Miguel Elias M. Campista (UFRJ) apresenta webinar dia 26 de novembro

O tema da palestra é “Aprendizado Federado Veicular: da teoria à prática”

Veículos conectados geram grandes volumes de dados sensíveis, como imagens, localização e comportamento do condutor. Centralizar esses dados pode comprometer a privacidade e sobrecarregar a rede. Esta palestra apresenta o aprendizado federado como alternativa para personalizar aplicações veiculares sem que os dados saiam de suas fontes, os clientes, e discute as motivações dessa abordagem para a Internet das Coisas veicular.

A discussão se apoia no projeto AVADiP, que trata desafios de ponta a ponta: da instalação de câmeras no interior dos veículos e de hardware para treinamento e inferência, passando pela geração e transmissão de dados em redes móveis, até o treinamento federado e a seleção e o gerenciamento dos clientes participantes.

A palestra também aborda dois desafios em aberto. O primeiro é a necessidade de rotulação na fonte quando se usam modelos supervisionados; o segundo, a automação da descoberta de modelos com grandes modelos de linguagem (LLMs). Ao longo da palestra, a identificação de usuários vulneráveis da via (VRUs), como pedestres, ciclistas e motociclistas, serve como estudo de caso de apoio ao motorista. A palestra encerra com perspectivas de evolução do AVADiP e de sua aplicação em outras áreas, sobretudo em cidades inteligentes.

O palestrante

Miguel Elias M. Campista obteve, respectivamente, os títulos de Mestre e Doutor em Engenharia Elétrica pela Universidade Federal do Rio de Janeiro. Atuou em 2009 como Professor Adjunto do Departamento de Engenharia de Telecomunicações da Universidade Federal Fluminense e, atualmente, é Professor Associado do Departamento de Engenharia Eletrônica e de Computação da Escola Politécnica da UFRJ e Professor Pleno do Programa de Engenharia Elétrica da COPPE/UFRJ. Miguel passou o ano de 2012 em estágio pós-doutoral na Sorbonne Université, foi por duas vezes consecutivas Jovem Cientista do Nosso Estado da FAPERJ (2015-2018, 2018-2021), membro afiliado da Academia Brasileira de Ciências (ABC) (mandato 2018-2022), coordenador da Comissão Especial de Redes de Computadores e Sistemas Distribuídos (CE-RESD) da SBC (2021-2023), membro da diretoria do Laboratório Nacional de Redes de Computadores (LARC) (2019-2025) e membro do Conselho de Administração (CADM) da Rede Nacional de Ensino e Pesquisa (RNP) (2021-2024). Atualmente, ele é coordenador do Programa de Engenharia Elétrica da COPPE/UFRJ, Editor Associado do periódico Annals of Telecommunications da Springer, PQ-B do CNPq, membro sênior do IEEE e Cientista do Nosso Estado da FAPERJ. O Prof. Miguel coordena projetos de pesquisa financiados por agências de fomento nacionais como CNPq, CAPES e FAPERJ e através de parcerias com a indústria. O Prof. Miguel já atuou como professor convidado de instituições internacionais como a Universidade de Sorbonne e a Universidade de La Rochelle, ambas na França. Sua área de atuação é predominantemente em ciências da computação e suas áreas de interesse são redes de computadores, ciência de dados e de redes, cibersegurança e aprendizado de máquina aplicado.

Mascaramento por Agrupamento e Rotulagem com LLMs para Compartilhamento de Datasets de Incidentes em Redes

Conheça o trabalho de Breno Manhaes (UFRJ), Guilherme Thomaz (UFRJ) e Miguel Elias Mitre Campista (UFRJ)

Como compartilhar dados de cibersegurança para ampliar o conhecimento sobre ameaças e vulnerabilidades sem expor informações que possam comprometer a segurança de uma infraestrutura? Este dilema da cibersegurança motivou o trabalho de Breno Manhaes (UFRJ), Guilherme Thomaz (UFRJ) e Miguel Elias Mitre Campista (UFRJ), publicado no artigo intitulado ‘Mascaramento por Agrupamento e Rotulagem com LLMs para Compartilhamento de Datasets de Incidentes em Redes’ (SBRC 2026).

Compartilhar informações sobre ameaças e vulnerabilidades digitais é uma das maneiras de fortalecer a segurança na internet. Quando diferentes organizações têm acesso a esses dados, podem identificar problemas, reconhecer padrões e desenvolver soluções mais eficazes. Mas existe um desafio: como compartilhar essas informações sem expor detalhes que possam comprometer a segurança de uma rede ou organização? 

As organizações muitas vezes evitam compartilhar seus registros de segurança (logs) por medo de expor informações sobre suas infraestruturas ou descumprir leis de proteção de dados, como a LGPD, no Brasil, e a GDPR, na Europa. Estudos mostram que as restrições legais e a falta de garantias de privacidade estão entre os principais obstáculos à troca de informações sobre ameaças cibernéticas. 

Por outro lado, ferramentas de identificação de vulnerabilidades, como OpenVAS e Nessus, geram relatórios com muitas informações em formato de texto livre. Esses textos são importantes para entender o contexto de um problema de segurança, mas podem conter dados sensíveis, como endereços IP internos, versões de programas utilizados, nomes de usuários e caminhos de pastas e arquivos. Essas informações podem permitir a identificação da organização envolvida.

