudo binária do tipo “0” ou “1”) tendem a deixar de atribuir a
devida importância à variável tempo, priorizando muito mais fatores de natureza técnica.
Além disso, vislumbra-se a possibilidade deste estudo capturar os possíveis efeitos da
deterioração gradual dessas unidades de armazenamento, os efeitos da diversidade e da
dinâmica de atividade do ambiente em que tais dispositivos são utilizados, eventuais falhas
decorrentes da intensidade da carga de trabalho a que as unidades de armazenamento estão
expostas, como as diferenças eletromecânicas e mecânicas decorrentes da engenharia utilizada
nos HD e SSD podem influenciar a ocorrência das falhas, e ainda, se existe relacionamento
entre as ocorrências de falhas e o tipo de dispositivo propriamente dito (HD ou SSD).
Nesse sentido, após utilizar 23 observações para realizar o treinamento da RNA MLP,
o que equivale à 74,20% do total da amostra de dados disponível para estudo, e outras 8
observações para testes do modelo identificado, o que equivale a 25,50% da amostra de

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

pesquisa, observou-se um coeficiente de determinação (R2) de 0,959 referente às quantidades

de falhas previstas pela rede neural, comparativamente às observações reais pertencentes à
amostra.
Assim, se fosse admitida uma combinação linear das variáveis explicativas, cerca de
96% das observações reais (R2 .100≈95,90%) poderiam ser explicadas pelas previsões dos
totais de falhas realizadas pela RNA MLP com base naquelas 8 variáveis qualitativas e 6
variáveis quantitativas.
A princípio, poder-se-ia considerar que um R2 de 0,959 é um forte indício de que o
conjunto das variáveis explicativas utilizadas para compor a modelagem explicativa
implementada neste estudo apresenta um bom ajuste linear. E, assim sendo, as informações
resumidas na Tabela 2 permitem analisar o grau de importância de cada uma das variáveis
independentes consideradas no processo de modelagem da RNA MLP analítico-previsora da
quantidade total de falhas ocorridas em cada um dos 31 modelos de HD e SSD integrantes da
amostra desta pesquisa.

Tabela 2 - Importância das variáveis independentes

Variáveis Importância Importância normalizada
Dias_de_func 0,4818 100,00%
AFR_2021 0,0805 16,71%
AFR_2019 0,0683 14,17%
HGST 0,0612 12,71%
Idade_média 0,0598 12,42%
HD 0,0509 10,57%
TB 0,0495 10,27%
WDC 0,0249 5,16%
Crucial 0,0227 4,72%
SSD 0,0223 4,63%
AFR_2020 0,0206 4,27%
Seagate 0,0204 4,24%
Micron 0,0194 4,03%
Toshiba 0,0177 3,67%
Fonte: elaborado pelos autores, com base nos dados da pesquisa.

Conforme pode ser observado na Tabela 2, a quantidade de dias funcionamento dos

HD e SSD foi considerada a variável mais importante no processo explicativo das falhas
ocorridas nos dispositivos de armazenamento de dados integrantes da amostra de pesquisa,
segundo a RNA MLP implementada neste processo de investigação científica.

GETEC, v.12, n.38, p.123-144/2023.

