Modelagem do comportamento do usuário para caracterização de carga baseada em logs

Abstract

A qualidade de um teste de desempenho depende de quão representativa é a carga aplicada ao sistema, o que torna relevante construí-la a partir de registros reais de uso. Diante disso, este Trabalho de Conclusão de Curso (TCC) teve como objetivo modelar o comportamento de carga de uma aplicação web a partir da análise de logs reais de uso, de modo a caracterizar essa carga e gerar, com base nessa caracterização, um log sintético que reproduzisse as propriedades agregadas da demanda observada. O estudo de caso utilizou o AOL Query Log, conjunto público de consultas a um mecanismo de busca, cujos registros foram limpos, agregados em janelas horárias e descritos por atributos de volume, usuários, consultas e cliques. A caracterização estatística revelou uma carga intensa e contínua, com sazonalidade diária e semanal marcantes e distribuições de cauda longa na popularidade das consultas e na atividade dos usuários. A segmentação com k-means identificou cinco perfis de carga interpretáveis, e a aplicação do DBSCAN sinalizou janelas atípicas, convergindo na detecção de um dia anômalo com falha no registro de cliques. A previsão do volume horário foi conduzida com modelos SARIMA, selecionados por métricas de erro em validação cronológica, e comparada a modelos de referência sazonais. Por fim, um gerador combinou a previsão de volume com os perfis e as distribuições empíricas, produzindo registros sintéticos no mesmo formato do log original. A série gerada reproduziu o formato temporal da carga e o comportamento de clique, com limitações nas dimensões de identidade de usuários e consultas, e constitui insumo para a especificação de cargas representativas em testes de desempenho futuros.

The quality of a performance test depends on how representative its workload is, which motivates building that workload from real usage records. Given this, this work aimed to model the workload behavior of a web application from the analysis of real usage logs, in order to characterize this workload and, based on that characterization, generate a synthetic log that reproduces the aggregate properties of the observed demand. The case study used the AOL Query Log, a public dataset of queries submitted to a search engine, whose records were cleaned, aggregated into hourly windows, and described by attributes of volume, users, queries, and clicks. The statistical characterization revealed an intense and continuous workload, with marked daily and weekly seasonality and long-tailed distributions in query popularity and user activity. Segmentation with k-means identified five interpretable workload profiles, and DBSCAN flagged atypical windows, converging on the detection of an anomalous day affected by a failure in click logging. Hourly volume was forecast using SARIMA models, selected through error metrics under chronological validation, and compared against seasonal baseline models. Finally, a generator combined the volume forecast with the profiles and the empirical distributions, producing synthetic records in the same format as the original log. The generated series reproduced the temporal shape of the workload and the click behavior, with limitations in the dimensions of user and query identity, and it serves as input for specifying representative workloads in future performance tests.