Blog

O projeto, conduzido pelos pesquisadores João e Silva Costa (GTA-PEE/COPPE-DEL/Poli, Universidade Federal do Rio de Janeiro – UFRJ), Guilherme A. Thomaz, Ronaldo A. Ferreira e Miguel Elias M. Campista (Facom, Universidade Federal de Mato Grosso do Sul – UFMS), foi apresentado no Salão de Ferramentas do SBRC 2026

O FLeer2FLeer (F2F) é uma ferramenta web para orquestração de aprendizado federado baseada em uma arquitetura P2P. O F2F introduz um indexador responsável pela descoberta, anúncio e ingresso de clientes nas múltiplas federações, sem interferir no processo de treinamento.

A ferramenta fornece uma infraestrutura de orquestração descentralizada para o Aprendizado Federado (FL), permitindo treinar modelos de inteligência artificial sem comprometer a privacidade dos usuários que detêm os dados.

O projeto, conduzido pelos pesquisadores João Silva e Costa (GTA-PEE/COPPE-DEL/Poli, Universidade Federal do Rio de Janeiro – UFRJ), Guilherme A. Thomaz, Ronaldo A. Ferreira e Miguel Elias M. Campista (Facom, Universidade Federal de Mato Grosso do Sul – UFMS), foi apresentado no Salão de Ferramentas do SBRC 2026 e está disponível nos anais do simpósio.

Aprendizado federado

O trabalho está relacionado ao aprendizado federado (Federated Learning), uma abordagem desenvolvida inicialmente pela Google para solucionar um problema central no treinamento de modelos de inteligência artificial: a necessidade de coletar grandes volumes de dados dos usuários, o que gerava preocupações com privacidade.

Em vez de centralizar os dados dos usuários em um único servidor para treinar os modelos, a proposta do aprendizado federado inverte essa lógica. O modelo é enviado aos dispositivos ou organizações que possuem os dados, onde o treinamento é realizado localmente. Posteriormente, apenas as atualizações dos modelos treinados são enviadas de volta ao servidor central, que combina (“faz o merge”) essas contribuições para produzir um modelo global cada vez mais preciso e convergente. Esse processo depende da participação de múltiplos clientes treinando o modelo em paralelo.

O procedimento é repetido até que o modelo convirja ou algum critério de parada seja alcançado. Essa abordagem de treinamento distribuído, por preservar a privacidade dos usuários, é bastante adequada para situações em que o treinamento exige informações sensíveis dos usuários, como dados provenientes de sistemas de Internet das Coisas (IoT), dados médicos ou produzidos por dispositivos móveis.

Peer-to-Peer

Grande parte dos trabalhos existentes na literatura assume que esses processos de treinamento já estão em andamento. No entanto, pouco se discute sobre uma questão prática: como um novo participante ingressa em um processo de treinamento federado? Como uma empresa ou um usuário que possui dados pode encontrar um treinamento compatível e começar a contribuir?

É justamente essa lacuna que o artigo procura abordar. A proposta permite que um cliente — seja uma empresa ou um usuário final, detentor dos dados — localize modelos de aprendizado federado compatíveis com seus interesses e participe dos respectivos processos de treinamento. Para isso, o sistema disponibiliza um servidor que atua como ponto de entrada para esses treinamentos.

Ao participar com seus próprios dados, o cliente contribui para o aperfeiçoamento do modelo e, ao mesmo tempo, obtém um sistema mais adaptado às suas necessidades específicas. Além disso, modelos já existentes podem continuar sendo refinados continuamente à medida que novos dados são incorporados ao processo de treinamento.

Proposta

O trabalho dos pesquisadores propõe o desenvolvimento de uma ferramenta web inspirada na arquitetura P2P, chamada de FLeer2FLeer (F2F), para treinamento de modelos federados. O F2F propõe um servidor operando como indexador para descoberta e gerenciamento de federações. Diferente das abordagens focadas em mudanças complexas no algoritmo, a ferramenta prioriza a experiência do usuário e a governança de múltiplos treinamentos de modelos simultâneos.

FLeer2FLeer é uma ferramenta inovadora que une aprendizado federado e arquitetura par a par para otimizar o treinamento de modelos de inteligência artificial. Diferente dos métodos tradicionais que centralizam informações privadas, essa solução permite que os dados permaneçam com os usuários, promovendo maior privacidade e segurança durante o processamento.

O sistema facilita a colaboração entre empresas e indivíduos, possibilitando que interessados localizem e contribuam com treinamentos específicos de forma distribuída. Ao descentralizar o esforço computacional, a plataforma ajuda a reduzir custos operacionais e torna os modelos mais precisos e personalizados para as necessidades reais dos participantes. O foco central é superar os desafios de implementação prática, conectando detentores de dados a processos de orquestração de modelos globais de maneira eficiente.

Embora o sistema não seja um serviço público aberto, ele pode ser implantado dentro de empresas, permitindo que diferentes organizações realizem treinamentos colaborativos sobre dados distribuídos, sem necessidade de centralizá-los.