 138
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

Essa evidência pode ser utilizada no suporte à tomada de decisões preventivas

relacionadas ao redirecionamento da carga de trabalho realizada por aqueles dispositivos com
maior tempo de atividade, conforme sugerido por Narayanan et al. (2016).
Adicionalmente, as taxas de falhas anualizadas (AFR) referentes aos anos 2021 e 2019
(percentual médio/modelo) ocuparam o segundo e terceiro lugar em relação ao grau de
importância das variáveis explicativo-previsoras integrantes da RNA MLP, respectivamente.
Mas, ainda assim, essas duas variáveis não têm o mesmo peso que a variável referente à
quantidade de dias de funcionamento dos dispositivos de armazenamento, no processo de
previsão das ocorrências de falhas de HD e SSD utilizados em IDC.
Por outro lado, essa evidência vai de encontro ao que foi sugerido por Gaber (2016) e
Li et al. (2021), ou seja, o monitoramento das taxas de falhas anualizadas (AFR) de períodos
passados pode capturar os efeitos da deterioração gradual dos dispositivos de armazenamento.
Sendo que, a capacidade preditiva dessa variável pode ser potencializada a partir do
monitoramento conjunto com a idade dos respectivos HD e SSD, segundo o de detalhamento
do grau de importância das variáveis independentes descrito na Tabela 2.
Ainda segundo as informações resumidas na Tabela 2, é possível perceber que as
variáveis representativas dos diferentes fabricantes dos modelos de HD e SSD não são tão
expressivas no processo de previsão das ocorrências das falhas, o que também acontece com o
fato dos dispositivos utilizados serem HD ou SSD.
Dessa forma, a quantidade de ocorrências de falhas não pode ser considerada um bom
critério ou, pelo menos, o único critério para seleção de fabricantes e/ou fornecedores dos
dispositivos de armazenamento, conforme sugerido por Narayanan et al. (2016).
Cabe observar que, ao utilizar a quantidade total de falhas ocorridas como objeto de
estudo, esta pesquisa não enfrentou problemas relacionados ao desequilíbrio amostral
decorrente da elevada quantidade de unidades íntegras combinada com a baixa quantidade de
unidades de armazenamento falhas, conforme sugerido por Gaber (2016), Chakraborttii et al.
(2021) e Shen et al. (2021).
Ao identificar e classificar as variáveis explicativas de acordo com o respectivo grau
de importância no processo analítico das falhas ocorridas nos dispositivos de armazenamento,
a RNA MLP implementada nesta pesquisa científica forneceu evidências que podem ser
utilizadas em abordagens de caráter preventivo. Como exemplo pode-se citar a possibilidade
de redirecionamento da carga de trabalho daquelas unidades de armazenamento com maior
quantidade de dias de funcionamento, ou ainda, a parada programada para manutenção e/ou

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

substituição de HD e SSD que vêm apresentando falhas em anos anteriores, entre outras
possibilidades.
Por outro lado, a despeito das evidências coletadas ao longo do processo de
modelagem propriamente dito, a RNA MLP pesquisada mostrou-se ineficiente do ponto de
vista preditivo, conforme demonstram as métricas descritas na Tabela 3.

Tabela 2 – Avaliação da qualidade das previsões realizadas pela RNA MLP, a partir das métricas
propostas nesta pesquisa
Métricas Valores
R2 0,959
MAE (Mean absolut error) 86,387
MdAE (Median absolut error) 38,000
MAPE (Mean absolute percentage error) 9,225
MdAPE (Median absolute percentage error) 0,747
SMAPE (Symmetric mean absolute percentage error) 0,967
MdSAPE (Median symmetric absolute percentage error) 1,059
WMAPE (Weighted mean absolute percentage error) 0,272
MSE (Mean square error) 29179,419
MdSE (Median square error) 1444,000
RMSE (Root mean square error) 170,820
Fonte: elaborado pelos autores, com base nos dados da pesquisa.

Enquanto únicas medidas dos valores absolutos dos erros de estimativas propriamente
ditos, o desejável era que MAE e MdAE se aproximassem. Contudo, segundo os dados
analisados nesta investigação, o valor do MAE é mais que o dobro do valor do MdAE, o que
pode ser entendido como um indício de que existem erros com valores bem elevados, o que
aumenta consideravelmente a amplitude das respectivas observações. Ou seja, com diferenças
entre falhas observadas (reais) e falhas previstas com um valor de erro mínimo de 4 e um
valor de erro máximo de 713, perfazendo uma amplitude total de 709, pode-se concluir que
tanto o MAE quanto o MdAE não seriam boas métricas para medir a qualidade do modelo
baseado em RNA MLP para previsão de falhas, pois ambos pareceram ter sido influenciados
pela magnitude dos erros observados.
Ao realizar a análise das medidas relativas de erro previstas para este estudo, observa-
se que também não há muita harmonia entre elas, isso é:
a)o MAPE de 9,225 indica um erro percentual médio absoluto na ordem de 922,5%, o
que sinaliza que as previsões de falhas realizadas pela RNA MLP apresentaram
erros com uma magnitude média 9,22 vezes maiores que as respectivas observações
reais;

GETEC, v.12, n.38, p.123-144/2023.