As técnicas tradicionais de anonimização, como apagar colunas ou substituir informações por códigos (hashes), podem acabar eliminando dados importantes para a análise. Já a revisão manual dos textos para retirar detalhes sensíveis e substituí-los por informações mais genéricas exige muito tempo e trabalho, tornando-se difícil de aplicar diante da grande quantidade de registros produzidos diariamente.

Esses dilemas foram o ponto de partida da pesquisa de Manhaes, Thomaz e Campista, desenvolvida em parceria com a Rede Nacional de Ensino e Pesquisa (RNP). A instituição utiliza ferramentas que realizam varreduras de segurança em suas redes, identificando possíveis vulnerabilidades e gerando grandes volumes de dados. Essas informações poderiam ser úteis para outros pesquisadores e profissionais da área de cibersegurança. No entanto, antes de compartilhá-las, é necessário remover ou modificar elementos que possam revelar informações críticas sobre a infraestrutura da rede.

O problema é que esse processo não é tão simples quanto retirar nomes, endereços ou identificações. Algumas informações aparentemente inofensivas podem, quando combinadas com outros dados disponíveis publicamente, permitir que alguém descubra detalhes que deveriam permanecer protegidos. Isso é especialmente difícil quando se trata de textos livres, ou seja, informações escritas sem um formato padronizado. Mesmo que não contenham uma identificação explícita, esses textos podem revelar características importantes sobre sistemas, equipamentos e vulnerabilidades.

Proteger sem perder informação

Anonimizar dados significa modificar ou retirar informações que possam identificar pessoas, organizações ou estruturas específicas. Mas existe uma questão importante: quanto mais informações são removidas, menor pode ser a utilidade dos dados para quem precisa analisá-los. Os pesquisadores precisam, portanto, encontrar um equilíbrio entre proteger informações sensíveis e preservar características que permitam seu estudo. Em outras palavras, não basta esconder os dados: é preciso fazer isso sem comprometer sua utilidade.

Para enfrentar esse desafio, os pesquisadores desenvolveram um algoritmo com atenção especial aos campos de texto livre. A solução utiliza uma técnica conhecida como embeddings, bastante empregada em sistemas de inteligência artificial que trabalham com linguagem. De forma simplificada, essa técnica transforma textos em representações numéricas, chamadas vetores. Esses vetores permitem identificar a proximidade de significado entre diferentes textos: aqueles que tratam de assuntos semelhantes tendem a ficar próximos nesse espaço matemático.

Com isso, o algoritmo consegue identificar textos com características semelhantes, agrupá-los e atribuir rótulos mais genéricos a esses grupos. Assim, em vez de divulgar uma descrição muito específica, que poderia revelar detalhes de uma vulnerabilidade, é possível substituí-la por uma categoria mais abrangente, preservando parte do significado necessário para análises posteriores.

Desafios envolvidos

Uma das dificuldades da pesquisa foi avaliar a qualidade dos agrupamentos e dos rótulos gerados automaticamente. Como o método utiliza aprendizado não supervisionado, não existe uma classificação prévia considerada correta para servir de comparação. Os pesquisadores precisaram, então, desenvolver outras formas de verificar se os grupos identificados faziam sentido e se os rótulos representavam adequadamente o conteúdo reunido em cada um deles.

O trabalho de avaliação continua sendo realizado em colaboração com a RNP. A equipe também investiga se existem padrões naturalmente identificáveis nos dados que possam servir de referência para medir a qualidade dos agrupamentos. Além disso, pretende testar o algoritmo em conjuntos de dados públicos.

Embora tenha sido desenvolvido a partir de um problema específico de cibersegurança, o método pode ter aplicações em outros contextos que envolvam grandes volumes de informações textuais. Empresas e instituições, por exemplo, poderiam utilizá-lo para organizar documentos, classificar arquivos PDF e identificar conteúdos semelhantes.

A pesquisa mostra que compartilhar dados é importante para produzir conhecimento e fortalecer a segurança digital, mas esse compartilhamento exige cuidados. O desafio não é simplesmente retirar informações sensíveis, mas encontrar maneiras de proteger o que precisa ser preservado sem descartar aquilo que pode ser útil para a pesquisa.

 

ICoNIoT chega à primeira metade de sua vigência bem avaliado pelo CNPq e com muitas parcerias de pesquisa em andamento

Prof. Dr. Nelson Fonseca faz balanço do caminho percorrido até aqui, na metade da vigência do INCT ICoNIoT
O professor Nelson Fonseca gravou um vídeo com uma mensagem para os pesquisadores do INCT ICoNIoT, no qual ele comenta sobre o andamento do projeto após dois anos e meio em vigência:

Prof. Nelson Fonseca comenta neste vídeo que estamos exatamente no meio da vigência do INCT ICoNIoT, por isso faz uma autoavaliação e propõe um planejamento para o futuro do INCT. O projeto foi muito bem avaliado pelo CNPq, com ênfase na produção científica, nos prêmios recebidos e na interação entre várias universidades. Com 20 universidades participantes e cerca de 90 pesquisadores, foi possível montar redes de cooperação com vários trabalhos conjuntos que somente foram possíveis devido à interação proporcionada pelo ICoNIoT.

O prof. Nelson destaca atividades que visam à intensificação dessas parcerias, citando a newsletter semanal interna endereçada aos pesquisadores, os seminários coordenados pelo prof. Carlos Kamienski e os workshops – tanto o presencial no SBRC quanto o remoto, que acontece no final do ano.

Ele destaca, ainda, o esforço constante dos coordenadores de linha, que por se empenharem constantemente abrem a possibilidade de os pesquisadores se conhecerem e fazerem projetos em comum.