Essa abordagem também possibilita a distribuição do custo computacional entre os participantes, já que o processamento é realizado de forma descentralizada. O principal desafio agora é transformar essa solução em uma tecnologia aplicável em cenários reais, ampliando sua adoção fora do ambiente de pesquisa.

O trabalho dos pesquisadores Guilherme M. Soares, Lucas S. Vrielink, Juliano A. Wickboldt, Jéferson C. Nobre e Lisandro Z. Granville, do Instituto de Informática da Universidade Federal do Rio Grande do Sul (UFRGS), propõe uma maneira de transformar arquivos de configuração de computadores (como o Docker Compose) em um “mapa inteligente” que uma Inteligência Artificial (IA) consegue entender, permitindo que sejam tiradas dúvidas sobre sua infraestrutura apenas conversando. 

O trabalho, apresentado no SBRC 2026, surge num contexto em que contêineres (pequenos sistemas isolados para rodar seus sites e apps) são amplamente utilizados por cerca de 90% das empresas (Nutanix 2025), e há uma complexidade crescente em arquiteturas de microsserviços.

Ferramentas de orquestração como Kubernetes sendo mais utilizadas para gerenciar esta expansão e o aumento da complexidade, levando ao paradigma de Infrastructure as Code (IAC). E ferramentas geralmente utilizadas na automação (linters, CLI) focam apenas nos contêineres que estão sendo executados e nas sintaxes dos arquivos de definição.

Sendo assim, falta uma visão unificada da infraestrutura que forneça uma compreensão de como os componentes interagem, e as soluções existentes não fornecem mecanismos facilitadores como consultas com linguagem natural para auditar dependências transitivas ou riscos de segurança em arquiteturas complexas.

Isso significa que, atualmente, empresas usam centenas de contêineres (pequenos sistemas isolados) e as instruções para esses sistemas ficam em arquivos de texto, que são os chamados docker compose. Mas as ferramentas tradicionais só checam se o texto está escrito corretamente (isto é, sintaxe). Elas não conseguem “enxergar” o quadro geral, como por exemplo: “Se este banco de dados falhar, quais outros 10 serviços vão parar?”.

O sistema proposto pelos pesquisadores transforma arquivos técnicos e frios em um conhecimento ativo que a IA usa para ajudar o administrador do sistema a evitar erros graves e ataques de segurança de forma muito mais rápida e simples. O framework proposto faz um mapa inteligente, ou um grafo de conhecimento, a partir desses arquivos. É como um mapa mental onde cada serviço, rede ou volume é um ponto conectado a outro. O que organiza esse mapa é uma ontologia  – ou seja, um conjunto de regras que definem como cada peça pode se conectar a outras (por exemplo: um serviço usa uma imagem, um serviço se conecta a uma rede).

Inovação: uso do Model Context Protocol (MCP) para ligar esse mapa à IA (como o ChatGPT ou Claude)

A grande inovação do projeto é usar o Model Context Protocol (MCP) para ligar esse grafo à IA generativa (como o ChatGPT ou o Claude). Normalmente, a IA inventa respostas, se não souber algo. Com esse sistema, a IA é obrigada a consultar o “mapa inteligente” antes de responder.

Graças ao uso de linguagem natural, não é preciso ser um expert em código. Pode-se perguntar: “Existe algum risco de segurança na minha rede?”, e o sistema analisa todas as conexões para oferecer a resposta.

Os pesquisadores testaram o sistema em situações reais e ele encontrou problemas que ferramentas comuns ignoram, como por exemplo o Efeito Dominó: foi identificado que uma queda de um banco de dados derrubaria um serviço que nem estava conectado a ele diretamente, mas que dependia de outros serviços no meio do caminho.

Outro problema detectado foi a invasão de rede um “caminho escondido” que um hacker poderia usar para pular de uma rede pública para uma rede privada segura (movimentação lateral).

Além disso, foram identificados Conflitos de “Porta”, que acontecem quando dois serviços tentam usar a mesma “entrada” do computador ao mesmo tempo, o que causa um erro na hora de rodar.

O artigo completo dos pesquisadores está disponível neste link 

O Aprendizado Federado já é uma tecnologia consolidada e amplamente utilizada por empresas como a Google, que emprega essa abordagem em treinamentos realizados diretamente nos dispositivos dos usuários. Mas, neste trabalho, os pesquisadores Francinaldo Barbosa (UFPI), Luis Guilherme Silva (UFPI), Iure Fé (UFPI), Israel Cardoso (UFPI), Alex Vieira (UFJF), Geraldo P. Rocha Filho (UESB) e Francisco Airton Silva (UFPI) focaram em ampliar essa arquitetura ao integrar o Aprendizado Federado com Blockchain, buscando aumentar a segurança e a confiabilidade do processo de treinamento distribuído.

