Johann Jakob Schmitz Bastos
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Research Subjects
Johann Jakob Schmitz Bastos has a total of 14 co-authors. Here are the top co-authors by number of shared publications:
- João Pedro Camargo Batista
UFES
5 shared publications - Rodolfo S. Villaca
UFES
5 shared publications - Vinicius Fernandes Soares Mota
Universidade Federal do Espírito Santo (UFES)
5 shared publications - Eduardo Cerqueira
Federal University of Pará, Belém, Pará, Brazil
3 shared publications - Ramon dos Reis Fontes
UFRN
3 shared publications - Arthur Da Silva Santos Estevam
Instituto Federal do Espírito Santo, São Mateus, Espírito Santo
1 shared publication
Latest Publications
- Open Access
- 24 July 2026
- Published by Elsevier in Journal of Network and Computer Applications
- Vol. 254
Secure and efficient Federated Learning using sketches and Fully Homomorphic Encryption
- 24 July 2026
- Published by Elsevier in Journal of Network and Computer Applications
- Vol. 254
Open AccessSecure and efficient Federated Learning using sketches and Fully Homomorphic Encryption
- Open Access
- 4 April 2026
- Published by Elsevier in SSRN Electronic Journal
Secure and Efficient Federated Learning Using Sketches and Fully Homomorphic Encryption
Federated Learning (FL) represents a distributed training paradigm designed to enable collaborative model training without sharing raw data. However, sophisticated attackers can infer or reconstruct sensitive client data from shared model updates, thereby weakening privacy protection for clients. Moreover, FL also struggles with the data heterogeneity (non-IID distribution) among participants and with high communication overhead due to the transmission of large model weights over multiple rounds. This work presents an integrated framework of three novel algorithms to address the aforementioned issues in FL: i) FedSketch leverages Differential Privacy (DP) with probabilistic count sketches to compress high-dimensional model updates. This compression approach reduces communication overhead while enhancing privacy. ii) The CKKSFED algorithm, which utilizes Fully Homomorphic Encryption (FHE) to perform client clustering, mitigating the negative effects of non-IID data distribution in a privacy-preserving manner. iii) The MetricBasedSelection algorithm selects clients in each round based on metrics to improve convergence and reduce communication. We evaluate the effectiveness of our solutions in an emulation environment using image classification and real-world time series datasets. FedSketch significantly reduced communication overhead, achieving up to a 73-fold reduction in model size. Clustering clients with CKKSFED achieved convergence in approximately half the number of rounds compared to non-clustered methods in non-IID scenarios. Finally, FedSketch, with the metric-based selection algorithm, selected fewer clients for training in each round, thereby contributing to the reduction of communication costs. Jointly, these algorithms reduced communication overhead while ensuring strong privacy guarantees.
- 4 April 2026
- Published by Elsevier in SSRN Electronic Journal
Open AccessSecure and Efficient Federated Learning Using Sketches and Fully Homomorphic Encryption
Federated Learning (FL) represents a distributed training paradigm designed to enable collaborative model training without sharing raw data. However, sophisticated attackers can infer or reconstruct sensitive client data from shared model updates, thereby weakening privacy protection for clients. Moreover, FL also struggles with the data heterogeneity (non-IID distribution) among participants and with high communication overhead due to the transmission of large model weights over multiple rounds. This work presents an integrated framework of three novel algorithms to address the aforementioned issues in FL: i) FedSketch leverages Differential Privacy (DP) with probabilistic count sketches to compress high-dimensional model updates. This compression approach reduces communication overhead while enhancing privacy. ii) The CKKSFED algorithm, which utilizes Fully Homomorphic Encryption (FHE) to perform client clustering, mitigating the negative effects of non-IID data distribution in a privacy-preserving manner. iii) The MetricBasedSelection algorithm selects clients in each round based on metrics to improve convergence and reduce communication. We evaluate the effectiveness of our solutions in an emulation environment using image classification and real-world time series datasets. FedSketch significantly reduced communication overhead, achieving up to a 73-fold reduction in model size. Clustering clients with CKKSFED achieved convergence in approximately half the number of rounds compared to non-clustered methods in non-IID scenarios. Finally, FedSketch, with the metric-based selection algorithm, selected fewer clients for training in each round, thereby contributing to the reduction of communication costs. Jointly, these algorithms reduced communication overhead while ensuring strong privacy guarantees.
- Open Access
- 8 September 2025
- Published by Association for Computing Machinery (ACM)
- p. 130-131
A Lightweight Emulation Framework for Energy-Aware Federated Learning
- 8 September 2025
- Published by Association for Computing Machinery (ACM)
- p. 130-131
Open AccessA Lightweight Emulation Framework for Energy-Aware Federated Learning
- Open Access
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 322-335
Detecção e Mitigação de Ataques de Inversão de Rótulos em Modelos Compactados e Privados no Aprendizado Federado
Este artigo propõe uma técnica para detectar clientes maliciosos que realizam ataques de inversão de rótulo (label flipping) durante o treinamento de modelos de Aprendizado Federado (FL). O objetivo é identificar clientes maliciosos que manipulam rótulos de dados, mesmo com modelos locais compactados e privados por meio da aplicação de privacidade diferencial. O vetor de pesos da última camada de ativação da rede neural é usado para detectar comportamentos anômalos desses clientes, preservando a privacidade dos dados. A solução foi avaliada em diferentes conjuntos de dados, como MNIST e Fashion-MNIST, e no emulador MininetFed. Os resultados mostram que a proposta foi eficaz na detecção e neutralização de ataques, mesmo em cenários onde até 40% dos clientes na rede eram maliciosos.