Ele agradece o apoio de todos, dos coordenadores, do comitê gestor, e lembra aos pesquisadores do INCT que todo ano há chamadas das quais eles podem participar. O prof. Nelson solicita, ainda, que quem tiver sugestões compartilhe, para que possamos realizar ainda mais ações e trabalhos conjuntos na segunda metade da vigência do INCT.

Chaos-K8s: Avaliação Sistemática de Disponibilidade em Clusters Kubernetes

Nos últimos anos, a dependência de serviços digitais em setores críticos como comércio eletrônico, serviços financeiros, governo eletrônico e aplicações de saúde tornou a disponibilidade um requisito tão importante quanto desempenho e segurança. Quedas recentes de grandes plataformas de nuvem e de serviços amplamente utilizados como a Amazon Web Services (AWS) afetaram cerca de 500 empresas por conta da interrupção –  algumas delas no Brasil foram iFood, Mercado Livre, Itaú e entre outros. Mesmo que de curta duração, as quedas geraram indisponibilidade global e impactos milionários, evidenciando como poucos minutos de interrupção podem comprometer cadeias de negócio inteiras e a confiança de usuários. Nesse cenário, métricas de disponibilidade e de tempo de recuperação deixaram de ser apenas indicadores operacionais para se tornarem insumos estratégicos no planejamento de capacidade e na definição de acordos  de nível de serviço (SLAs).

Este artigo, de autoria de Jonas César Gomes Nunes (UFPI), Iure de Sousa Fé (UFPI), Lucas Lopes (UFPI), José Miqueias (UFPI), Elias P. Duarte Jr. (UFPR) e Francisco Airton Silva (UFPI), apresenta o Chaos-K8s, uma ferramenta inovadora desenvolvida para avaliar de forma sistemática a disponibilidade em clusters Kubernetes. Confira aqui o artigo completo.

A solução foca em automatizar a descoberta da infraestrutura e a calibração empírica dos tempos de recuperação, permitindo que administradores testem falhas no plano de controle, nós e pods  (um pod é uma pequena parte de uma aplicação  com tudo que ela precisa para funcionar). Ao realizar simulações controladas, o sistema ajuda a quantificar como diferentes configurações impactam a experiência do usuário final e a resiliência do serviço. 

O estudo valida a eficácia da ferramenta através de modelagem matemática, demonstrando uma alta precisão estatística entre os testes práticos e os resultados teóricos. Em última análise, o trabalho oferece uma metodologia estruturada para que empresas possam prever interrupções e otimizar a robustez de suas operações em nuvem.

Descoberta e Calibração Automática

A ferramenta mapeia automaticamente os componentes do cluster (plano de controle como etcd e kube-apiserver, nós workers e aplicações implantadas) para gerar uma configuração inicial sem esforço manual. Diferente de outras ferramentas que usam valores genéricos, o Chaos-K8s pode realizar uma fase de calibração onde injeta falhas controladas para medir o Tempo Médio de Recuperação (MTTR) real de cada componente no ambiente específico. Isso garante que os cálculos de disponibilidade reflitam a realidade da infraestrutura avaliada.

O sistema atua como um orquestrador externo que interage com o cluster para aplicar falhas em diferentes camadas: a Pods – Encerramento de processos para forçar a reinicialização pelo Kubernetes; a Nós Workers – Reinicialização de serviços críticos como o kubelet e o containerd via SSH; e o Plano de Controle – a interrupção de processos centrais como o etcd e o kube-apiserver.

Monitoramento e Critérios de Disponibilidade

Durante os testes, o Chaos-K8s utiliza um módulo de monitoramento que verifica continuamente se o sistema atende aos critérios de disponibilidade definidos pelo administrador (por exemplo, o número mínimo de réplicas saudáveis de um pod)

Se o número de réplicas cai abaixo desse limiar, o sistema é contabilizado como indisponível.

Validação por Modelagem Matemática

Para garantir a precisão, os resultados empíricos obtidos pelo Chaos-K8s são validados através de Redes de Petri Estocásticas (SPN). Essa modelagem permite comparar os dados coletados nos testes reais com valores analíticos, fornecendo uma base estatística robusta (com 95% de confiança no estudo de caso) para as estimativas de disponibilidade. Dessa forma, o Chaos-K8s não apenas injeta o “caos”, mas fornece um fluxo integrado para quantificar o impacto de decisões arquiteturais, como o número de réplicas de pods, sobre a resiliência global do sistema

Desdobramentos futuros

Como trabalhos futuros, pretende-se ampliar a avaliação do Chaos-K8s em ambientes corporativos de maior escala, considerando aplicações reais e cargas de trabalho mais complexas. Busca-se investigar seu comportamento em execuções prolongadas, analisando a disponibilidade, a confiabilidade, o tempo de recuperação e o consumo energético, a fim de avaliar sua escalabilidade e aplicabilidade em cenários reais de produção.

 

Aprovada a proposta do ICoNIoT para a Escola São Paulo de Ciência Avançada

Recebemos nesta semana, com muito entusiasmo, a notícia de que foi aprovada a proposta do ICoNIoT para a Escola São Paulo de Ciência Avançada (ESPCA), intitulada Escola São Paulo de Ciência Avançada em Inteligência Artificial para Redes de Comunicação. O projeto é coordenado pelo pesquisador Carlos Kamienski (UFABC), coordenador de Educação e Difusão do INCT ICoNIoT. A previsão é que os cursos ocorram entre 13 e 22 de setembro de 2027.

