O absenteísmo entre profissionais de enfermagem impacta diretamente a qualidade da assistência prestada, a produtividade das equipes e a gestão de recursos humanos em instituições hospitalares. Este estudo tem como objetivo determinar em que medida o absenteísmo é previsível a partir de dados administrativos e estimar a parcela desse risco sob governança da gestão hospitalar. Foram analisados 4.046 registros mensais de profissionais de enfermagem de um Hospital Universitário, com treze variáveis sociodemográficas e funcionais. O processo metodológico envolveu pré-processamento, avaliação de dez métodos de balanceamento de classes e treinamento de quatro modelos supervisionados, Decision Tree, Random Forest, XGBoost e Multilayer Perceptron, além de arquiteturas de aprendizado profundo para dados tabulares. A avaliação empregou validação cruzada estratificada, testes de significância pareados, análise de interpretabilidade por valores SHAP e análise de sensibilidade a fatores organizacionais. O Random Forest apresentou o melhor desempenho, com AUC de 0,778 e acurácia de 0,764 frente à linha de base de 0,682, superando os demais modelos de forma significativa; as arquiteturas profundas não o superaram. Esse patamar, confirmado por três procedimentos independentes, indica saturação do conjunto de variáveis disponível, não um limite do fenômeno. A decomposição da importância das variáveis revelou que os atributos individuais não modificáveis respondem por 51,9% da capacidade preditiva, contra 30,6% dos fatores organizacionais, redundantes com o perfil individual (AUC de apenas 0,017 ao removê-los). Entre os fatores organizacionais, o turno da tarde apresentou taxa bruta de ausência de 39,1% contra 24,2% do noturno, associação não ajustada por confundidores. A priorização dos vinte por cento de maior risco previsto concentra 45,9% das ausências registradas, uso voltado à alocação preventiva de cobertura, não à avaliação individual. Conclui-se que o modelo é adequado ao dimensionamento agregado e inadequado a decisões individuais, e que o principal ganho disponível está no registro do histórico individual de frequência, associado a ganho estimado de 2,8 pontos percentuais de acurácia.

As Vehicular Ad Hoc Networks (VANETs) são componentes essenciais dos Intelligent Transport Systems (ITS), possibilitando a comunicação entre veículos e unidades de infraestrutura. Essa interação viabiliza aplicações voltadas à segurança, monitoramento e eficiência no transporte, contribuindo para a redução de acidentes e melhoria da mobilidade urbana. Em situações emergenciais, como colisões ou bloqueios de pista, ocorre uma disseminação massiva de mensagens Distributed Event Notification Messages (DENM), ocasionando congestionamento na rede, redundância de informações e aumento da carga de processamento nas Road Side Units (RSUs). Diante desse cenário, este trabalho propõe o Task Scheduling for Energy and Queue with REDundant-DENM control (TSET-RED), um algoritmo de escalonamento de tarefas em RSUs com tratamento de redundância DENM voltado a ambientes veiculares inteligentes. Um dos principais objetivos do modelo é reduzir o consumo energético das RSUs, preservando a energia restante e aumentando sua eficiência operacional, além de estabilizar as filas de tarefas e controlar a redundância de mensagens DENM sem comprometer o processamento das notificações relevantes. A proposta integra princípios do algoritmo Task Scheduling strategy for Energy-packet queue length Tradeoff (TSET), baseados na teoria de Lyapunov, a um mecanismo adaptativo de controle de redundância fundamentado na similaridade das mensagens DENM e no estado da fila e da energia da RSU. Para validação e análise de desempenho, foram configurados cenários experimentais no OMNeT++, contemplando situações de colisão, congestionamento repentino, sobrecarga e offload por energia baixa. Os resultados indicaram que o TSET-RED reduziu o processamento de mensagens DENM entre 53,3% e 87,8% nos cenários avaliados, ao mesmo tempo em que aumentou a energia restante das RSUs em até 61 unidades simuladas. Além disso, o algoritmo reduziu o pico das filas e eliminou descartes em cenários de maior sobrecarga, demonstrando maior estabilidade no tratamento das mensagens. No cenário de offload por energia baixa, a proposta encaminhou 83 tarefas para a nuvem, validando o funcionamento do mecanismo de descarregamento quando a RSU opera sob restrição energética.

Tokens não fungíveis (NFTs) são objetos digitais únicos na Internet, cuja identificação, propriedade e autoria podem ser verificadas via registros em redes blockchain. A adoção de NFTs para o registro de conteúdo digital impulsionou o surgimento de plataformas de negociação desses objetos como ativos financeiros de valor. OpenSea é um exemplo de plataforma pioneira nesse setor, que se tornou mundialmente conhecida e inspirou a organização de coleções de NFTs por categorias, facilitando sua descoberta e avaliação por artistas e colecionadores. No entanto, os critérios utilizados pelas plataformas de comercialização de NFTs para classificar coleções ainda não são claramente definidos, o que pode gerar inconsistências na categorização e dificultar a navegação e a análise do valor desses ativos. Embora a literatura recente tenha avançado na análise de comportamento de usuários, na investigação de redes de transações e na predição do valor de NFTs, ainda há uma lacuna em métodos automatizados para a classificação semântica de coleções de NFTs. As abordagens existentes concentram-se principalmente em atributos estruturais derivados de dados de mercado ou em características visuais dos ativos, frequentemente apresentando limitações relacionadas à variabilidade temporal dos dados ou ao alto custo computacional de processamento de imagens. Para enfrentar esse problema, investigamos a classificação automática de coleções de NFTs a partir da integração de diferentes fontes de informação e paradigmas de inferência. Inicialmente, são avaliados modelos supervisionados de aprendizado de máquina utilizando três cenários de atributos: (i) estatísticas de mercado derivadas da atividade das coleções, (ii) representações semânticas obtidas por meio de embeddings das descrições textuais das coleções, e (iii) a combinação de ambos em uma abordagem multimodal. Posteriormente, são analisados modelos de linguagem de grande escala (LLM) como classificadores semânticos diretos, utilizando prompts estruturados baseados nas descrições e nos atributos das coleções. Os experimentos foram conduzidos sobre um conjunto de dados composto por coleções da plataforma OpenSea, classificadas em sete categorias. Os resultados mostram que a abordagem supervisionada multimodal alcança desempenho competitivo, com acurácia de 75,7% e F1-score de 75,4%. Nos experimentos baseados em LLMs, o melhor modelo alcançou acurácia de 73,8%, demonstrando desempenho próximo ao dos modelos supervisionados mesmo sem treinamento específico no domínio. Além disso, a análise de concordância entre modelos revelou elevados níveis de consistência nas decisões de classificação, ao mesmo tempo em que identificou divergências relevantes em relação aos rótulos atribuídos pela plataforma. Esse resultado sugere que parte das inconsistências observadas na tarefa pode estar associada a ambiguidades ou ruído no processo de classificação utilizado pela OpenSea, e não apenas às limitações dos classificadores avaliados. Em suma, nessa dissertação demonstramos que a integração de metadados estruturais, representações textuais e modelos de linguagem oferece uma abordagem promissora para a classificação automática de coleções de NFTs. Essa abordagem pode contribuir para o desenvolvimento de ferramentas de organização e de análise do mercado, além de abrir novas possibilidades para sistemas de recomendação e curadoria automática em plataformas de negociação de NFTs.