 140
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

b)o valor do MdAPE é diferente do valor do MAPE, corroborando o que aconteceu

entre o MAE e o MdAE, contudo, o valor de 0,747 (74,70% de erro) do MdAPE é
consideravelmente menor que os 9,225 (ou 922,5%) do MAPE, o que reforça ainda
mais a evidência da influência daquela elevada amplitude entre os extremos
observados para essas medidas de erro;
c)o SMAPE de 0,967, enquanto medida erro percentual médio absoluto simétrico,
tende a suavizar os efeitos dos valores extremos capturados tanto pelo MdAPE
quanto pelo MAPE, o que faz com ele esteja mais próximo do valor relativo
mediano identificado a partir do MdAPE e bem mais distante do valor relativo
identificado pelo MAPE;
d)o MdSAPE de 1,059 reforça a constatação realizada com base no SMAPE, pois,
apesar de serem diferentes, ainda assim, esses dois valores situam-se relativamente
próximos; e
e)apesar de ser o menor valor observado para as medidas relativas de erro, portanto o
que mais se distanciou das demais medidas relativas, o WMAPE de 0,272 ou 27,20%
pôde ser confirmado a partir da divisão do MAE pela média das observações reais
(MAE/ȳ)
Entretanto, o traço comum entre as medidas relativas de erro é que todas capturaram
os efeitos dos erros de previsão da RNA MLP proposta, sendo que, pelo menos 2 delas
apresentaram certo grau de convergência; ou seja, SMAPE (0,967) e MdSAPE (1,059) se
aproximaram consideravelmente de 1,00, o que sinaliza um erro percentual relativo de 100%
entre as previsões realizadas pela RNA MLP e as respectivas observações reais referentes às
falhas de dispositivos de armazenamento em análise nesta pesquisa.
Em relação às métricas de erro de previsão baseadas em erro quadrático, o MSE
(29179,419) e o respectivo valor mediado MdSE (1444,000) também se apresentaram bem
distantes, ainda que a respectiva unidade de medida não seja muito prática para realizar
inferências comparativas com a unidade de medida da variável em estudo. Por outro lado, o
RMSE, que apresenta unidade medida igual à da variável de estudo, apresentou um erro de
170,820. Esse último valor pode ser comparado com os valores do MAE e MdAE, sendo que,
ele se encontra bem mais próximo daquele primeiro do que do segundo.
De uma maneira geral, o que se percebe é que o modelo baseado em RNA MLP desta
investigação não pôde ser considerado um bom previsor da quantidade das falhas ocorridas
nos HD e SSD utilizados em provedores de serviços de nuvem ou internet data center (IDC).

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

Em relação às métricas utilizadas para medir essa qualidade, todas foram capazes de
sinalizar problemas inerentes às previsões realizadas pela RNA MLP proposta; contudo, dada
à diversidade de unidades de medidas, o que ficou evidente foi a necessidade de se utilizar
todas de maneira conjunta. Ressaltando-se uma vez mais que, a despeito das respectivas
unidades de medidas, houve convergência em relação à ineficiência preditiva da modelagem
proposta nesta investigação.

5 Considerações Finais
Ao problematizar a quantidade de falhas ocorridas nos diversos modelos de HD e SSD
utilizados nos IDC e seus possíveis determinantes, esta investigação científica fez uso de
técnicas de machine learning baseadas em RNA MLP aplicadas em um conjunto de dados
reais provenientes de mais de 208,000 unidades de armazenamento de dados (206.928 HD e
2.200 SSD) agrupadas em 31 diferentes modelos de fabricação.
Ao apresentar uma qualidade analítica relativamente promissora, a RNA MLP
implementada nesta investigação permitiu avaliar o grau de importância de cada uma
daquelas possíveis variáveis explicativas avaliadas neste estudo de científico de natureza
empírico-analítica baseado em métodos computacionais aplicados. Sendo que, ao levar em
conta a teoria adjacente, a análise dos resultados permitiu corroborar em parte com os
resultados de estudos já realizados anteriormente, e ainda, trouxe algumas evidências que
podem contribuir significativamente com o processo de planejamento e tomada de decisões na
prestação de serviços de armazenamento de dados em IDC.
Por outro lado, a análise preditiva da modelagem implementada nesta pesquisa não se
mostrou capaz de prever satisfatoriamente a quantidade de falhas de dispositivos de
armazenamento utilizados em provedores de serviços de nuvem ou IDC. Porém,
considerando-se que só foi testada uma modelagem preditiva, não é possível inferir se as
divergências (distâncias de valores) entre as métricas utilizadas se devem às observações ou à
cada métrica em si.
Como principal limitação desta investigação científica destaca-se o fato da sua
amostra ter sido constituída a partir da conveniência relacionada à disponibilidade de
informações, o que não permite generalizações acerca dos seus resultados, exceto pela
proposição de um conjunto de métricas voltadas para a análise de precisão das previsões
realizadas com base em RNA.

GETEC, v.12, n.38, p.123-144/2023.

 142
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

Assim, dada a abrangência relacionada à diversidade de modelos de HD e SSD cujas

falhas foram analisadas, e ainda, a expressiva quantidade de unidades de armazenamentos
cujos dados serviram de base para esta pesquisa, espera-se que as evidências coletadas e
analisadas possam ser somadas aos achados de estudos de natureza correlata e, assim, sirvam
de contribuição para o debate e a orientação de ações voltadas para o suporte à tomada de
decisões na prestação de serviços de tecnologia em grande escala e para a avaliação da
qualidade das estimativas realizadas com base em algoritmos de previsão.

