http://hdl.handle.net/123456789/272 2026-03-08T07:43:28Z 2026-03-08T07:43:28Z SILVA, Pedro Antonio Fernandes da http://hdl.handle.net/123456789/4179 2026-02-02T20:30:10Z 2026-02-02T00:00:00Z

CLASSIFICAÇÃO DE ACIDENTES DE TRÂNSITO TERRESTRE ENVOLVENDO MOTOCICLETAS ATRAVÉS DE UMA REDE NEURAL LOCAL BINÁRIA CONVOLUCIONAL SILVA, Pedro Antonio Fernandes da RESUMO: 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. ABSTRACT: Considering traffic mortality statistics, the number of motorcycle accidents, and the emphasis placed on this issue by the World Health Organization, it is clear that motorcycle accidents constitute a public health issue. An analysis of the literature on machine learning applications in this context reveals a gap that this study aims to address. The objective of this study is to classify images of motorcycle accidents using supervised machine learning algorithms in edge computing environments. Because the use of an internet connection in such cases increases system implementation and maintenance costs, executing the algorithms locally is preferable; thus, optimizing computational resources becomes a priority. Therefore, this study proposes the use of a Local Binary Convolutional Neural Net- work (LBCNN), as this architecture not only reduces the number of parameters used in convolutions but also offers hardware optimization advantages. In the experiments conducted, two models stood out: the LBCNN16-Bernoulli30-ResNet18 configuration, which achieved the highest accuracy (88%), and the LBCNN16-Bernoulli50- ResNet18, which attained 84% accuracy but demonstrated greater potential for hardware optimization. Orientador: Prof. Dr. Vinícius Ponte Machado Coorientador: Prof. Dr. Ivan Saraiva Silva Examinador interno: Kelson Romulo Teixeira Aires Examinador interno: Raimundo Santos Moura Examinador externo: Geraldo Braz Júnior - UFMA

2026-02-02T00:00:00Z SOUZA, Lucas Bezerra Marques de http://hdl.handle.net/123456789/4178 2026-02-02T20:06:13Z 2026-02-02T00:00:00Z

SISTEMA INTEGRADO PARA DIAGNÓSTICO AUTOMATIZADO DA LEISHMANIOSE VISCERAL EM IMAGENS MICROSCÓPICAS SOUZA, Lucas Bezerra Marques de RESUMO: 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 com modelos de deep learning. O sistema implementa uma plataforma colaborativa para gerenciamento de laboratórios, com controle de participantes e sistema de convites. A validação da solução ocorreu em três frentes principais. Primeiro, o dispositivo de captura robótico, com custo aproximado de R$ 305,00, demonstrou viabilidade econômica e eficiência operacional, atingindo uma taxa de 8,57 imagens por minuto, superando o método manual (3,33 imagens por minuto). Segundo, os testes de usabilidade da aplicação web, utilizando a escala SUS, resultaram em pontuação média de 76,2, indicando boa aceitação pelos usuários. Terceiro, a plataforma integrou modelos de deep learning para diagnóstico de Leishmaniose Visceral Humana (baseado em InceptionV3) e Canina (baseado em YOLOv8), cujos trabalhos de origem reportam 98,7% de F1-Score e 88,5% de mAP, respectivamente. Os resultados demonstram que a abordagem proposta cumpre seu objetivo, entregando uma ferramenta integrada que contribui para tornar o diagnóstico da Leishmaniose mais acessível e eficiente com a automação da captura, com potencial para implementação em áreas endêmicas e expansão para outras doenças. ABSTRACT: Visceral Leishmaniasis (VL) is a severe infectious disease caused by protozoa of the Leishmania genus and transmitted by phlebotomine sandflies. The traditional diagnosis by microscopy, although the gold standard, faces challenges such as the subjectivity of the analysis and its dependence on the observer’s experience. This work proposes the development of a web-based system integrated with an automated platform for capturing microscopic images, aiming to improve the identification of Leishmania amastigotes using deep learning models. The system implements a collaborative platform for laboratory management, with participant control and an invitation system. The solution’s validation occurred on three main fronts. First, the robotic capture device, with an approximate cost of R$ 305.00, demonstrated economic viability and operational efficiency, achieving a rate of 8.57 images per minute, surpassing the manual method (3.33 images per minute). Second, usability tests of the web application, using the SUS scale, resulted in an average score of 76.2, indicating good user acceptance. Third, the platform integrated deep learning models for Human Visceral Leishmaniasis (based on InceptionV3) and Canine (based on YOLOv8) diagnosis, whose original studies report 98.7% F1-Score and 88.5% mAP, respectively. The results demonstrate that the proposed approach fulfills its objective, delivering an integrated tool that contributes to making the diagnosis of Leishmaniasis more accessible and efficient with capture automation, with the potential for implementation in endemic areas and expansion to other diseases. Orientador: Romuere Rodrigues Veloso e Silva Examinadora interna: Ana Carolina Landim Pacheco Examinador interno: Flávio Henrique Duarte de Araújo Examinador interno: Iális Cavalcante de Paula Júnior