Unmanned aerial vehicles (UAVs) have been widely used in various Internet of Things (IoT) applications. However, given the stringent limitations of UAVs, strategies to maximize computational efficiency considering these devices’ processing and energy constraints have recently attracted significant interest. This work presents BatFed, a battery-aware strategy for federated machine learning based on transfer learning for remote monitoring using UAVs. The MobileNetV3Small architecture was employed as the foundation for developing a model capable of maximizing computational efficiency on edge devices with processing and energy constraints, while the EuroSAT_RGB dataset served as the evaluation basis.
Our strategy employs dynamic client selection to reduce the communication rate between devices and the central server, promoting greater bandwidth efficiency. Furthermore, the experiments, performed in a non-IID scenario using the Dirichlet distribution to simulate a moderately heterogeneous scenario (α = 1.0) achieved an accuracy exceeding 80% in most cases, reaching over 90% accuracy with additional local training epochs. Compared to our centralized learning baseline, which achieved 95% accuracy, this is a
positive result with other significant advantages in terms of time savings, energy consumption, and communication savings, demonstrating its feasibility for distributed monitoring applications.

A qualidade dos dados é fundamental para a confiabilidade de sistemas de apoio à decisão e modelos de Inteligência Artificial, especialmente no contexto de bases de dados heterogêneas e desbalanceadas, onde a integridade da informação é crítica. No entanto, a presença de dados faltantes (missing values) representa um desafio estrutural que, se tratado inadequadamente, introduz vieses severos. O objetivo deste trabalho foi desenvolver e validar uma Metodologia de Imputação Híbrida Orientada pelo Perfil Estatístico, integrando algoritmos de Imputação Multivariada (MICE com Random Forest) e técnicas de Discretização Adaptativa para variáveis de alta variância. Para tanto, realizou-se uma pesquisa experimental aplicada, utilizando datasets reais de alta complexidade (Kala-Cal e BRFSS). A validação ocorreu através da análise comparativa entre a proposta e métodos clássicos (baselines) como a Média, Mediana e KNN, avaliando-se não apenas métricas de erro, mas também a preservação das distribuições originais. Os resultados indicaram que a abordagem diagnóstica obteve desempenho superior, garantindo a convergência em variáveis onde a regressão linear falhou e preservando a variabilidade natural dos dados, o que representa uma melhoria significativa frente à aplicação monolítica de algoritmos. Conclui-se que a técnica proposta é viável e eficaz para maximizar a fidelidade estatística no tratamento de dados incompletos, mitigando riscos de “alucinações” em modelos preditivos subsequentes.

Blockchains permissionadas devem manter desempenho estável mesmo sob variação de taxas de chegada de transações ao longo do tempo. Em redes blockchain baseadas no protocolo Hyperledger Fabric (HLF), os parâmetros de configuração de bloco, como tamanho do bloco (BS) e tempo limite do bloco (BT), afetam o desempenho, particularmente a vazão e a latência da transação. Neste trabalho, propomos um arcabouço adaptativo, denominado B-Adaptive, que monitora a carga de trabalho da rede e reconfigura automaticamente o BT e o BS em janelas de tempo consecutivas para melhorar o desempenho do HLF. Como prova de conceito, implementamos duas estratégias de adaptação da literatura para B-Adaptive: aHLF, estratégia adaptada de um controle em lote para o sistemas tolerantes a falhas bizantinas e FabMAN, estratégia estado da arte originalmente projetada para HLF. Em seguida, comparamos o desempenho dessas estratégias no B-Adaptive com a configuração padrão de bloco fixo no HLF, via experimentos conduzidos em uma rede HLF implementada na nuvem da AWS sob um perfil de carga de trabalho dinâmico. Os resultados mostram que as estratégias adaptativas superam a configuração padrão. Em particular, no pico de carga de trabalho, a estratégia de melhor desempenho (FabMAN) alcança uma vazão 44% maior e uma latência 38% menor do que a configuração padrão, indicando os benefícios de BS e BT adaptivos via B-Adaptive para redes HLF.