O parecer que aprova a Escola ressalta a qualidade do conteúdo proposto, que é multidisciplinar e transita entre a área de redes de computadores, telecomunicações e IA. Os pareceristas declararam que o projeto tem grande potencial de contribuição para o aumento da visibilidade da pesquisa e o estímulo à participação nos programas de doutorado e em estágios de pós-doutorado no Estado de São Paulo, especialmente para estudantes de outros países e estados brasileiros. Eles ressaltaram, ainda, que a proposta apresenta uma dinâmica capaz de proporcionar grandes benefícios aos participantes, alunos e pesquisadores do Estado de São Paulo. Os temas a serem abordados pelos palestrantes foram considerados atuais e relevantes.

O parecer destacou que os cientistas responsáveis pelos cursos (palestrantes/professores convidados) têm destaque internacional em seus campos de atuação, e que o conjunto de cientistas propostos (palestrantes/professores convidados) reflete um bom equilíbrio entre estrangeiros e brasileiros.

Atração de estudantes

Espera-se que cada ESPCA receba em torno de 100 estudantes, sendo que pelo menos 50% dos participantes deverão vir de outros países. Os estudantes participantes terão a oportunidade de apresentar os resultados de suas pesquisas em andamento em sessões de pôsteres, incluídas no programa.

Difusão

Foi destacado que a proposta do ICoNIoT  oferece novos meios de disseminação da informação e ideias, de uma forma que não poderia ser obtida através de canais usuais de comunicação  – como publicações científicas e apresentações em eventos científicos tradicionais.

Nesse sentido, o destaque recai sobre as atividades e discussões em grupo, as Student Lightning Talks, as visitas técnicas e as mesas-redondas com a indústria, previstas no projeto. São incluídas visitas técnicas monitoradas aos principais centros, instituições de pesquisa, acadêmicas e empresas relevantes para os temas tratados. Estão planejadas as seguintes visitas técnicas: 1) Telecom Operator; 2) Samsung / Motorola R&D Center; 3) Smart City / Urban Operations Center (COP-SP).

O parecer destacou, ainda, que as discussões presenciais e as atividades hands-on permitem interagir e trocar informações e ideias de forma que não é possível por meio de canais usuais de comunicação, como publicações científicas e apresentações em eventos científicos.

Como funciona a ESPCA

O Programa Escola São Paulo de Ciência Avançada (ESPCA) da FAPESP tem como objetivo apoiar a organização de cursos de curta duração que contribuam para a formação avançada de estudantes e jovens pesquisadores, promovendo a interação com pesquisadores de reconhecida excelência e ampliando a inserção internacional da pesquisa realizada no estado de São Paulo.

A modalidade ESPCA já financiou dezenas de Escolas São Paulo de Ciência Avançada que reuniram milhares de estudantes e pesquisadores de diversos países. A ESPCA oferece recursos para a organização de cursos de curta duração em pesquisa avançada nas diferentes áreas do conhecimento no Estado de São Paulo.

 

CAIROS: Controle Adaptativo do Aprendizado Federado em Redes Sem Fio

O trabalho de Lucas Airam C. de Souza (UFRJ), Nadjib Achir (INRIA Saclay, França), Miguel Elias Mitre Campista (UFRJ) e Luis Henrique Maciel Kosmalski Costa (UFRJ) foi apresentado no SBRC 2026. A pesquisa também integrou um minicurso no evento, que incluiu uma atividade prática com uma simulação da mobilidade estudada pelos pesquisadores.

A pesquisa parte de um dos desafios do Aprendizado Federado Veicular: a alta mobilidade dos usuários. À medida que os veículos se deslocam, as condições de comunicação podem variar significativamente, afetando o tempo necessário para o treinamento local e para a transmissão das atualizações ao servidor. Quando uma atualização ultrapassa o tempo limite estabelecido para uma rodada de treinamento, ela pode acabar sendo descartada.

Para lidar com esse problema, os pesquisadores propõem o CAIROS, uma estratégia que utiliza um modelo LSTM (Long Short-Term Memory) para estimar dinamicamente as condições de rede e de computação de cada cliente.

A proposta é utilizar informações disponíveis durante o treinamento — como o tempo máximo estabelecido para a rodada, o tempo já transcorrido, o tempo restante, as condições de rede experimentadas pelo cliente e a quantidade de dados disponível — para avaliar o tempo necessário para concluir o processamento e transmitir a atualização. Com isso, o sistema busca evitar que o trabalho realizado pelo cliente seja perdido por ultrapassar o limite de tempo.

No CAIROS, o modelo LSTM atua como um estimador dinâmico de atrasos. Sua função é prever as condições de comunicação de cada cliente veicular e estimar se o tempo necessário para processar e transmitir a atualização local poderá ultrapassar o limite definido para a rodada.

A partir dessa previsão, o veículo pode decidir entre continuar o treinamento local ou antecipar o envio dos parâmetros ao servidor. A estratégia busca, assim, reduzir o descarte de atualizações e aproveitar melhor o trabalho realizado pelos clientes.

Nos experimentos apresentados pelos pesquisadores, o CAIROS aumentou a eficiência do treinamento e alcançou ganhos de até 25% na acurácia do modelo global em cenários com restrições severas de tempo, em comparação com o algoritmo tradicional FedAvg.