Referências

BACKBLAZE. Welcome to the Backblaze hard drive data and stats. San Mateo-CA
(EUA), 2022a. Disponível em: https://www.backblaze.com/b2/hard-drive-test-data.html.
Acesso em: 08 abr. 2022.

BACKBLAZE. Backblaze drive stats for 2021. By Andy Klein, San Mateo-CA (EUA),
February 1, 2022b. Disponível em: https://www.backblaze.com/blog/backblaze-drive-stats-
for-2021/. Acesso em: 08 abr.2022.

BACKBLAZE. The SSD edition: 2021 drive stats review. By Andy Klein, San Mateo-CA
(EUA), March 3, 2022c. Disponível em: https://www.backblaze.com/blog/ssd-edition-2021-
drive-stats-review/. Acesso em: 08 abr.2022.

BOJER, C. S.; MELDGAARD, J. P.. Kaggle forecasting competitions: an overlooked

learning opportunity. International Journal of Forecasting, [s. l.], v. 37, issue 2, p. 587-603,
Apr.-Jun. 2021. Disponível em: https://doi.org/10.1016/j.ijforecast.2020.07.007. Acesso em:
29 nov. 2022.

BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B.. Redes neurais artificiais:

teoria e aplicações. 2ed. Rio de Janeiro: LTC, 2014.

BRUCE, P.; BRUCE, A.. Estatística prática para cientistas de dados: 50 conceitos
essenciais. Rio de Janeiro-RJ: Alta Books, 2019.

BUSARI, G. A.; LIM, D. H.. Crude oil price prediction: a comparison between AdaBoost-
LSTM and AdaBoost-GRU for improving forecasting performance. Computers & Chemical
Engineering, [s. l.], v. 155, e-article 107513, December 2021. Disponível em:
https://doi.org/10.1016/j.compchemeng.2021.107513. Acesso em: 27 dez. 2022.

CARNEIRO JÚNIOR, J. B. A.; SOUZA, C. S. de. Aplicação de redes neurais artificiais na

previsão do produto interno bruto do Mato Grosso do Sul em função da produção de cana-de-
açúcar, açúcar e etanol. Revista Ibero-Americana de Ciências Ambientais, [s. l.], v. 10, n.
5, p. 218-230, ago.-set. 2019. Disponível em: https://doi.org/10.6008/CBPC2179-
6858.2019.005.0019. Acesso em: 08 ago. 2022.

GETEC, v.12, n.38, p.123-144/2023.

CARMO, C. R. S.; SILVA, J. R. de M.

CHAKRABORTTII, C.; LITZ, H.. Explaining SSD failures using anomaly detection. In:
ANNUAL NON-VOLATILE MEMORIES WORKSHOP (Online Event), 12., 2021, San
Diego-CA. Proceedings [...]. San Diego-CA: University of California/ IEEE Computer
Society, mar. 2021. Disponível em: http://nvmw.ucsd.edu/nvmw2021-program/nvmw2021-
data/nvmw2021-paper44-final_version_your_extended_abstract.pdf. Acesso em: 24 ago.
2022.

CORNWELL, M.. Anatomy of a solid-state drive. Communications of the ACM, [s. l.], v.
55, n. 12, p. 59–63, Dec. 2012. Disponível em:
https://dl.acm.org/doi/fullHtml/10.1145/2380656.2380672. Acesso em: 23 ago. 2022.

DAM, R. S. de F.; SALGADO, W. L.; SCHIRRU, R.; SALGADO, C. M.. Application of

radioactive particle tracking and an artificial neural network to calculating the flow rate in a
two-phase (oil–water) stratified flow regime. Applied Radiation and Isotopes, [s. l.], v. 180,
e-article 110061, February 2022. Disponível em:
https://doi.org/10.1016/j.apradiso.2021.11006. Acesso em: 23 dez. 2022.

FORBES, K. F.. Demand for grid-supplied electricity in the presence of distributed solar
energy resources: Evidence from New York City. Utilities Policy, [s. l.], v. 80, e-article
101447, February 2023. Disponível em: https://doi.org/10.1016/j.jup.2022.101447. Acesso
em 27 dez. 2022.

GABER. S.. The data science of predicting disk drive failures. DELL Technologies
Services: Blog, [s. l.], e-article, June 27, 2016. Disponível em: https://www.dell.com/en-
us/blog/data-science-predicting-disk-drive-failures/. Acesso em: 23 ago. 2022.