A determinação do peso vivo de pequenos ruminantes é uma variável zootécnica essencial para práticas de manejo, nutrição, seleção genética e comercialização. No entanto, os métodos tradicionais de pesagem permanecem onerosos, invasivos e pouco acessíveis a pequenos e médios produtores, sobretudo no contexto da agricultura familiar. Este trabalho apresenta o desenvolvimento de um sistema integrado para a predição automatizada de peso em ovinos e caprinos, utilizando técnicas de visão computacional e aprendizado de máquina. O sistema realiza a captura automática de imagens por meio de câmera Kinect v2, aplica detecção com YOLOv8 e segmentação semântica com U-Net, seguido pela extração de características via DenseNet-169 e regressão linear para estimativa do peso corporal. A solução foi implementada como aplicação desktop multiplataforma, com interface construída em Electron e React, armazenamento local e funcionamento totalmente offline, atendendo a restrições de infraestrutura típicas do meio rural. Os resultados incluem a construção de um protótipo funcional com métricas de qualidade do código e arquitetura modular, bem como a definição de um cronograma de validação futura em campo. Conclui-se que a abordagem proposta representa um avanço no sentido de democratizar a pecuária de precisão, oferecendo um método não invasivo, de baixo custo e alinhado à realidade produtiva de pequenos ruminantes.

This work addresses the complexity and challenges of manual trading in the Forex market, a high-volatility environment where decisions are often compromised by emotional biases and the human limitation in processing information and executing orders promptly. To overcome these difficulties, Scalper Major, an automated trading system (Expert Advisor), was developed. The solution is based on a modular architecture composed of a signal processor, a risk manager, and a money manager. These components apply technical criteria, specialized heuristics, and strict management rules to operate with minimal human intervention. The validation of Scalper Major was conducted in two distinct scenarios. In the simulated environment, using historical data from January 2016 to December 2023 with an initial capital of $20,000.00, the system obtained a net profit of $751,533.23, with an overall win rate of 82.54% across 11,571 executed trades. In the live environment, operating from June 2024 to September 2025, the system started with a capital of $20,000.00 and generated a net profit of $19,673.82, achieving a win rate of 78.58% in 1,886 trades. The results from both scenarios demonstrate the robustness and effectiveness of the proposed solution, which proved to be profitable and resilient even in the face of events of significant market instability.

A ceratite infecciosa (CI) é uma inflamação da córnea causada por agentes patológicos, como fungos e protozoários do gênero Acanthamoeba, podendo evoluir para cegueira quando não diagnosticada precocemente. Embora a cultura microbiológica seja um método preciso, sua natureza invasiva e o tempo de resposta limitam o uso clínico. Nesse contexto, a microscopia confocal in vivo (IVCM) surge como alternativa não invasiva e de alta resolução, porém sua interpretação demanda expertise especializada. Este trabalho investiga modelos de deep learning para a classificação automática de imagens IVCM em quatro classes: ceratite fúngica (FK), ceratite por Acanthamoeba (AK), ceratite não especificada (NSK) e córnea normal. A partir da base pública IVCM-Keratitis, realizou-se pré-processamento e balanceamento do conjunto de treinamento por aumento de dados, com divisão estratificada inicial e validação cruzada em cinco folds. Foram avaliadas quatro arquiteturas convolucionais individuais (VGG16, MobileNetV3, DenseNet161 e ResNet101) e quatro variações híbridas, baseadas na concatenação de vetores de características de dois backbones. As abordagens mais completas incorporam um bloco de atenção do tipo Self-Attention (SA) após a concatenação, permitindo ponderar a relevância relativa das características antes da classificação por uma MLP. Os resultados indicam que a Abordagem IV (DenseNet161 + ResNet101 com SA) apresentou o melhor equilíbrio entre detecção e erros de classificação, alcançando médias de precisão de 96,22%, sensibilidade de 96,01% e F1-score de 96,03% (acurácia média de 96,01%). Por fim, aplicou-se o algoritmo Grad-CAM para interpretar qualitativamente as regiões mais relevantes nas predições, evidenciando padrões de atenção complementares entre os backbones. Os achados sugerem que modelos híbridos com AS podem contribuir para diagnósticos assistidos em contextos com escassez de especialistas, apoiando a tomada de decisão clínica e reduzindo casos de perda visual evitável.

Ao modelar a atenção visualmente aparente em cenas de sala de aula, um dataset gerado sinteticamente e rotulado por modelos visão–linguagem — construído sob recursos computacionais limitados — fornece uma forte base empírica para avaliar o grau de maturidade de representações visuais pré-treinadas contemporâneas. Os resultados reforçam uma interpretação operacional de boas representações, como aquelas que permitem a extração eficiente de informação relevante à tarefa por meio de classificadores simples. Nesse contexto, análises sensíveis à variância e relacionadas à tarefa, tendo por objeto a geometria do embedding em modelos visuais pré-treinados contemporâneos, demonstram que um contraste binário atento versus desatento se organiza ao longo de uma única direção discriminativa dominante em espaços de embedding de alta dimensionalidade. Essa estrutura fortemente anisotrópica está presente em representações congeladas e pode ser exposta de modo confiável com pouquíssimos dados, como se observa na saturação rápida das curvas de aprendizado e na sensibilidade limitada ao aumento da capacidade de adaptadores, indicando que a maior parte do sinal relevante à tarefa é acessível sem necessidade de adaptações.

Motivado pela hipótese de que Vision Foundation Models codificam variação estruturada associada ao comportamento de atenção visualmente aparente, este trabalho adota uma perspectiva centrada em representações, que prioriza análise geométrica ao invés de end-to-end optimization. Assim, o reconhecimento de atenção visualmente aparente é tratado não como um problema de supervised decoding, mas como uma investigação sobre como a estrutura alinhada à tarefa é organizada e revelada dentro de espaços de embeddings pré-treinados.