O trabalho aborda o aprendizado de máquina distribuído, que se distingue do modelo tradicional de aprendizado de máquina porque, neste último, os dados dos clientes são enviados para um servidor central, que possui maior capacidade computacional para processá-los e treinar o modelo. Entretanto, esse processo exige que grandes volumes de dados trafeguem pela rede, o que pode gerar problemas relacionados à privacidade, à segurança e ao risco de ataques maliciosos. O Aprendizado Federado surge justamente para minimizar esses problemas. Em vez de enviar os dados dos usuários ao servidor, cada cliente realiza localmente o treinamento do modelo utilizando seus próprios dados. Após essa etapa, apenas os parâmetros ou pesos atualizados do modelo são enviados ao servidor central, enquanto os dados permanecem armazenados no dispositivo do cliente. Dessa forma, reduz-se a circulação de informações sensíveis e preserva-se a privacidade dos usuários.

Para alcançar seu objetivo, os autores utilizaram o FLEX, um framework voltado para simulações de Aprendizado Federado. Esse framework possui diferentes bibliotecas, entre elas a FlexBlock, responsável por integrar o Aprendizado Federado com Blockchain. Essa integração permite registrar e validar as atualizações do modelo de forma descentralizada, aumentando a segurança do processo e dificultando manipulações maliciosas.

A arquitetura proposta combina dois modelos de comunicação:

• Cliente-servidor, utilizado durante o treinamento realizado pelos clientes e no envio das atualizações do modelo;
• Peer-to-peer (P2P), utilizado para a comunicação entre os diferentes nós (servidores) da rede Blockchain.

Na arquitetura Blockchain, os servidores participam de um processo de consenso para decidir qual atualização será incorporada ao bloco seguinte da cadeia. O artigo compara dois mecanismos de consenso.

O primeiro mecanismo baseia-se na lógica semelhante ao Proof of Work (PoW), na qual vence o servidor que realizou maior trabalho computacional para validar o bloco.

O segundo mecanismo considera o desempenho obtido no treinamento, priorizando o servidor que apresentou os melhores resultados (por exemplo, maior acurácia) ao atualizar o modelo.

O objetivo do estudo foi comparar esses mecanismos para identificar qual apresenta melhor desempenho e maior potencial de aplicação em cenários reais de Aprendizado Federado com Blockchain.

O treinamento ocorre por meio de rodadas sucessivas, característica típica do Aprendizado Federado. Em cada rodada, os clientes treinam localmente o modelo, enviam seus parâmetros atualizados ao servidor e um novo modelo global é gerado. Esse processo é repetido por um número de rodadas previamente definido.

Uma das principais métricas analisadas foi a acurácia, que indica o quanto o modelo melhora seu desempenho ao longo das rodadas de treinamento – isto é, mede o quanto o modelo “aprendeu”.

Os autores observaram que o mecanismo baseado em Proof of Work apresenta oscilações mais acentuadas na evolução da acurácia. Isso ocorre porque o consenso privilegia o servidor que realizou maior esforço computacional, e não necessariamente aquele que produziu o melhor modelo treinado. Assim, pode acontecer de um servidor vencer o consenso mesmo sem possuir os melhores resultados de treinamento.

Idealmente, espera-se que a evolução da acurácia apresente crescimento gradual e estável até atingir um ponto de estabilização, indicando convergência do modelo.

Outro resultado analisado aparece no Gráfico 2 da página 11 (o artigo está publicado aqui – https://sol.sbc.org.br/index.php/sbrc/article/view/42375), que apresenta a perda (loss) do modelo ao longo das rodadas. Essa métrica indica o erro do modelo durante o treinamento e permite avaliar sua capacidade de convergência: quanto menor a perda, melhor tende a ser o desempenho do modelo.

Desafios identificados

Os autores destacam algumas limitações do estudo.

A principal delas é que o framework FLEX ainda é bastante recente, havendo pouca documentação e poucos trabalhos publicados sobre suas bibliotecas específicas, especialmente sobre a FlexBlock. Essa limitação dificulta comparações com outros estudos e restringe a maturidade da ferramenta.

Outro ponto observado é que, embora a biblioteca disponibilize três mecanismos de consenso, apenas dois foram utilizados na pesquisa. Um terceiro mecanismo não foi incluído porque aparentava estar desatualizado ou ainda não plenamente funcional.

Além disso, o estudo poderia ter sido enriquecido pela comparação com um número maior de mecanismos de consenso utilizados em Blockchain, ampliando a análise sobre desempenho, segurança e eficiência.

Trabalhos futuros

Como continuidade da pesquisa, os autores sugerem os seguintes passos: avaliar um número maior de métricas de desempenho; comparar outros mecanismos de consenso para Blockchain; investigar o custo computacional e energético de cada mecanismo ao longo das rodadas de treinamento; ampliar os experimentos para cenários mais próximos de aplicações reais de Aprendizado Federado.

Leia o artigo completo nos anais do SBRC 2026: https://sol.sbc.org.br/index.php/sbrc/article/view/42375