 

Coordenador geral do INCT ICoNIoT esteve presente no Seminário INCT 2026

Prof. Nelson Fonseca apresentou o ICoNIoT em Brasília, no evento organizado pelo CNPq

Entre os dias 22 a 24 de setembro foi realizado, em Brasília, o Seminário INCT 2026. O evento reuniu coordenadores e representantes dos Institutos Nacionais de Ciência e Tecnologia atualmente em atividade, além de dirigentes do CNPq, do Ministério da Ciência, Tecnologia e Inovação (MCTI), da Capes, do Conselho Nacional das Fundações Estaduais de Amparo à Pesquisa (Confap) e de outras instituições parceiras.

O coordenador geral do ICoNIoT, prof. Nelson Fonseca, esteve presente realizando apresentação sobre o INCT ICoNIoT. Ele falou para o público do seminário sobre a estrutura do ICoNIoT; as produções realizadas até o momento; os pesquisadores formados; a interação do INCT com o setor produtivo – cooperações e parcerias com empresas privadas, órgãos públicos, secretarias; as iniciativas de internacionalização do INCT ICoNIoT – que incluem universidades presentes em quase 20 países, e as contribuições do INCT à inovação em políticas públicas. 

Segundo o prof. Nelson, “o workshop organizado pelo CNPq teve como participantes os coordenadores dos INCT vigentes, os gestores e os funcionários do programa. O INCT ICoNIoT foi selecionado para apresentação e recebeu um retorno muito positivo pela sua atuação e excelência na sua área de atuação”. 

Impactos e contribuições do ICoNIoT

Foram destacados, ainda, os impactos científicos e tecnológicos do INCT ICoNIoT, que vem avançando na fronteira do conhecimento em áreas como aprendizado federado, redes 5G/6G e OpenRAN, cibersegurança, edge, fog e cloud, IoT e sistemas veiculares, redes ópticas e IA distribuída. O Instituto tem contribuído para o desenvolvimento de novas metodologias, modelos analíticos, plataformas experimentais, bases de dados e ferramentas computacionais voltadas à análise de tráfego de rede, detecção de anomalias, predição de ataques DDoS, proteção de dispositivos IoT e IIoT, preservação de privacidade e monitoramento de sistemas distribuídos. Esses resultados têm servido de base para novos projetos de pesquisa, formação de recursos humanos altamente qualificados e transferência de conhecimento para setores estratégicos da economia digital.

O prof. Nelson Fonseca comentou sobre como essas contribuições vêm sendo disseminadas em periódicos e conferências internacionais de impacto, fortalecendo a presença da pesquisa brasileira em fóruns científicos de referência mundial. Ele citou, ainda, o reconhecimento da qualidade da pesquisa, que é evidenciado por diversas distinções nacionais e internacionais.

Difusão científica

Na apresentação realizada pelo prof. Nelson Fonseca foi destacada a estratégia de difusão científica que vem sendo implementada pelo ICoNIoT. 

Foram evidenciadas as ações de difusão científica voltadas para a aproximação entre ciência, tecnologia, educação, sociedade e setor produtivo. A estratégia tem como metas contribuir para disseminar o trabalho desenvolvido no INCT por meio de comunicação em linguagens adequadas aos públicos interno e externo; fomentar cultura de colaboração entre pesquisadores para garantir que o conhecimento produzido gere novas parcerias; apoiar uma estratégia de formação de profissionais nas temáticas do INCT e contribuir para potencializar outras dimensões da gestão da ciência e tecnologia no INCT, como a transferência de tecnologia.

Confira algumas fotos do seminário:

 

Professores Edmundo Monteiro e Marília Curado, colaboradores internacionais do ICoNIoT, ministram seminários pelo Instituto de Informática da UFRGS dia 2 de outubro

O prof. Edmundo ministrará palestra intitulada ‘Gestão de redes de telecomunicações na era da IA’ e a professora Marília Curado se apresenta com palestra intitulada ‘Transferência de tecnologia: da inovação científica ao impacto na sociedade’.

O Prof. Edmundo é professor catedrático do Departamento de Engenharia Informática da Faculdade de Ciências e Tecnologia da Universidade de Coimbra, em Portugal, e colaborador estrangeiro do INCT ICoNIoT. A prof. Marília é professora catedrática do Departamento de Engenharia Informática da Universidade de Coimbra e diretora do Laboratório de Informática e Sistemas do Instituto Pedro Nunes.

Leia os detalhes dos seminários a seguir:

SemINF — Série de Seminários do Instituto de Informática da UFRGS

Data: sexta-feira, 02/10/2026
Local: Auditório 0, Prédio 43412, Bloco 4, Campus do Vale
Transmissão on-line: https://youtube.com/@seminariosINF

────────────────────
10h30 — Transferência de tecnologia: da inovação científica ao impacto na sociedade
Palestrante: Profa. Marília Curado
────────────────────

Resumo
A palestra apresenta projetos desenvolvidos no Laboratório de Informática e Sistemas do Instituto Pedro Nunes, incluindo soluções de computação inteligente aplicadas a áreas como turismo sustentável, gestão de recursos, conectividade 6G e saúde. Aborda a transferência de tecnologia como uma ponte entre a pesquisa científica e o impacto concreto na sociedade, destacando como sistemas digitais inteligentes podem responder a desafios complexos, apoiar processos de decisão e promover novas formas de colaboração entre cidadãos, indústria, instituições e organizações.