Para testar essa hipótese sob condições controladas, um dataset sintético de sala de aula — que será disponibilizado publicamente — é construído como um instrumento experimental para perturbar seletivamente pistas de atenção visualmente aparentes ao longo de diversas atividades em sala e configurações comportamentais, mantendo um rótulo alvo binário atento versus desatento, sem tratar dados sintéticos como um substituto para distribuições do mundo real. Anotações comportamentais para o alvo binário são fornecidas por modelos multimodais visão-linguagem. Os embeddings congelados de Vision Foundation Models e de um baseline convolucional são avaliados como objetos geométricos sob regimes de readout com capacidade variável. O desempenho é avaliado por métricas padrão de classificação (Macro-F1 e ROC–AUC), enquanto a estrutura induzida pela tarefa é examinada por meio de projeções sensíveis à variância (Linear Discriminant Analysis) e espectros empíricos da Fisher Information.

Os resultados mostram que a separabilidade emerge com poucas amostras e rapidamente entra em platô, enquanto o aumento da capacidade de readout amplifica principalmente a sensibilidade ao longo da mesma direção dominante, em vez de revelar eixos de tarefa adicionais e independentes. O baseline convolucional exibe uma geometria task-induced comparável, porém com menor eficiência representacional. Em conjunto, esses resultados fornecem evidência quantitativa e não anedótica de que, para as distinções comportamentais consideradas, representações visuais pré-treinadas e congeladas já expõem a maior parte da estrutura relevante à tarefa quando combinadas com downstream readouts leves, indicando que, nesse regime, adaptadores simples costumam ser suficientes, com benefício marginal limitado de task-specific fine-tuning. De forma mais ampla, esses achados motivam o uso de diagnósticos geométricos e de teoria da informação, como ferramentas para caracterizar tanto as capacidades quanto os limites das representações visuais modernas.

O câncer gástrico (CG) permanece entre as principais causas de morte por câncer no Brasil e no mundo, com altas taxas de incidência e mortalidade, especialmente em países em desenvolvimento. A oncologia moderna evoluiu de modo a estratificar os pacientes em grupos distintos, com base nas características genotípicas e fenotípicas dos tumores, bem como em seus respectivos desfechos clínicos. Nesse contexto, o estudo do microambiente tumoral (TME) é essencial para a definição de condutas terapêuticas individualizadas e eficazes. Assim, a classificação automatizada dos componentes do TME por meio de modelos de aprendizado profundo (DL Deep Learning) surge como uma alternativa promissora. Apesar dos avanços em patologia digital, a classificação automática dos diferentes componentes teciduais do TME em lâminas coradas com Hematoxilina e Eosina (H&E) ainda é pouco explorada em CG. Diante dessa lacuna, este trabalho propõe um método de classificação multiclasse, baseado em um ensemble hierárquico de dois níveis, composto por modelos de DL. Foram avaliadas doze arquiteturas pré-treinadas em ImageNet (EfficientNet, ViT, MobileNet, Xception, VGG, ResNet, DenseNet, AlexNet, entre outras), explorando transferência de aprendizado, extração e concatenação de embeddings, arranjos hierárquicos de classificadores binários, variação do número de neurônios nas camadas totalmente conectadas e técnicas de aumento de dados em tempo de execução. Os experimentos foram conduzidos sobre o conjunto de dados HMU-GC-HE-30K, composto por 31.096 patches balanceados em oito classes de tecidos, utilizando validação cruzada estratificada (k = 8), e 20% das imagens reservadas para teste externo. A partir dos melhores modelos, foi construído um ensemble hierárquico de dois níveis: comitês locais homogêneos e, em seguida, um comitê global entre arquiteturas distintas, usando as predições do comitê local. Os melhores resultados obtidos nos conjuntos de teste indicaram o comitê c20 como o mais performático, obtendo acurácia de 81,2%, AUC de 98,1% e F1-score de 81,2%, superando em mais de dez pontos percentuais o baseline da literatura para essa base, e demonstrando a superioridade do ensemble hierárquico frente a classificadores isolados. Esse comitê usou como estratégia de apuração a média ponderada pelo F1-scorede cada classe de classificador membros. Esses achados mostram que a combinação estruturada de arquiteturas diversas, aplicada a um comité hierárquico, reduz a variância entre execuções e aumenta a capacidade discriminativa em cenários multiclasse complexos, contribuindo para o avanço da patologia digital assistida por Inteligência Artificial (IA).

As desigualdades no desempenho educacional entre municípios brasileiros permanecem amplas e persistentes, conforme evidenciado pelas variações do Índice de Desenvolvimento da Educação Básica (IDEB) nas diferentes etapas da educação básica. Apesar da crescente disponibilidade de informações sobre os sistemas de ensino, ainda há limitações na utilização integrada desses insumos para prever o desempenho municipal e subsidiar decisões estratégicas. Essa lacuna é particularmente relevante em estados como o Piauí, onde os municípios apresentam desempenho heterogéneo, com alguns registrando avanços consistentes e outros mantendo resultados inferiores . m.dia estadual. Neste contexto, o presente trabalho tem como objetivo principal aplicar e avaliar modelos preditivos baseados em aprendizado de máquina (Machine Learning - ML) e aprendizado profundo (Deep Learning - DL) para prever o desempenho educacional dos munic.pios piauienses, representado pelo IDEB, nas tr.s etapas da educação básica (anos iniciais, anos finais e ensino médio), integrando variáveis educacionais, socioeconómicas e financeiras. Para tanto, foram construídas três bases de dados, compreendendo o período de 2013 a 2023, considerando os anos ímpares. Foram testados e comparados dez algoritmos clássicos de regressão supervisionada, incluindo regressões penalizadas, modelos baseados em árvore, como Floresta Aleatória (Random Forest - RF) e Extreme Gradient Boosting (XGBoost) e métodos baseados em instâncias, além de sete arquiteturas de Redes Neurais Artificiais (Artificial Neural Networks - ANN) profundas, como Perceptron Multicamadas (Multilayer Perceptron - MLP), Rede Neural Convolucional (Convolutional Neural Network – CNN), Memória de Longo e Curto Prazo (Long Short-Term Memory - LSTM) e híbridas. O desempenho dos modelos foi avaliado por meio de métricas de erro e coeficiente de determinação (R2), calculadas nos conjuntos de treino, teste e validação cruzada com 5 folds. Os resultados indicaram que o modelo XGBoost apresentou o melhor desempenho global nas três etapas da educação básica, com R2 de 0,5455 nos anos iniciais, 0,5205 nos anos finais e 0,4488 no ensino médio, segundo validação cruzada. Destacou-se para sua robustez nos anos iniciais e finais e sua relativa estabilidade no ensino médio, etapa notoriamente mais difícil de prever devido à maior variabilidade e evasão. A análise de importância das variáveis identificou determinantes centrais para o IDEB. Nos anos iniciais e finais, destacaram-se o PIB per capita, a taxa de distorção idade-série, o percentual de docentes sem curso superior, variáveis da agropecuária local e repasses do programa Criança Feliz. No ensino médio, assumiram relevância variáveis ligadas . infraestrutura escolar, gestão e esforço docente. Com base no modelo XGBoost, foi desenvolvido um sistema de simulação de cenários, que permite testar, de forma contrafactual, o impacto de alterações paramétricas nas variáveis explicativas sobre os valores previstos do IDEB municipal de 2023. Esse módulo opera com interface amigável e recursos de exportação de gráficos e visualizações personalizadas, representando uma contribuição concreta para o planejamento educacional baseado em evidências. Os resultados obtidos demonstram que é possível antecipar, com razoável grau de acurácia, o comportamento do IDEB em nível municipal. O sistema de simulação desenvolvido consolida-se como ferramenta de apoio à tomada de decisão, permitindo que gestores visualizem os efeitos hipotéticos de políticas públicas educacionais. Como perspectivas futuras, recomenda-se a inclusão de novas variáveis e a replicação da metodologia em outros contextos federativos.