2026-02-02T00:00:00Z SANTOS, Lucas Vinícius Silva dos http://hdl.handle.net/123456789/4177 2026-02-02T19:47:00Z 2026-02-02T00:00:00Z

HYBRID AND DECOY MOVING TARGET DEFENSE IN CLOUD COMPUTING: a performance modeling approach SANTOS, Lucas Vinícius Silva dos RESUMO: A segurança da informação enfrenta desafios cada vez mais complexos, exigindo estratégias inovadoras para aumentar a resiliência dos sistemas contra ataques. O conceito de Moving Target Defense (MTD) surge como uma abordagem promissora, pois dificulta a identi- ficação e exploração de vulnerabilidades ao modificar dinamicamente a configuração do sistema. Diferentemente dos mecanismos de defesa tradicionais, que permanecem estáticos e previsíveis, o MTD busca reduzir a vantagem do atacante pela constante mudança do ambiente alvo. Entre as estratégias possíveis, destacam-se a migração de máquinas virtuais e a realocação de endereços IP, bem como o uso de servidores de decoy, que atuam como iscas para desorientar invasores e atrasar sua progressão. Este estudo propõe uma avaliação comparativa entre duas metodologias distintas de MTD, ambas modeladas por meio de redes de Petri. A primeira abordagem baseia-se na migração como estratégia defensiva, considerando três políticas de ativação: baseada em tempo, baseada em eventos e uma abor- dagem híbrida que combina ambas. Para fortalecer a resposta a ataques, foi incorporado um sistema de detecção de intrusão (IDS), responsável por identificar atividades maliciosas e acionar a migração do sistema conforme necessário. A segunda abordagem analisa o impacto do uso de servidores de decoy, combinados com a migração dinâmica de endereços IP, com o objetivo de dificultar o mapeamento dos servidores reais e aumentar a incerteza do atacante quanto à topologia do sistema. Os resultados das simulações indicam que a eficácia das políticas de detecção baseadas em eventos depende fortemente da precisão do IDS, sendo mais vantajosa quando esta ultrapassa 50%. Além disso, a abordagem híbrida demonstrou ser a mais eficiente para retardar o progresso de invasores, equilibrando segurança e desempenho. No contexto dos servidores de decoy, os experimentos revelaram que a introdução de um maior número de servidores falsos aumenta significativamente o tempo necessário para uma intrusão bem-sucedida, elevando-o de 8 para até 19 dias. Dessa forma, este trabalho contribui para a compreensão da aplicabilidade das diferentes estratégias de MTD, fornecendo análises sobre como políticas de migração e o uso de servidores de decoy podem ser otimizados para melhorar a segurança de infraestruturas computacionais contra ataques cibernéticos. ABSTRACT: 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 hinders the identification and exploitation of vulnerabilities by dynamically modifying the system’s configuration. Unlike traditional defense mechanisms, which remain static and predictable, MTD seeks to reduce the attacker’s advantage through constant changes in the target environment. Among the possible strategies, notable examples include virtual machine migration and IP address relocation, as well as the use of decoy servers, which act as traps to mislead intruders and delay their progression. This study proposes a comparative evaluation between two distinct MTD methodologies, both modeled through Petri nets. The first approach relies on migration as a defensive strategy, considering three activation policies: time-based, event-based, and a hybrid approach combining 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, aiming to hinder the mapping of real servers and increase the attacker’s uncertainty regarding the system topology. Simulation results indicate that the effectiveness of event-based detection policies strongly depends on IDS accuracy, being more advantageous when accuracy exceeds 50%. Furthermore, the hybrid approach proved to be the most effective in slowing the progress of intruders, balancing security and performance. In the context of decoy servers, experiments revealed that introducing a larger number of fake servers significantly increases the time required for a successful intrusion, raising it from 8 to as many as 19 days. Thus, this work contributes to understanding the applicability of different MTD strategies, providing insights into how migration policies and the use of decoy servers can be optimized to enhance the security of computational infrastructures against cyberattacks. Orientador: Prof. Dr. Francisco Airton Pereira da Silva Co-orientador: Prof. Dr. Matheus D’Eça Torquato de Melo Examinador interno: Prof. Dr. Glauber Dias Gonçalves Examinador externo: Prof. Dr. Ermesson Carneiro de Andrade - UFPE Examinador externo: Prof. Dr. Rayner Gomes Sousa - UFPE