Minibiografia
Marília Curado é professora catedrática do Departamento de Engenharia Informática da Universidade de Coimbra e diretora do Laboratório de Informática e Sistemas do Instituto Pedro Nunes. Sua pesquisa abrange temas como alocação e gestão de recursos em redes de computadores, resiliência e eficiência energética em redes além do 5G e Internet das Coisas. Também participa de projetos nacionais e internacionais e atua na comunidade científica dedicada às redes e aos sistemas de comunicação.

────────────────────
11h15 — Gestão de redes de telecomunicações na era da IA
Palestrante: Prof. Edmundo Monteiro
────────────────────

Resumo
A palestra apresenta a evolução da gestão de redes e serviços de telecomunicações, desde as primeiras configurações manuais até os ambientes atuais, cada vez mais automatizados e apoiados por inteligência artificial. Serão abordados avanços como automação, redes definidas por software e telemetria, que abriram caminho para o uso de aprendizado de máquina na previsão de falhas, na otimização do desempenho e no reforço da segurança. A palestra termina com uma reflexão sobre a transformação das operações de rede pela IA e os novos desafios associados a ecossistemas de telecomunicações cada vez mais autônomos.

Minibiografia
Edmundo Monteiro é professor catedrático do Departamento de Engenharia Informática da Faculdade de Ciências e Tecnologia da Universidade de Coimbra e diretor da instituição. Com mais de 40 anos de experiência em ensino, pesquisa e transferência de tecnologia, atua nas áreas de informática, telecomunicações, redes de computadores, gestão de redes e serviços e cibersegurança. É autor e editor de seis livros e possui mais de 200 publicações científicas.

ASTRA: Adaptive Student-Teacher Method for Robust Aggregation and Client Drift Reduction in Federated Learning

Este trabalho foi desenvolvido pelos pesquisadores João Victor Feio Gonçalves (UFPA), John Sousa (UFPA), Rafael Veiga (UFPA), Lucas de Lima Bastos (UNIFESSPA), Lucas de Sousa Pacheco (UFPA), Iago Medeiros (UFPA), Denis Rosário (UFPA) e Eduardo Coelho Cerqueira (UFPA).

Eles desenvolveram o ASTRA, um novo método projetado para otimizar o Aprendizado Federado em cenários onde os dados entre os dispositivos são altamente diversificados e desconexos. O núcleo da inovação reside na Regularização em Espaço Duplo, que combina restrições físicas nos pesos do modelo com uma auto-destilação semântica para garantir que as previsões locais permaneçam alinhadas com o objetivo global. 

Para viabilizar o uso em dispositivos com recursos limitados, os autores implementam um Escalonamento Baseado em Currículo, ativando o modelo “instrutor” de forma intensa apenas no início e, posteriormente, de maneira periódica. O propósito do estudo é mitigar o desvio do cliente (client drift) e evitar a divergência catastrófica do sistema, alcançando uma precisão superior a métodos tradicionais com um aumento pequeno no custo computacional. 

Client drift/Desvio do cliente

○ Em redes de borda, os dados apresentam grande assimetria entre os diferentes dispositivos (dados não IID).

○ O impacto no treinamento local acontece porque os clientes otimizam exclusivamente com base em seus próprios dados privados e as atualizações locais dos pesos divergem significativamente do objetivo global.

○ As consequências para o FL são estas:

■ Divergência catastrófica: a média de gradientes conflitantes destrói o desempenho global do modelo

■ Falhas de convergência: métodos padrão (como o FedAvg) apresentam grave instabilidade.

○ O objetivo então é:

■ Manter as atualizações locais semanticamente alinhadas com o consenso global sem suprimir o aprendizado local,

Dessa forma, os autores demonstram que é possível conciliar estabilidade estrutural e flexibilidade lógica para criar modelos de inteligência artificial descentralizados mais robustos e eficientes.

Teacher-Student Distillation

O Teacher-Student Distillation (destilação professor-aluno), no contexto das fontes, é uma técnica de abordagem semântica que visa alinhar as saídas de um modelo (logits) em vez de apenas seus pesos. 

O conceito central baseia-se na transferência de “dark knowledge” (conhecimento obscuro) de um modelo “Professor” robusto para um modelo “Estudante” local. O Mecanismo de Funcionamento – a transferência ocorre através dos logits de saída (ativações pré-softmax) – procura minimizar a Divergência de Kullback-Leibler (KL) entre as distribuições de probabilidade do aluno e do professor.

A consistência semântica, que é reforçada nesse processo, é uma técnica que garante que as fronteiras de decisão do modelo local permaneçam alinhadas com o consenso global, permitindo que o modelo mantenha a lógica de classificação mesmo quando os pesos físicos mudam para se adaptar a dados locais.

Utiliza-se um parâmetro de temperatura para “suavizar” as distribuições de probabilidade; isso amplifica a importância das classes de baixa probabilidade, facilitando a transferência de relações entre classes (o “dark knowledge”) em vez de apenas rótulos rígidos.

O ASTRA utiliza uma variação chamada Self-Distillation (autodestilação), onde o modelo global congelado periodicamente atua como o Professor e o modelo local em treinamento é o Estudante.

Fase de mentoria

Depois da etapa inicial de estabilização do modelo, o método ASTRA entra em uma nova fase de treinamento: a Fase de Mentoria (Mentorship Phase). A proposta é que, em vez de manter a orientação do modelo global sobre os modelos locais durante todo o processo, o sistema passe a fazer intervenções periódicas, permitindo que os dispositivos trabalhem de forma mais autônoma.