A crescente produção de conteúdo textual e audiovisual em plataformas de mídias sociais tem ampliado as possibilidades de investigação sobre a percepção pública em temas sensíveis, como violência urbana e operações policiais no Brasil, ao mesmo tempo em que introduz desafios associados à informalidade linguística, à ausência de bases anotadas e à forte heterogeneidade entre plataformas. Esta dissertação apresenta um arcabouço integrado para análise dessa percepção pública, estruturado em três eixos complementares que abordam desde a inferência de posicionamento em comentários até a identificação automática de eventos reais em vídeos de violência urbana. No primeiro eixo, desenvolvemos e avaliamos modelos de detecção de posicionamento aplicados a comentários do YouTube, baseados em Transformers, especialmente o BERTimbau. No segundo eixo, ampliamos esse modelo para um cenário interplataformas, com dados do Twitter/X e do YouTube, e evidenciamos diferenças linguísticas nos comentários de ambas as plataformas, reforçando a importância de modelos considerarem as especificidades de cada plataforma. No terceiro eixo, avançamos para o problema de agrupar vídeos que tratam do mesmo evento real e propomos duas heurísticas não supervisionadas baseadas em texto, uma com atributos semânticos e outra com atributos temporais, mostrando que essas heurísticas podem superar modelos de linguagem grandes, como o GPT-4, alcançando acurácia próxima de 0,90 e NMI superior a 0,95. As contribuições desta dissertação incluem novas bases de dados anotadas em português, avaliação da transferência de conhecimento entre plataformas e heurísticas originais para agrupamento de vídeos, construindo, assim, as bases de um arcabouço completo para o monitoramento de percepções sobre segurança pública em larga escala. Os resultados demonstram que abordagens leves, adaptadas ao domínio e apoiadas por estratégias de anotação híbrida, podem superar métodos genéricos de última geração. Adicionalmente, reforçamos o potencial das mídias sociais como fonte estruturada de conhecimento e fornecemos subsídios metodológicos e práticos para o projeto de aplicações voltadas à análise e ao monitoramento da violência urbana no Brasil.

The evolution of urban mobility requires computational solutions that ensure service continuity, adaptability and resilience in the face of operational variations and runtime failures. In this context, vehicular ad hoc networks (VANETs), integrated with edge computing and microservices architecture, play a central role in distributed systems for traffic monitoring and control. However, topological instability, resource limitations and high validation costs with real experiments make it essential to use analytical approaches for prior reliability and performance assessment. This dissertation proposes models based on Stochastic Petri Nets (SPNs) to represent and analyze the availability and performance of a VANET architecture with multiple RSUs connected to an edge server. The availability model incorporates physical, logical and communication failure modes, focusing on operational continuity ensured by microservice migration between RSUs. The modeling considers parameters such as Mean Time Between Failures (MTTF) and Mean Time to Repair (MTTR). The case studies show that, even in the face of simultaneous failures in different system components, activating the migration mechanism prevents complete degradation of availability and ensures the maintenance of operational paths, with faster recovery and lower risk of functional collapse. For performance evaluation, an SPN model was developed that represents the adaptation of processing capacity in RSUs through horizontal autoscaling and microservices reinstantiation. The model considers different traffic volumes, variations over time, queue size, and initial resource availability. The case studies reveal saturation patterns that occur when scaling limits are not well adjusted, and indicate that the combined use of autoscaling with reinstantiation reduces bottlenecks and improves the balance between allocated capacity and actual demand. The evaluation also showed that small variations in parameters such as the initial number of microservices or queue depth have a significant impact on response and discard metrics. Sensitivity analysis via Design of Experiments (DoE) identified the most influential factors, allowing guidance on the optimal configuration of operational policies.

Observando as estatísticas de mortalidade no trânsito, a quantidade de acidentes envolvendo motocicletas e o destaque dado pela Organização Mundial da Saúde a esse tema, percebe-se que se trata de uma questão de saúde pública. Ao analisar a literatura sobre aplicações de aprendizado de máquina nesse contexto, identifica-se uma lacuna na qual este trabalho se insere.