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 322-335
Open AccessDetecção e Mitigação de Ataques de Inversão de Rótulos em Modelos Compactados e Privados no Aprendizado Federado
Este artigo propõe uma técnica para detectar clientes maliciosos que realizam ataques de inversão de rótulo (label flipping) durante o treinamento de modelos de Aprendizado Federado (FL). O objetivo é identificar clientes maliciosos que manipulam rótulos de dados, mesmo com modelos locais compactados e privados por meio da aplicação de privacidade diferencial. O vetor de pesos da última camada de ativação da rede neural é usado para detectar comportamentos anômalos desses clientes, preservando a privacidade dos dados. A solução foi avaliada em diferentes conjuntos de dados, como MNIST e Fashion-MNIST, e no emulador MininetFed. Os resultados mostram que a proposta foi eficaz na detecção e neutralização de ataques, mesmo em cenários onde até 40% dos clientes na rede eram maliciosos.
- Open Access
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 43-56
Otimizando Energia no Aprendizado Federado em Redes de Baixa potência e com Alta Taxa de Perda de Pacotes
O Aprendizado Federado (FL) permite o treinamento distribuído de modelos de aprendizado de máquina, sem necessidade de compartilhamento de dados brutos. Em redes IoT com dispositivos de recursos limitados e alta perda de pacotes, a seleção de dispositivos para treinamento é desafiadora. Este trabalho propõe otimizar essa seleção focando na eficiência energética de dispositivos que utilizam o protocolo RPL (Routing Protocol for Low-Power and Lossy Networks), um protocolo que constrói uma topologia de árvore da rede. A proposta foi avaliada em uma extensão da plataforma MininetFed, que adicionou suporte a redes RPL, monitoramento de consumo de energia e um algoritmo de seleção para prolongar a vida útil das redes IoT durante o treinamento sem comprometer a eficácia. A abordage proposta atingiu uma redução de aproximadamente 6,5% no consumo de nós centrais.
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 43-56
Open AccessOtimizando Energia no Aprendizado Federado em Redes de Baixa potência e com Alta Taxa de Perda de Pacotes
O Aprendizado Federado (FL) permite o treinamento distribuído de modelos de aprendizado de máquina, sem necessidade de compartilhamento de dados brutos. Em redes IoT com dispositivos de recursos limitados e alta perda de pacotes, a seleção de dispositivos para treinamento é desafiadora. Este trabalho propõe otimizar essa seleção focando na eficiência energética de dispositivos que utilizam o protocolo RPL (Routing Protocol for Low-Power and Lossy Networks), um protocolo que constrói uma topologia de árvore da rede. A proposta foi avaliada em uma extensão da plataforma MininetFed, que adicionou suporte a redes RPL, monitoramento de consumo de energia e um algoritmo de seleção para prolongar a vida útil das redes IoT durante o treinamento sem comprometer a eficácia. A abordage proposta atingiu uma redução de aproximadamente 6,5% no consumo de nós centrais.
- Open Access
- 28 July 2022
- Published by Universidade Tecnologica Federal do Parana (UTFPR) in Revista Eletrônica Científica Inovação e Tecnologia
- Vol. 13 (32) , 66-89
Software para Projeto de Conversores CC-CC Básicos Não-Isolados
A eletrônica de potência tem se desenvolvido ao longo do tempo e se tornado cada vez mais importante em diversos segmentos da indústria. A aplicação dessa tecnologia tem permitido aumento de eficiência, controle, automação e redução de custos em diversas áreas. O ensino dessa ciência é, portanto, de vital importância para formação de profissionais aptos a projetar e utilizar esses dispositivos. O presente trabalho apresenta um software para projeto de conversores eletrônicos de potência CC-CC básicos não-isolados desenvolvido por alunos do curso técnico em eletrotécnica. O desenvolvimento desse software permitiu maior compreensão do funcionamento desses conversores e das relações entre as oscilações de tensão e corrente com os elementos utilizados no circuito. A ferramenta desenvolvida permite o cálculo de capacitores e a indicação para valores comerciais mais próximos além de permitir o projeto de construção do indutor a partir de seu circuito magnético.
- 28 July 2022
- Published by Universidade Tecnologica Federal do Parana (UTFPR) in Revista Eletrônica Científica Inovação e Tecnologia
- Vol. 13 (32) , 66-89
Open AccessSoftware para Projeto de Conversores CC-CC Básicos Não-Isolados
A eletrônica de potência tem se desenvolvido ao longo do tempo e se tornado cada vez mais importante em diversos segmentos da indústria. A aplicação dessa tecnologia tem permitido aumento de eficiência, controle, automação e redução de custos em diversas áreas. O ensino dessa ciência é, portanto, de vital importância para formação de profissionais aptos a projetar e utilizar esses dispositivos. O presente trabalho apresenta um software para projeto de conversores eletrônicos de potência CC-CC básicos não-isolados desenvolvido por alunos do curso técnico em eletrotécnica. O desenvolvimento desse software permitiu maior compreensão do funcionamento desses conversores e das relações entre as oscilações de tensão e corrente com os elementos utilizados no circuito. A ferramenta desenvolvida permite o cálculo de capacitores e a indicação para valores comerciais mais próximos além de permitir o projeto de construção do indutor a partir de seu circuito magnético.