Este projeto de mestrado foi financiado com recursos da 4ª chamada colaborativa BR-EU no contexto do H2020, registrados no acordo 777067 (NECOS - Novel Enablers for Cloud Slicing), que é fomentado pelo Ministério da Ciência e Tecnologia no lado Brasileiro e pela Comissão Europeia de Tecnologia no lado Europeu.This work was developed in the context of the Novel Enablers for Cloud Slices (NECOS) project. This dissertation aimed to propose an orchestrator of cloud-network resources from federated providers. Given the nature of the NECOS project, the orchestrator should manage portions of the resources inside this federation, which were called slices. Due to the diversity of resources that could make up each slice and aiming to maintain the Service Level Agreement of the platform's clients towards their end-users, an automatically customizable orchestration strategy was developed, based on machine learning. Recurrent Neural Networks were used to predict future values of a key performance indicator, previously chosen by the client. Based on this prediction, the orchestrator triggered slice resizing actions, both in the sense of increasing the capacity of the slice to accommodate high loads, as well as reducing this capacity to save resources in case of low demand. The creation of the orchestrator prototype allied with the experiments carried out showed that it is possible, viable, and appropriate to use the proposed strategy.Ministério da Ciência e Tecnologia e InovaçãoDissertação (Mestrado)Este trabalho, inserido no contexto do projeto Novel Enablers for Cloud Slices (NECOS), visava a proposta de um orquestrador de recursos de nuvem de provedores federados. Dada a natureza do projeto NECOS, o orquestrador deveria gerenciar parcelas de recursos dessa nuvem federada, chamadas de fatias. Graças a diversidade dos recursos que poderiam compor essa fatia e visando manter o Service Level Agreement dos clientes da plataforma para com seus usuários finais, foi desenvolvida uma estratégia automaticamente customizável de orquestração, baseada em aprendizado de máquina. Redes Neurais Recorrentes foram usadas para prever valores futuros de uma métrica indicadora de performance. Com base nessa predição, o orquestrador deveria disparar ações de redimensionamento dos recursos da fatia, tanto no sentido de aumentar a capacidade para acomodar altas cargas, quanto reduzir essa capacidade a fim de economizar recursos em caso de baixa demanda. A criação do protótipo do orquestrador aliada aos experimentos executados mostram que é possível, viável e adequado o uso da estratégia proposta.