O objetivo deste estudo é classificar imagens de acidentes envolvendo motocicletas por meio de algoritmos de aprendizado de máquina supervisionados em ambientes de computação em borda. Como a utilização de conexão pela internet nesses casos aumenta os custos de implantação e manutenção do sistema, é preferível executar os algoritmos localmente e, portanto, buscar a otimização dos recursos computacionais.

Nesse sentido, este trabalho se propôs a utilizar uma rede neural binária local (LBCNN), uma vez que essa arquitetura, além de reduzir a quantidade de parâmetros empregados em uma convolução, também apresenta propostas de otimização em hardware. Nos experimentos realizados, destacaram-se dois modelos: a configuração LBCNN16-Bernoulli30-ResNet18, que obteve a melhor acurácia (88%), e a LBCNN16-Bernoulli50-ResNet18, com 84% de acurácia, mas com maior potencial de otimização em hardware.

A tecnologia blockchain é considerada disruptiva, com potencial de aplicação em diversos setores, como agricultura, indústria e serviços. No entanto, a interoperabilidade entre diferentes blockchains — ou seja, a capacidade de comunicação e troca de dados entre redes distintas — ainda representa um desafio relevante. Um dos principais obstáculos está na diversidade das arquiteturas, protocolos e mecanismos de governança que caracterizam essas redes. Cada blockchain pode operar sob princípios próprios, apresentando variações substanciais em termos de design, segurança, privacidade e escalabilidade. Esse cenário fragmentado dificulta o desenvolvimento de soluções que viabilizem uma comunicação fluida e segura entre diferentes plataformas. A ausência de padronização e a falta de protocolos comuns para interoperabilidade aumentam ainda mais a complexidade de criação de soluções eficazes e amplamente aceitas pelo ecossistema. Nos últimos anos, protocolos vêm sendo propostos para mitigar esses desafios. No entanto, ainda são escassas as análises de desempenho desses protocolos em cenários de uso mais realistas. Este trabalho avalia o custo e o desempenho de um protocolo de interoperabilidade de tokens entre redes blockchain, um dos mais populares em finanças descentralizadas atualmente, denominado Cross-Chain Interoperability Protocol (CCIP) da empresa Chainlink. Foram conduzidos experimentos envolvendo múltiplas operações entre redes blockchain distintas. Os resultados indicam que o protocolo CCIP, apesar de sua ampla adoção, pode ser até sete vezes mais lento que outras soluções analisadas, além de apresentar tarifas mais elevadas, alcançando até US$ 0,78 por operação. Esses dados evidenciam o vasto espaço existente para inovação e aprimoramento no campo da interoperabilidade entre redes blockchain.

 A Leishmaniose Visceral (LV) é uma doença infecciosa grave causada por protozoários do gênero Leishmania e transmitida por insetos flebotomíneos. O diagnóstico tradicional por microscopia, embora seja o padrão-ouro, enfrenta desafios como a subjetividade da análise e a dependência da experiência do observador. Este trabalho propõe o desenvolvimento de um sistema web integrado a uma plataforma automatizada de captura de imagens microscópicas, com o objetivo de aprimorar a identificação de amastigotas de Leishmania e facilitar o diagnóstico da LV. O sistema implementa um modelo gerenciamento de laboratórios que permite organização colaborativa para análise de amostras, incluindo funcionalidades para criação de laboratórios, gestão de participantes e sistema de convites automatizados. Para a detecção de amastigotas na Leishmaniose Visceral Humana (LVH), o modelo InceptionV3 demonstrou excelente desempenho, alcançando 98,7% de precisão e F1-Score, com índice Kappa de 97,3%. Na análise da Leishmaniose Visceral Canina (LVC), o modelo YOLOv8 apresentou 82,2% de precisão, 79,2% de recall, 85% de acurácia e mAP de 88,5%, detectando 226 dos 264 parasitas anotados. O dispositivo de captura, com custo aproximado de R$ 305,00, demonstra viabilidade econômica para implementação em laboratórios com recursos limitados. Os testes de usabilidade utilizando a escala SUS resultaram em pontuação média de 76,2, superando a média de referência (68,0), indicando boa aceitação pelos usuários. Os resultados demonstram que a abordagem proposta contribui para tornar o diagnóstico da Leishmaniose mais acessível, preciso e eficiente, com potencial para implementação em áreas endêmicas e locais com infraestrutura limitada.

Cloud computing provides on-demand computing services over the Internet, with a pay-as-you-go model, which helps optimize operating costs. This approach provides benefits such as secure access from any location and device, as well as facilitating information sharing. In this context, users (software architects) can define QoS requirements for the contracted services, which must be described in the SLA. As a result, cloud computing has established itself as an attractive solution for companies of all sizes, which has driven its growth in recent years. To maximize the benefits of cloud computing, many users have adopted the multi-cloud model, in which an application is distributed across multiple providers, often without prior integration agreements between them. However, most providers do not directly provide metrics for the contracted services, making it difficult to verify compliance with SLAs and assess compliance with established QoS parameters. Therefore, users must resort to alternative strategies to measure the QoS values of the contracted services. This task becomes even more complex in multi-cloud environments, where multiple SLAs must be considered. In these cases, the user must evaluate performance metrics from both the perspective of each provider and the application as a whole. In this context, QoS monitoring from the user's perspective, based on the SLA, becomes important. Monitoring not only allows for assessing the quality of the service but also for identifying whether the application requires additional resources. Therefore, we propose an architecture for monitoring the QoS of services contracted across multiple cloud providers, for distributed microservices within an application. To validate the proposed solution, we developed a tool capable of monitoring metrics over time and supporting decision-making, enabling the measurement of the QoS of each service used by each microservice across the different contracted providers.

