Resilient by Design -- Active Inference for Distributed Continuum Intelligence

Resumo Técnico: Resiliência por Design – Inferência Ativa para Inteligência Distribuída Contínua

Declaração do Problema
O artigo aborda o desafio crítico de manter a confiabilidade e a consistência global dentro do Continuum de Computação Distribuída (DCC). O DCC abrange um espectro altamente complexo e heterogêneo de dispositivos, variando de sensores IoT com recursos limitados e nós móveis a servidores em nuvem de alto desempenho. Em tais ambientes, falhas são a norma, não a exceção. Essas falhas surgem de diversas fontes, incluindo abortos iniciados pelo usuário, erros de execução, quedas de nós, interrupções de comunicação e a imprevisibilidade inerente à mobilidade dos dispositivos, dependência de bateria e mudanças dinâmicas de recursos.

Os mecanismos tradicionais de tolerância a falhas são insuficientes para o DCC porque muitas vezes falham em gerenciar a ampla gama de incertezas inerentes e a necessidade de coordenação adaptativa em tempo real exigida por cargas de trabalho de IA. O artigo argumenta que a resiliência deve ir além da mera tolerância a falhas discretas; ela requer a capacidade do sistema de sustentar a operação contínua através de adaptação proativa, recuperação localizada e degradação graciosa através das camadas de nuvem, fog, edge e IoT.

Metodologia: O PAIR-Agent
Para enfrentar esses desafios, os autores propõem um Agente de Resiliência de Inferência Ativa Probabilística (PAIR-Agent). Este agente opera através de um ciclo de malha fechada de observação, inferência e ação, projetado para detectar e curar falhas autonomamente. A metodologia consiste em três fases operacionais principais:

1. Coleta de Logs e Construção do Grafo de Falhas Causais (CFG):
   O agente coordena a aquisição distribuída de logs no DCC usando Chamadas de Procedimento Remoto (RPCs) para consultar os dispositivos por seus checkpoints mais recentes. Esses checkpoints servem como âncoras temporais para sincronizar nós heterogêneos e particionar as observações do sistema em intervalos discretos.

   • Os logs brutos são analisados e normalizados para extrair características indicativas de potenciais falhas (ex: falhas de alocação de recursos, anomalias de execução, interrupções de conectividade).
   • Ao contrário dos modelos determinísticos tradicionais, o PAIR-Agent trata as falhas como eventos probabilísticos inseridos em um contexto espaço-temporal.
   • Usando Aprendizado de Estrutura de Redes Bayesianas (BNSL) com Hill-Climbing e pontuação de equivalência de Dirichlet Bayesiana, o agente constrói um Grafo de Falhas Causais (CFG) que evolui no tempo. Este grafo modela dependências condicionais entre falhas e características contextuais, permitindo que o sistema capture dependências latentes entre hardware, software e fatores ambientais.

2. Inferência de Falha Probabilística:
   Uma vez estabelecido o CFG, o agente realiza a inferência de falha para distinguir entre falhas certas e incertas.

   • Mantras de Markov (Markov Blankets): Para cada variável de falha, o agente identifica seu manto de Markov (pais, filhos e co-pais). Este conjunto local de variáveis torna a falha condicionalmente independente do restante da rede, permitindo uma inferência escalável e localizada.
   • Princípio da Energia Livre (FEP): Para lidar com a inviabilidade da computação de posterior exata em distribuições complexas, o agente aplica o Princípio da Energia Livre. Ele minimiza a energia livre variacional para alinhar seu modelo interno com o comportamento observado do sistema, computando crenças posteriores aproximadas sobre a ativação de falhas.
   • Decomposição: O agente particiona o espaço de falhas em componentes relacionados ao hardware (ex: temperatura, potência) e ao software (ex: falhas de tarefas, divergência de modelo) para diferenciar as causas raízes das falhas detectadas.

3. Inferência Ativa para Cura:
   Ao identificar falhas, o agente seleciona autonomamente ações corretivas através de Inferência Ativa.

   • O agente avalia um conjunto de ações possíveis e seleciona aquela que minimiza a Energia Livre Esperada. Esta métrica equilibra o impulso de alcançar estados operacionais preferidos (minimizando a surpresa) com a redução da incerteza.
   • Espectro de Ação: As ações de cura variam desde a recuperação ao nível do dispositivo (reinicialização, recarregamento de firmware, ajuste de configuração) até intervenções ao nível do continuum (redistribuição de carga de trabalho, redirecionamento por caminhos redundantes, gerenciamento térmico).
   • Se a autocura falhar, o agente isola os nós defeituosos e escala para operadores humanos para intervenção física.

Principais Contribuições
O artigo delineia três contribuições primárias:

• Modelagem Causal Probabilística: A construção de um Grafo de Falhas Causais que evolui no tempo usando Aprendizado de Estrutura de Redes Bayesianas sobre dados de logs de dispositivos, tratando falhas como eventos probabilísticos dentro de um contexto contínuo.
• Inferência Consciente de Incerteza: A aplicação de mantos de Markov para identificação de falhas localizada e do Princípio da Energia Livre para inferir crenças posteriores aproximadas, gerenciando efetivamente as incertezas em ambientes de DCC heterogêneos.
• Autocura Autônoma: A implementação de um framework de inferência ativa que seleciona autonomamente ações corretivas para minimizar a energia livre esperada, permitindo que o sistema restaure a estabilidade sem intervenção humana.

Resultados Teóricos e Alegações
O artigo apresenta quatro resultados teóricos para validar as propriedades do framework:

1. Localidade e Escalabilidade: A inferência de falha é local por design. O custo computacional por atualização depende apenas do tamanho do manto de Markov de uma falha, não do tamanho total do sistema, garantindo que a abordagem escale conforme o DCC cresce.
2. Aproximação Ótima: O agente computa a distribuição posterior aproximada "melhor possível" dentro de sua família variacional escolhida ao minimizar a energia livre variacional, garantindo uma inferência fundamentada e internamente consistente.
3. Seleção de Ação Conservadora: O agente tem a garantia de nunca selecionar uma ação com maior energia livre esperada do que uma linha de base de "não fazer nada". Isso garante que o agente não tome ações que prevejam divergir o sistema de seus objetivos ou aumentar a incerteza do modelo.
4. Robustez a Lacunas de Dados: O mecanismo de inferência é robusto a logs ausentes ou atrasados. Como as atualizações de crença dependem apenas de variáveis dentro de um manto de Markov, lacunas de dados fora desse vizinho local não alteram o diagnóstico de uma falha específica.

Significância
O artigo posiciona o PAIR-Agent como um passo significativo em direção a sistemas de computação distribuída autônomos e resilientes. Ao integrar aprendizado de grafo causal, minimização de energia livre e inferência ativa, o framework vai além da tolerância a falhas estática para a resiliência dinâmica e adaptativa. A validação teórica confirma que o sistema pode manter a continuidade do serviço e a estabilidade sob diversas condições de falha, enquanto lida com a observabilidade parcial e a heterogeneidade inerentes ao grande escala de computação distribuída. Os autores observam que este é um trabalho em progresso, com planos futuros para incluir implementação distribuída detalhada, validação empírica e avaliação em um ambiente de teste em tempo real.