Notícias Notícias

Voltar

Pós-Graduação em Ciência da Computação realiza defesa de dissertações de mestrado

Os trabalhos serão defendidos na sexta-feira (12), via Google Meet

O Programa de Pós-Graduação em Ciência da Computação da UFPE promove, na sexta-feira (12), a defesa de três dissertações de mestrado. A primeira intitulada “Autenticação no Ambiente IoV baseada em Blockchain com suporte a Computação de Borda (ABE-IoV)”, foi escrita pelo aluno Eduardo Henrique Alves Maia Mattos Oliveira, orientado pelo professor Kelvin Lopes Dias. A dissertação será defendida na sexta-feira (12), às 8h. Interessados em assistir devem entrar em contato com o aluno via e-mail ehammo@cin.ufpe.br. A banca examinadora é formada pelos professores Nelson Souto Rosa (UFPE/Centro de Informática), Tássio Costa de Carvalho (UFPA/Faculdade de Computação) e Kelvin Lopes Dias (UFPE/Centro de Informática).

A segunda dissertação, de título “Predição de compatibilidade entre cultivares em processos de enxertia: um estudo comparativo de técnicas baseadas em sistemas de recomendação”, produzida pelo discente Thiago Batista Rodrigues Silva e orientada pelo professor Ricardo Bastos Cavalcante Prudêncio e coorientada pelo professor André Câmara Alves do Nascimento (UFRPE/Departamento de Computação), será defendida às 9h, via Google Meet. Interessados em assistir entrar em contato com o aluno através do e-mail tbrs@cin.ufpe.br. A banca examinadora é formada pelos professores Ricardo Bastos Cavalcante Prudêncio (UFPE/Centro de Informática), Douglas Veras e Silva (UFRPE/ Departamento de Computação) e Rosimar dos Santos Musser (UFRPE/Departamento de Agronomia).

A terceira dissertação, intitulada “Espaço de dissimilaridade simbólicos usando distâncias intervalares para classificação e regressão”, escrito pela aluna Fernanda Teixeira dos Santos, e orientada pela professora Renata Maria Cardoso Rodrigues de Sousa e coorientada pelo professor Telmo de Menezes e Silva Filho (University of Bristol), será defendida às 10h, via Google Meet. Interessados em assistir entrar em contato com o aluno através do e-mail fts@cin.ufpe.br. A banca examinadora é formada pelos professores Paulo Salgado Gomes de Mattos Neto (UFPE/Centro de Informática), Marcus Costa de Araújo (UFPE/Departamento de Engenharia Mecânica) e Renata Maria Cardoso Rodrigues de Souza (UFPE/Centro de Informática).

Resumo 1

Com o advento dos Sistemas de Transporte Inteligentes (ITS - Intelligent Transportation Systems), os dados de vários sensores incorporados em veículos ou infraestrutura de cidades inteligentes são de extrema importância. O ambiente da Internet Veicular (IoV) demanda soluções eficazes de autenticação e validação das informações e dados compartilhados, considerando os requisitos de latência e vazão das aplicações veiculares. Diante deste cenário, o suporte de segurança é de suma importância para o sucesso e a ampla adoção de carros conectados e autônomos. Este ecossistema exigirá poder de processamento e mecanismos de confiança eficientes para os diversos modos de comunicações entre os veículos e demais dispositivos no ambiente (V2I, V2V e V2X). Os estudos atuais de avaliação de desempenho com base na adoção das redes móveis de nova geração 5G e da computação de borda com o processamento mais próximo dos veículos são incipientes quanto à análise comparativa entre sistemas de autenticação centralizados tradicionais e blockchain como serviço de autenticação. Para realizar esta análise, foram elaborados diferentes cenários com variação do número de estações radio-base, road-side units, veículos, mineradores e tamanho do bloco. Além disso, este trabalho de pesquisa implementou duas soluções de Autenticação no Ambiente IoV, uma baseada em Blockchain com suporte a Computação de Borda (ABE-IoV) e outra baseada em Trust Authority centralizada. Essas soluções foram desenvolvidas como aplicações no simulador de rede NS-3. Simulando os diferentes cenários, foi possível identificar as principais características, vantagens e limitações do uso de blockchain como serviço de autenticação de veículos. Observou-se que ao aumentar a quantidade total de veículos mantendo o número de mineradores, as métricas de Quality of Service (QoS) para blockchain se mantiveram estáveis com poucas alterações. No entanto, ao aumentar a quantidade de mineradores mantendo a quantidade de veículos, o QoS caiu drasticamente

Resumo 2

A viticultura é a ciência que estuda o cultivo da uva para produção de sucos, vinhos e outros derivados. Tanto os produtos quanto a cadeia produtiva possuem elevada importância socioeconômica e cultural em grande parte do mundo. Recentemente, técnicas de enxertia vêm sendo aplicadas para aumentar a produtividade e a qualidade no setor; no entanto, o processo para encontrar cultivares de porta-enxerto que sejam compatíveis com enxertos de videiras é essencialmente experimental, lento e custoso. Embora a utilização de aprendizagem de máquina no Agronegócio não seja novidade, a literatura carece de trabalhos que demonstrem a aplicabilidade dessa técnica para apoiar especificamente processos de enxertia. Este trabalho, por meio de uma perspectiva de Sistema de Recomendação, oferece uma comparação entre abordagens de predição e de classificação para o problema da seleção de cultivares de enxerto e porta-enxerto. Além disso, também avalia os desempenhos de algoritmos baseados em filtragem colaborativa com os de algoritmos baseados em métodos de Kernel, para as tarefas de predição de ratings e de classificação de interações. Ao todo, 17 modelos baseados em algoritmos de filtragem colaborativa e métodos de kernel foram avaliados em um conjunto de dados de 251 interações rotuladas, atingindo o valor máximo de 96% para a métrica f1-score. Os resultados indicaram uma vantagem significativa para a abordagem de classificação, especialmente para os modelos baseados em kernel, bem como a viabilidade de uma ferramenta de apoio à decisão para orientar as escolhas de especialistas das melhores cultivares para enxertia.

Resumo 3

Apresenta como objetivo principal a aplicação de algoritmos clássicos de aprendizagem de máquina na transformação de dados simbólicos em dados clássicos, na busca de alcançar resultados tão bons quanto utilizando dados clássicos. Tendo em vista que, o estudo de dados simbólicos originou a área de análise de dados simbólicos, que está diretamente ligada a uma abordagem na área de descoberta automática de máquinas para os dados clássicos. Para tanto, será utilizada a matriz de dissimilaridade já que vem sendo amplamente explorada na literatura de aprendizagem de máquina, por obter bons resultados em variadas tarefas, sendo testadas tarefas de classificação e regressão.

Data da última modificação: 10/08/2022, 17:04