Information security faces increasingly complex challenges, requiring innovative strategies to enhance system resilience against attacks. The concept of Moving Target Defense (MTD) emerges as a promising approach, as it complicates the identification and exploitation of vulnerabilities by dynamically modifying system configurations. Among the possible strategies, virtual machine migration and IP address relocation stand out, as well as the use of decoy servers that act as bait to mislead attackers and delay their progress. This study proposes a comparative evaluation of two distinct MTD methodologies, both modeled using Petri nets. The first approach relies on migration as a defensive strategy, considering three activation policies: time-based, event-based, and a hybrid approach that combines both. To strengthen the response to attacks, an intrusion detection system (IDS) was incorporated to identify malicious activities and trigger system migration as needed. The second approach analyzes the impact of using decoy servers combined with dynamic IP address migration to hinder the mapping of real servers and increase attacker uncertainty regarding the system’s topology. Simulation results indicate that the effectiveness of event-based detection policies heavily depends on the accuracy of the IDS, proving to be more advantageous when its precision exceeds 50%. Additionally, the hybrid approach demonstrated the highest efficiency in delaying attacker progress, balancing security and system performance. In the context of decoy servers, experiments revealed that introducing a higher number of decoys significantly increases the time required for a successful intrusion, extending it from 8 to up to 19 days. The interaction between attack probability and the number of decoys showed a direct impact on the rate of IP address changes, reinforcing the effectiveness of this strategy in enhancing system resilience. Thus, this study contributes to the understanding of the applicability of different MTD strategies, providing analysis into how migration policies and decoy server usage can be optimized to improve the security of computing infrastructures against cyber threats.

Este trabalho investigou o impacto do uso de ferramentas de geração de código assistido
por Inteligência Artificial (IA), com foco na avaliação do GitHub Copilot, a partir de uma
abordagem metodológica estruturada em três etapas: (i) uma fase de investigação, com
levantamento da literatura e identificação dos principais desafios e indicadores utilizados
na avaliação de ferramentas de geração de código; (ii) uma etapa de coleta de dados, com a
realização de um estudo empírico com estudantes e um estudo de caso com desenvolvedores
profissionais; e (iii) uma fase de análise, composta por procedimentos quantitativos e
qualitativos que permitiram responder às questões de pesquisa e interpretar os efeitos do
uso da ferramenta em diferentes contextos de desenvolvimento de software.
Os resultados revelam que o Copilot pode reduzir o tempo de execução das tarefas e o
esforço de desenvolvimento, especialmente entre estudantes de graduação e profissionais em
tarefas rotineiras. No entanto, não foram observadas melhorias significativas na qualidade
funcional do código, reforçando a necessidade de uso crítico das sugestões geradas pela
ferramenta. A análise qualitativa complementou esses achados ao indicar que a percepção
dos participantes foi majoritariamente positiva, embora tenham sido apontadas limitações
técnicas e operacionais. Assim, este estudo contribui com evidências empíricas sobre o
uso do Copilot, destacando tanto seu potencial como suporte à redução do esforço de
desenvolvimento quanto a importância de estratégias formativas para sua adoção consciente
em ambientes educacionais e profissionais.

A classificação de rachaduras em superfícies de concreto, alvenaria e afins é uma tarefa essencial para a manutenção preventiva de estruturas civis, pois quando não detectadas a tempo, podem comprometer a integridade estrutural e resultar em custos elevados de reparo.Neste contexto, esta proposta de pesquisa apresenta a WellNet, uma rede neural híbrida que se propõe como uma alternativa entre as abordagens para classificação de rachaduras em estruturas externas. A WellNet combina as capacidades das Redes Neurais Convolucionais (CNN), conhecidas por sua eficiência na extração de características locais, com a abordagem dos Transformadores Visuais (ViT), que captura informações contextuais globais. O modelo foi validado utilizando o conjunto de dados Mendeley, com diferentes configurações de hiperparâmetros e técnicas de aumento de dados. Foram realizados experimentos com e sem aumento de dados, evidenciando que a WellNet apresenta resultados comparáveis a arquiteturas CNN e híbridas em métricas como acurácia de 99,70%, precisão de 99,50%, recall de 99,90% e F1-score de 99,70%. Além disso, o modelo se destaca pelo seu espaço em memória de (26.4 MB), tornando-o viável para uso em sistemas embarcados e dispositivos móveis, facilitando inspeções automatizadas em fachadas de edificações e locais de difícil acesso.

Este trabalho investiga o impacto do uso de ferramentas baseadas em IA, utilizando um clone do ChatGPT com o modelo GPT-4o no aprendizado de estudantes da disciplina de Engenharia de Software II do curso de Bacharelado em Ciências da Computação da Universidade Federal do Piauí, nas atividades de Levantamento de Requisitos e Testes. Os dados de uso dos 16 participantes foram coletados e analisados por meio de testes estatísticos, processamento de linguagem natural e resposta de formulários. Os resultados indicam que, embora o tamanho dos prompts tenha impacto na satisfação dos alunos, o seu conteúdo, aliado a respostas mais longas, tiveram uma influência muito maior na probabilidade de uma interação ser avaliada positivamente. Além disso, os alunos com experiência profissional demonstraram uma tendência maior de incluir trechos de código nas suas interações. A percepção dos alunos foi mais positiva em relação à tarefa de Testes, devido à maior necessidade de inserir contexto e de ajuste das respostas geradas pela IA no Levantamento de Requisitos. Este estudo contribuiu para o desenvolvimento de metodologias de coleta e análise de dados relacionados ao uso de IAs Generativas no Ensino de Engenharia de Software.