2026-02-02T00:00:00Z NUNES, Lucas de Sousa http://hdl.handle.net/123456789/4101 2025-11-17T20:57:53Z 2025-11-17T00:00:00Z

MONITORAMENTO DE QoS EM MÚLTIPLAS NUVENS DA PERSPECTIVA DE UM ARQUITETO DE SOFTWARE NUNES, Lucas de Sousa RESUMO: A computação em nuvem disponibiliza serviços computacionais sob demanda por meio da Internet, com um modelo de pagamento baseado no uso, o que favorece a otimização dos custos operacionais. Essa abordagem proporciona benefícios como acesso seguro a partir de qualquer local e dispositivo, além de facilitar o compar- tilhamento de informações. Nesse contexto, os usuários (arquitetos de software) podem definir requisitos de QoS para os serviços contratados, os quais devem constar do SLA. Como resultado, a computação em nuvem tem se consolidado como uma solução atrativa para empresas de diversos portes, o que vem impulsionando seu crescimento nos últimos anos. Para maximizar os benefícios da computação em nuvem, muitos usuários têm adotado o modelo multi-cloud, no qual uma aplicação é distribuída em vários provedores, geralmente sem um acordo prévio de integração entre eles. No entanto, a maioria dos provedores não disponibiliza diretamente as métricas dos serviços contratados, o que dificulta a verificação do cumprimento dos SLAs e a avaliação da conformidade com os parâmetros de QoS estabelecidos. Diante disso, os usuários precisam recorrer a estratégias alternativas para aferir os valores de QoS dos serviços contratados. Essa tarefa torna-se ainda mais complexa em ambientes multi-cloud, em que múltiplos SLAs devem ser considerados. Nesses casos, é necessário que o usuário avalie as métricas de desempenho tanto sob a perspectiva de cada provedor quanto sob a perspectiva da aplicação como um todo. Diante deste contexto, torna-se importante o monitoramento do QoS a partir da ótica do usuário, com base no SLA. O monitoramento permite não só avaliar a qualidade da oferta, mas também identificar se a aplicação demanda mais recursos. Para isso, apresentamos primeiro uma taxonomia que apoia a análise comparativa das soluções existentes para o monitoramento de nuvem. Em seguida, com base nas lacunas identificadas, propomos uma arquitetura para o monitoramento do QoS de serviços contratados em múltiplos provedores de nuvem, para microsserviços distribuídos de uma aplicação. Para validar a proposta, desenvolvemos o Cloud Sentinel, uma ferramenta capaz de monitorar métricas ao longo do tempo e apoiar a tomada de decisões, permitindo aferir o QoS de cada serviço utilizado por cada microsserviço, em diferentes provedores contratados. ABSTRACT: Cloud computing offers on-demand computing services over the Internet, utilizing a pay-as-you-go model that facilitates the optimization of operational 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 included in the SLA. As a result, cloud computing has become an attractive solution for companies of all sizes, driving 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, usually without a prior integration agreement between them. However, most providers do not directly provide metrics for the contracted services, which makes it difficult to verify compliance with SLAs and assess conformity with established QoS parameters. Given this, users must resort to alternative strategies to measure the QoS values of 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 provider’s perspective and the application’s overall perspective. In this context, monitoring QoS from the user’s perspective, based on the SLA, becomes essential. Monitoring allows not only the evaluation of the quality of the offer, but also the identification of whether the application demands more resources. To this end, we first present a taxonomy that supports the comparative analysis of existing cloud monitoring solutions. Then, based on the identified gaps, we propose an architecture for monitoring the QoS of contracted services from multiple cloud providers for the distributed microservices of an application. To validate the proposal, we developed Cloud Sentinel, a tool capable of monitoring metrics over time and supporting decision-making, which enables us to measure the QoS of each service used by each microservice across different contracted providers. Orientadora: Profa. Dra. Juliana Oliveira de Carvalho Examinador interno: Prof. Dr. Francisco Airton Pereira da Silva Examinador interno: Prof. Dr. Glauber Dias Gonçalves Examinador externo: Prof. Dr. Fernando Antônio Mota Trinta

2025-11-17T00:00:00Z