Eduardo Cerqueira

A adoção crescente de Sistemas Multimídia Imersivos (IMS) exige latências ultrabaixas para evitar o cyber-sickness em dispositivos móveis com bateria e processamento limitados. Para mitigar essas restrições, a implementação da computação de borda multi-acesso (MEC) surge como uma arquitetura viável. Neste contexto, este artigo analisa o problema de alocação de recursos e orquestração de microsserviços sob restrições de energia e atraso. Avaliam-se modelos de orquestração cientes de energia, sendo três deles baseados em Aprendizado por Reforço Profundo (DRL), integrando custos computacionais, de cache e de comunicação. Apresenta-se uma análise dos trade-offs entre o uso de CPU e a aceleração em GPU, viabilizada por uma técnica de mascaramento de ações. Experimentos demonstram que a abordagem proposta atinge uma taxa de aceitação superior a 95% e reduz o consumo de energia móvel em até 30.8%, mantendo a latência mediana em ≈ 10.6 ms e um alto nível de equidade (Índice de Justiça de Jain ≈ 0.93).

O crescimento do tráfego óptico exige SDM-EONs capazes de otimizar, de forma conjunta, o roteamento e a alocação de recursos, garantindo níveis diferenciados de proteção. Este artigo propõe o RARP (Roteamento, Alocação de Recursos e Proteção), um algoritmo unificado que combina modulação adaptativa, proteção compartilhada com Failure-Independent Path Protecting (FIPP) p-cycles, protection-as-primary e preempção preventiva orientada por prioridade. Simulações nas topologias USA e NSF indicam que o RARP reduz a taxa de bloqueio de banda em até ≈ 70% em relação à literatura, mantendo diferenciação de proteção por classe e melhorando a eficiência energética sob altas cargas.

Sistemas de navegação tradicionais priorizam a eficiência métrica, como tempo ou distância, mas falham frequentemente na interpretação de intenções humanas complexas e dependentes do contexto. Embora os Grandes Modelos de Linguagem (LLMs) demonstrem potencial para preencher essa lacuna semântica, sua integração direta em Sistemas de Transporte Inteligentes (ITS) enfrenta barreiras críticas de escalabilidade, latência e dependência de conectividade. Para superar esses desafios, este trabalho apresenta o VAMOS(Vehicular Agent for Multi-objective Optimization and Semantics), um agente híbrido desenhado para operar eficientemente embarcado. O VAMOS desacopla o raciocínio semântico da otimização espacial, combinando Pequenos Modelos de Linguagem (SLMs) locais para a interpretação de intenções com algoritmos de grafos clássicos para a execução de rotas. A avaliação experimental em três cenários urbanos demonstra que o VAMOS atinge acurácia e completude superiores a 91% utilizando modelos compactos. Além disso, os resultados evidenciam um trade-off favorável: embora modelos massivos apresentem um ganho marginal de qualidade (3%), o VAMOS oferece uma redução significativa no overhead computacional e de comunicação, validando a viabilidade de assistentes de navegação semanticamente conscientes.

The transition to sustainable transportation is critical in the Amazon, where riverine routes are vital for mobility and commerce. The adoption of electric boats is hindered by limited charging infrastructure and unpredictable environmental conditions. To address this challenge, we present an integrated system that combines real-time sensor monitoring with machine learning-based range prediction to reduce operator range anxiety and enable intelligent trip planning. The system incorporates battery discharge modeling based on Peukert's Law and employs Gaussian Process Regression, which achieved superior performance (R² = 0.957, RMSE = 2.545) among evaluated methods through its balance of accuracy, computational efficiency, and uncertainty quantification. The system was validated on an electric boat operating on the Xingu River, Brazil, equipped with LiFePO4 batteries. The system provides boat operators with real-time dashboards displaying live navigation data, battery status, and reliable range estimates, significantly reducing operational uncertainty. This work demonstrates a practical solution for accurate range prediction in remote environments, advancing sustainable electric maritime mobility (green computing) in the Amazon, which can be applied to similar waterways worldwide.

Federated Learning (FL) is a machine learning training method that uses a collaborative model for training across a diverse set of clients, while preserving data privacy in accordance with the General Data Protection Regulation (GDPR) for clients' data. The classification and similarity within many clients can become an issue, often leading to decreased model accuracy and slower convergence, or reducing the number of parameters to the point of not learning anything during aggregation. However, the presence of non-IID data and malicious clients poses significant challenges to the significance of generalization models and distribution data. Malicious clients can perform poisoning attacks by sending harmful model updates that degrade the performance of the global model. This article introduces MONZA, a scoring system designed to detect and exclude malicious clients in FL environments. In a scenario where clients can also engage in various attacks, including model poisoning and data poisoning, this can lead to incorrect training. The proposed method uses cosine similarity to calculate client scores. It employs L2 normalization to identify biased models; in some cases, the similarity is not sufficient to classify a client, effectively filtering out malicious participants before aggregation and implementing a penalty with a quarentine method. Our evaluation shows that MONZA achieves an accuracy of 54.5% in a scenario with 30% malicious clients, while zPROBE (i.e., existing resilient methods) only reached an accuracy of 50%. Furthermore, MONZA reduces the simulation execution time by 66% and the computational effort to 83 MFLOP/s compared to zPROBE, which demonstrates to be a more efficient and resilient method. These results confirm that MONZA maintains the integrity of the model, making a security aggregation while minimizing resource consumption in malicious FL settings.