A arquitetura de microsserviços utiliza a habilidade de virtualização para adotar uma abordagem de arquitetura de software baseada na construção de aplicações compostas por diversos módulos interdependentes e fracamente acoplados. A tecnologia de NFV (Network Function Virtualization) é um paradigma inovador que busca melhorar a flexibilidade e a eficiência dos serviços de rede. O NVF pode ser alocado dentro de contêineres que se comunicam em uma arquitetura de microsserviços. A NFV se concentra na virtualização de funções de rede, permitindo que sejam executadas em hardware genérico, o que separa software e hardware e permite mais implementações ágeis e escaláveis. Através da NFV surge a SFC (Service Function Chain), que consiste em uma sequência de VNFs (Virtual Network Functions), como gateways, firewalls e roteadores, organizados de maneira ordenada. No entanto, um desafio crítico enfrentado pelo SFC é a sua sensibilidade à latência: o atraso aumenta à medida que a cadeia de VNFs aumenta, o que pode comprometer a qualidade do serviço. Minimizar esta latência é crucial para garantir a eficiência dos sistemas SFC. Além disso, as arquiteturas de microsserviços podem resultar em grandes custos de energia para alcançarem os níveis necessários de desempenho e disponibilidade. Este estudo visa o planejamento de arquiteturas SFC energicamente eficientes, utilizando modelos analíticos, como Redes de Petri Estocásticas, para avaliar o desempenho de diferentes arquiteturas. A otimização de SFC aplicadas a microsserviços é fundamental para garantir a eficiência dos serviços. O objetivo é auxiliar administradores a planejar e avaliar sistemas SFC com microsserviços, focando em desempenho e eficiência energética. Além disso, uma revisão sistemática é realizada sobre o consumo energético em arquiteturas de microsserviços, identificando lacunas de pesquisa e tendências na área.

As Redes de Sensores Sem Fio (RSSFs), uma categoria das Low Power Wide Area Networks (LPWANs), são tecnologias que ganharam interesse na pesquisa e comunidade industrial assim como a LoRa Wide Area Network (LoRaWAN), um protocolo que permite a implementação de aplicações de redes de longo alcance e baixa potência para a Internet das Coisas (IoT). No entanto, desafios técnicos e operacionais, a cobertura limitada dos sensores e a falta de conectividade em áreas remotas dificultam a obtenção das informações, além disso, existe uma lacuna de um sistema automatizado e de baixo custo, já que experimentos no mundo real demandam o custo de aquisição de equipamentos. Esta pesquisa propõe a utilização de modelos estocásticos para avaliar o desempenho das redes LoRaWAN, proporcionando uma análise detalhada sobre a eficiência e a capacidade dessas redes em diferentes cenários operacionais. A primeira parte da pesquisa foca no planejamento da capacidade dos servidores de rede, de aplicação e de monitoramento, abrangendo a análise do sistema, incluindo o processamento dos dados dos sensores e sua transmissão. Utilizando um gateway único, são analisadas múltiplas métricas com foco no monitoramento contínuo da taxa de geração de pacotes de sensores agrupados por área. A segunda parte concentra-se no desempenho da camada de sensores ao nível individual, avaliando o impacto da estratégia de tolerância a falhas como mecanismo de retransmissão, utilizando múltiplos gateways e a métrica de vazão. O objetivo principal é fornecer suporte aos administradores de infraestruturas computacionais na concepção e avaliação de sistemas que utilizam o protocolo LoRaWAN, considerando aspectos de desempenho e robustez frente a falhas.

A classificação hiperespectral de áreas agrícolas enfrenta desafios significativos devido à complexidade dos dados espectrais e à necessidade de precisão na distinção entre diferentes tipos de culturas e variações de solo. Para superar esses desafios, esta dissertação propõe uma abordagem híbrida que integra Redes Neurais Convolucionais (CNNs) para aprimorar a classificação e o mapeamento de imagens hiperespectrais em atividades agrícolas. O modelo proposto combina arquiteturas convolucionais bidimensionais (2D-CNN) e tridimensionais (3D-CNN), onde as camadas 3D-CNN processam inicialmente as imagens hiperespectrais para extrair características espectrais detalhadas, considerando a correlação entre bandas espectrais adjacentes. Em seguida, uma camada 2D-CNN captura detalhes espaciais, facilitando a distinção entre variações sutis no terreno. Como resultado, a abordagem foi testada em várias bases de dados hiperespectrais, incluindo WHU-Hi-LongKou, HanChuan, HongHu, University of Pavia, Salinas, Indian Pines, KSC e Botswana, com a quantidade de bandas variando de 103 a 274. A proposta alcançou acurácia global (OA) entre 99,90% e 100%, recall de até 100% e F1-score de até 100%, confirmando a eficácia e robustez do modelo. Este estudo contribui significativamente para o avanço na classificação hiperespectral e fornece informações importantes para o monitoramento eficiente e a gestão de recursos agrícolas. A performance do modelo indica potenciais aplicações em larga escala na agricultura.

The evolution of urban security landscapes within smart cities has been propelled by rapid technological advancements and the increasing need for robust security measures and efficient urban management. Surveillance systems, characterized by extensive networks of closed-circuit television (CCTV) cameras and sensor arrays, have emerged as pivotal components in this transformation. These systems not only monitor urban spaces comprehensively but also manage traffic patterns and ensure public safety. The integration of advanced functionalities such as facial recognition, motion detection, and AI-driven analytics has revolutionized these systems, enhancing their ability to detect anomalies and prevent potential incidents without constant human oversight. Despite their critical role, the deployment and maintenance of such systems pose significant challenges, including high operational costs and the complexity of managing vast amounts of video data. Addressing these challenges requires innovative approaches such as the application of analytical models during the design phase to predict system performance and availability metrics. Such models offer cost-effective alternatives to real-world testing, allowing stakeholders to optimize system configurations and operational strategies. This dissertation investigates the feasibility and methodology of using analytical models to predict the performance metrics and availability of urban video monitoring systems without the need for physical infrastructure. Key research objectives include evaluating system performance under varying operational conditions, assessing reliability through metrics such as uptime and response times, and exploring strategies to enhance system availability and maintainability. The study employs a multidisciplinary approach to enhance the efficacy and reliability of urban surveillance systems. By leveraging analytical modeling techniques, this research contributes to advancing the understanding of urban surveillance system dynamics and informs decision-making processes aimed at optimizing resource allocation and enhancing urban security in smart city environments.