No início do treinamento, na chamada Fase de Fundação, o modelo global — o “Professor” – orienta continuamente os modelos locais, os “Estudantes”. Na fase de Mentoria, essa relação muda. O Professor passa a acompanhar o aprendizado em intervalos determinados, funcionando como uma espécie de supervisor que intervém apenas quando necessário.

A cada ciclo de rodadas de treinamento, o Professor é ativado para realizar um check-in. Nesse momento, o modelo local recebe uma correção semântica que ajuda a manter suas previsões alinhadas ao objetivo global do sistema. Entre essas intervenções, porém, o Professor permanece inativo.

É nesse intervalo que entra o chamado Modo Autônomo. Sem a necessidade de executar as passagens à frente (forward passes) do modelo global para realizar a destilação, o modelo local pode se concentrar nos seus próprios dados e se especializar de acordo com as características daquele ambiente.

A estratégia tem também um impacto direto sobre o uso de recursos computacionais. Ao reduzir a frequência com que o modelo global precisa participar do treinamento, o ASTRA diminui o consumo de memória VRAM e o número de operações de ponto flutuante (FLOPs), um aspecto especialmente relevante para dispositivos de borda, que normalmente trabalham com recursos computacionais mais limitados.

A lógica pode ser comparada à relação entre um professor e seus alunos. Depois de apresentar os conceitos fundamentais, o professor não precisa acompanhar cada exercício realizado individualmente. Ele pode deixar os estudantes resolverem as questões sozinhos e, periodicamente, voltar para verificar o andamento, corrigir eventuais erros e oferecer novas orientações. No aprendizado federado, essa alternância busca equilibrar autonomia local e alinhamento global. O modelo local ganha espaço para aprender com seus próprios dados, enquanto as intervenções periódicas do modelo global ajudam a evitar que esse aprendizado se afaste excessivamente do objetivo comum, o já mencionado client drift.

Com essa abordagem, o ASTRA procura combinar a capacidade de adaptação aos dados locais com uma maior eficiência computacional, mantendo uma velocidade de treinamento próxima à do FedAvg, algoritmo de referência no aprendizado federado. A ideia central é transformar a relação entre os modelos global e local: menos supervisão contínua, mais autonomia — mas sem abrir mão de momentos estratégicos de orientação.

Desafio Computacional

Uma limitação crítica da destilação padrão é o custo computacional, pois exige uma passagem à frente (forward pass) do professor em cada etapa de treinamento. O ASTRA resolve isso ativando o sinal do professor apenas periodicamente, de acordo com um cronograma de currículo, para proteger os recursos de dispositivos de borda (edge devices). De tempos em tempos acontece a correção do modelo global. Não é possível ter o processo de mentoria ativa todo o tempo; mas a proposta é ter uma solução eficiente em que o modelo global não precise estar sempre instruindo; as coisas acontecem de forma autônoma e ele corrige o que for necessário de forma pontuada.

 

PRINCE: A Proactive Client Selection in Federated Learning for Connected and Autonomous Vehicles

Projeto desenvolvido por Amanda Lopes (UFPA), John Sousa (UFPA), Lucas de Lima Bastos (UNIFESSPA), Lucas de Sousa Pacheco (UFPA), Iago Medeiros (UFPA), Denis Rosário (UFPA) e Eduardo Coelho Cerqueira (UFPA) foi apresentado no SBRC 2026.

Cada vez mais, os veículos são capazes de coletar grandes quantidades de dados por meio de sensores e dispositivos de IoT. No contexto da autonomia veicular, uma das propostas é equipar os carros com múltiplos sensores e capacidade computacional suficiente para processar essas informações e estimar, em tempo real, a melhor maneira de se deslocar.

Com esse processamento, o próprio veículo pode tomar decisões, como frear, acelerar ou alterar sua trajetória. No entanto, o potencial é ainda maior quando diferentes veículos podem participar de uma mesma rede e compartilhar informações. A partir dos dados e das previsões produzidas por esses veículos é possível, por exemplo, identificar as melhores rotas e antecipar situações no trânsito.

É nesse contexto que surgem os veículos autônomos conectados: uma tentativa de ampliar as capacidades dos sistemas veiculares para resolver problemas que o hardware disponível em um único veículo não consegue solucionar sozinho. A ideia é aproveitar o conhecimento produzido pela academia e criar soluções que possam, futuramente, ser implementadas pela indústria.

Um dos desafios é fazer com que o veículo consiga “ler” o contexto ao seu redor e utilizar essas informações para tomar decisões mais adequadas. É nesse cenário que se insere a PRINCE, uma arquitetura de aprendizado federado (AF) voltada para redes veiculares autônomas.

A proposta busca selecionar, entre os veículos disponíveis, aqueles mais adequados para participar de um processo de aprendizado federado. Em vez de considerar todos os veículos da rede indistintamente, o sistema avalia diferentes características para determinar quais deles podem contribuir de maneira mais relevante para o aprendizado.

A seleção proativa de clientes, exemplificada pela PRINCE, apresenta vantagens significativas em relação aos métodos reativos tradicionais em ambientes de Veículos Conectados e Autônomos (CAVs), especialmente em termos de eficiência de recursos, velocidade de convergência e estabilidade do modelo. Enquanto as abordagens reativas selecionam os veículos e lidam com eventuais falhas somente depois que elas ocorrem, a estratégia proativa busca antecipar possíveis problemas e selecionar, desde o início, os clientes com maior probabilidade de concluir o treinamento.