HARRISON, M.. Machine learning: guia de referência rápida (trabalhando com dados
estruturado em Python). São Paulo-SP: Novatec, 2020.

HYNDMAN, R. J.; KOEHLER, A. B.. Another look at measures of forecast accuracy.

International Journal of Forecasting, [s. l.], n. 22, issue 4, p. 679-688, Oct.–Dec. 2006.
Disponível em: https://doi.org/10.1016/j.ijforecast.2006.03.001. Acesso em: 29 nov. 2022.

HUANG, S. H. Z.; HIRAOKA, T. ; CHÁVEZ, A. P. de L.; ALA-NISSILA, T; LESKELÄ,

L.; KIVELÄ, M.; SARAMÄKI, J..Estimating inter-regional mobility during disruption:
Comparing and combining different data sources. Travel Behaviour and Society, [s. l.], v.
31, p. 93-105, April 2023. Disponível em: https://doi.org/10.1016/j.tbs.2022.11.005. Acesso
em: 27 dez. 2022.

KARUNASINGHA, D. S. K.. Root mean square error or mean absolute error? Use their ratio
as well. Information Sciences, [s. l.], v. 585, p. 609-629, March 2022. Disponível em:
https://doi.org/10.1016/j.ins.2021.11.036. Acesso em 26 dez. 2022.

LI, X.; ZHU, L.; ZHANG, C.; YANG, H.; WANG, H.; ZHANG, J.. Failure prediction for
temporal dependency of hard drives. In: INTERNATIONAL WORKSHOP ON COMPUTER
SCIENCE AND ENGINEERING (WCSE 2021), 11., 2021, Shanghai. Proceedings [...].
Shanghai: East China Normal University, China Agricultural University, Science and
Engineering Institute, June, 2021. p. 379-388. Disponível em:

GETEC, v.12, n.38, p.123-144/2023.

 144
APRENDIZADO DE MÁQUINA E PRESTAÇÃO DE SERVIÇOS

http://www.wcse.org/index.php?m=content&c=index&a=show&catid=22&id=1014. Acesso
em: 24 ago. 2022.

MARTINS, M. E.G. Coeficiente de determinação. Rev. Ciência Elem., [s. l.], v. 6, n. 01, p.
01, mar. 2018. Disponível em: http://doi.org/10.24927/rce2018.024. Acesso em: 25 dez. 2022.

McKEAN, J. W.; SIEVERS, G. L.. Coefficients of determination for least absolute deviation
analysis. Statistics & Probability Letters, [s. l.], v. 5, issue1, p. 49-54 January 1987.
Disponível em: https://doi.org/10.1016/0167-7152(87)90026-5. Acesso em: 27 dez. 2022.

NARAYANAN, I.; WANG, D.; JEON, M.; SHARMA, B.; CAULFIELD, L.;
SIVASUBRAMANIAM, A.; CUTLER, B.; LIU, J.; KHESSIB, B.; VAID, K.. SSD failures
in datacenters: What? When? and Why? SYSTOR '16: Proceedings of the 9th ACM
International on Systems and Storage Conference, [s. l.], article n. 7, p. 1-11, June 2016.
Disponível em: https://doi.org/10.1145/2928275.2928278. Acesso em 25 ago. 2022.

SANTOS, L. A. dos; MAZIERO, C. A.; BONA, L. C. E. de. Avaliação de caches em

dispositivos de armazenamento secundário com SSDs. In: BRAZILIAN SYMPOSIUM ON
COMPUTING SYSTEMS ENGINEERING (SBESC), 5., 2015, Foz do Iguaçu. Anais
eletrônicos [...]. Foz do Iguaçu: UNIOESTE, nov. 2015. Disponível em:
https://sbesc.lisha.ufsc.br/sbesc2015/proceedings/147458.pdf. Acesso em: 24 ago. 2022.

SHEN, J.; WAN, J.; LIM, S-J.; YU, L.. Random-forest-based failure prediction for hard disk
drives. International Journal of Distributed Sensor Networks, [s. l.], v. 14, n. 11, p. 1-15,
2018. Disponível em: https://doi.org/10.1177/1550147718806480. Acesso em: 22 ago. 2022.

SHEN, J.; REN, Y.; WAN, J.; LAN, Y.. Hard disk drive failure prediction for mobile edge
computing based on an LSTM recurrent neural network. Mobile Information Systems, [s.
l.], v. 2021, article ID 8878364, p. 1-12, 2021. Disponível em:
https://doi.org/10.1155/2021/8878364. Acesso em: 23 ago. 2022.

GETEC, v.12, n.38, p.123-144/2023.