Um dos principais benefícios está na eficiência no uso dos recursos. Nos métodos reativos, largura de banda e capacidade de processamento podem ser desperdiçadas quando veículos selecionados abandonam ou falham durante uma rodada de treinamento. A abordagem proativa procura filtrar previamente os nós instáveis, alcançando, segundo os resultados apresentados, uma melhoria de até 3,5 vezes na eficiência dos recursos. Essa antecipação também contribui para uma redução significativa das falhas de conexão, que pode chegar a 2,2 a 2,5 vezes em comparação com abordagens reativas, graças ao uso de modelos estocásticos para prever instabilidades e à pré-filtragem baseada em sinais como o RSSI.

Os ganhos também aparecem no desempenho do modelo. O PRINCE alcançou 83,90% de acurácia final, superando modelos reativos de estado da arte em até 9,22%. Além disso, a seleção proativa acelera a convergência: em um dos cenários avaliados, o sistema atingiu 60% de acurácia três vezes mais rápido do que métodos de seleção aleatória, apresentando também desempenho superior a abordagens reativas como ACSP-FL e ECS-HDSR.

Outro diferencial está na redução da latência e dos custos computacionais. Em estratégias reativas, como o ECS-HDSR, quando um cliente falha, o sistema precisa procurar um substituto e reiniciar ou reorganizar parte do processo, o que acrescenta etapas, tempo e processamento. A abordagem proativa procura evitar essa situação ao formar antecipadamente um conjunto de clientes com alta probabilidade de permanecer conectado e concluir o treinamento.

Essa antecipação também favorece a estabilidade do treinamento. Enquanto métodos reativos podem apresentar oscilações na acurácia e picos na função de perda (loss) em razão da agregação de modelos provenientes de clientes que falharam, a seleção proativa tende a produzir uma trajetória de aprendizado mais estável e consistente.

Em síntese, a diferença fundamental está na forma como cada estratégia lida com a incerteza. A seleção reativa espera o problema acontecer para então tentar corrigi-lo; a seleção proativa utiliza o histórico de comportamento dos veículos, as condições da rede e as previsões de mobilidade para antecipar possíveis falhas e evitá-las. Em um ambiente dinâmico como o dos veículos conectados e autônomos, essa capacidade de previsão pode tornar cada rodada de comunicação mais eficiente, reduzir desperdícios e contribuir para modelos globais que convergem mais rapidamente e de maneira mais estável.

Aspectos considerados na seleção ativa de veículos 

O primeiro aspecto considerado é a localização e a conectividade dos veículos, que são definidos pelo Indicador de Força do Sinal Recebido (RSSI). São avaliados carros que estejam mais próximos ou mais distantes e que tenham, ou não, cobertura de internet. Aqueles veículos que possuírem valores fracos de RSSI (i.e., valores abaixo de -85 dbM) são excluídos da futura seleção, pois eles não apresentam uma conectividade boa naquela área para participarem ativamente da seleção de clientes do aprendizado federado. Os veículos com bons valores de RSSI (i.e., valores acima de -85 dbM) são selecionados para a próxima etapa.

Para estimar a possibilidade de um veículo permanecer conectado durante o processo, na segunda etapa a arquitetura utiliza o conceito de Cadeia de Markov, um processo estocástico no qual o sistema pode se encontrar em determinado estado e permanecer nele ou mudar para outro. A partir desse modelo, é calculada a probabilidade de um determinado veículo continuar conectado à rede.

Essa informação é importante porque, em um processo de aprendizado federado, não basta que um veículo tenha dados relevantes: é necessário que ele consiga permanecer conectado pelo tempo necessário para participar do treinamento.

A importância da heterogeneidade dos dados

O terceiro e último critério utilizado pelo PRINCE é a diversidade dos dados disponíveis em cada veículo. Para isso, a arquitetura considera a Entropia de Shannon, uma medida relacionada à variabilidade e à diversidade das informações.

A lógica é que veículos com dados mais heterogêneos podem oferecer uma contribuição mais relevante ao processo de aprendizado, já que permitem ao modelo entrar em contato com diferentes situações e padrões.

Assim, o sistema procura priorizar veículos que apresentem maior índice de entropia, ou seja, maior diversidade em seus dados. A arquitetura combina, portanto, diferentes critérios para selecionar os veículos mais adequados para participar do aprendizado federado. De forma geral, são consideradas três dimensões: proximidade: priorizar veículos que estejam próximos da região ou situação de interesse; conectividade: selecionar veículos com maior probabilidade de permanecer conectados durante o processo; heterogeneidade dos dados: priorizar veículos cujos dados apresentem maior diversidade.

O objetivo é encontrar um conjunto de veículos que não apenas esteja relacionado ao problema que se deseja analisar, mas que também tenha condições de contribuir efetivamente para o treinamento do modelo.

Possíveis aplicações

Uma aplicação possível seria o uso do PRINCE por uma empresa que precise transmitir informações específicas para determinados veículos em uma determinada região.

Imagine, por exemplo, que esteja ocorrendo um problema em uma determinada rota. A empresa poderia utilizar a arquitetura para identificar os veículos que estão naquela área ou que estão se dirigindo para ela e compartilhar informações relevantes com esses usuários.

Da mesma forma, um motorista que estivesse se deslocando para determinada cidade poderia receber informações específicas relacionadas às condições daquela região, permitindo que o sistema utilizasse o conhecimento produzido pelos veículos conectados para apoiar decisões mais adequadas.

Leia o artigo completo nos anais do SBRC 2026 https://sol.sbc.org.br/index.php/sbrc/article/view/42357/42124