Agenda de defesas Agenda de defesas

Voltar

Ciência da Computação promove defesa de duas dissertações e de uma tese nesta quinta-feira (22)

Duas defesas ocorrerão no anfiteatro do Centro de Informática e a outra no auditório do mesmo centro

O Programa de Pós-Graduação em Ciência da Computação da UFPE vai promover, na quinta-feira (22), a defesa de duas dissertações de mestrado e de uma tese de doutorado. A aluna Glória de Fátima Andrade Barros Lima apresentará, às 10h, o trabalho de mestrado “Um Framework para Avaliação da Saúde de Ecossistemas de Dados”, produzido sob orientação da professora Bernadette Farias Lóscio (UFPE) e coorientação do professor Marcelo Iury de Sousa Oliveira (UFRPE). A defesa de Glória de Fátima ocorrerá no anfiteatro do Centro de Informática. A banca de examinadores será composta pelos professores Carina Frota Alves (UFPE/CIn), José Viterbo Filho (UFF/Instituto de Computação) e Bernadette Farias Lóscio (UFPE/CIn).

Já Vinícius Matos da Silveira Fraga, que desenvolveu a dissertação “A Comparison Between Osv Unikernels And Docker Containers as Building Blocks For An Internet Of Things Platform”, sob orientação do professor Djamel Fawzi Hadj Sadok (UFPE), vai apresentar o trabalho no auditório do Centro de Informática, às 13h. A banca será composta pelos professores Nelson Souto Rosa (UFPE/CIn), Rafael Roque Aschoff (IFPE/Departamento de Informação e Comunicação) e Djamel Fawzi Hadj Sadok (UFPE/CIn).

Ainda na quinta-feira (22), Sidartha Azevedo Lobo de Carvalho defenderá, às 13h, a sua tese de tema “Gerenciamento Autônomo de Energia em Dispositivos Móveis Utilizando Aprendizagem por Reforço para Economia de Energia”, que foi conduzida sob orientação do professor Abel Guilhermino da Silva Filho. A defesa de Sidartha Azevedo ocorrerá no anfiteatro do Centro de Informática. A banca examinadora contará com os professores Edna Natividade da Silva Barros (UFPE/CIn), Alexandre Cabral Mota (UFPE/CIn), Daniel Carvalho da Cunha (UFPE/CIn), Elmar Uwe Kurt Melcher (UFCG/Centro de Engenharia Elétrica e Informática) e Wellington Pinheiro dos Santos(UFPE/Departamento de Engenharia Biomédica).

Resumo 1

Um Framework para Avaliação da Saúde de Ecossistemas de Dados – A disponibilização de dados em meio digital, por entidades públicas e privadas, tem crescido bastante nos últimos anos, contribuindo para a geração de valor por meio do compartilhamento e consumo desses dados. Nesse contexto, surgem os Ecossistemas de Dados (ED), que podem ser definidos como redes de atores autônomos que consomem, produzem ou fornecem direta ou indiretamente dados e outros recursos relacionados aos dados (e.g., software, serviços e infraestrutura). Apesar do grande número de Ecossistemas de Dados disponíveis atualmente, nem todos podem ser considerados saudáveis, dificultando a aquisição de novas parcerias, investimentos e impactando na produção de consumo de recursos pelos atores do ecossistema. Dessa forma, avaliar a saúde desses ecossistemas torna-se fundamental para prevenir problemas no seu funcionamento, bem como para garantir a sua sobrevivência ao longo do tempo. A saúde de um ED pode ser avaliada por meio dos indicadores de produtividade, robustez, criação de nicho e sustentabilidade, os quais revelam um panorama da saúde do ecossistema. Neste trabalho propomos um framework para avaliação da saúde de Ecossistemas de Dados (FASED) composto por indicadores, os quais avaliam o estado atual e a capacidade de se manter saudável ao longo do tempo. Cada indicador utiliza métricas que permitem a avaliação dos principais elementos do ED e permite sua aplicação de forma contínua para avaliar a saúde do ecossistema em análise. Com o uso do framework proposto, espera-se obter indícios sobre o estado dos indicadores para auxiliar nas tomadas de decisão relacionadas aos processos de publicação e consumo de dados, bem como avaliar quais ecossistemas são mais prósperos ou carecem de maiores investimentos.

Resumo 2

A Comparison Between Osv Unikernels And Docker Containers As Building Blocks For An Internet Of Things Platform – O crescimento da Internet das Coisas (IoT) vem estimulando o desenvolvimento de nova tecnologia para melhor atender seus requisitos. Devido à sua escala, o IoT é alimentado por sistemas distribuídos e escalonáveis horizontalmente, como Arquiteturas orientadas e computação em nuvem. Neste contexto, um potencial abordagem mais barata, mais segura e eficiente para virtualização na nuvem poderia ser o modelo unikernel. Um unikernel é um binário de processo único feito de um kernel e um aplicativo construído em conjunto, portanto, arquiteturas de microsserviço e capazes de reduzir os custos computacionais termos de tempo e espaço por serviço. O objetivo deste trabalho é analisar como seria viável desenvolver uma plataforma de IoT destinada a ser executada unikernels, bem como avaliar e comparar o desempenho de unikernels para recipientes. Para isso, foi proposta uma plataforma de IoT de microsserviços e implantado em contêineres OSvunikernel e Docker. Os resultados mostram que é possível implantar soluções modernas para o unikernels, ao mesmo tempo em que desafios e questões. Além disso, os ganhos esperados de desempenho de unikernels ainda não podem ser generalizados, pois em muitos casos ainda são superados recipientes.

Resumo 3

Gerenciamento Autônomo de Energia em Dispositivos Móveis Utilizando Aprendizagem por Reforço para Economia de Energia – Sistemas embarcados e móveis executam diferentes tipos de aplicações que estimulam o hardware de maneira distinta, gerando cargas de processamento variáveis com o tempo. Uma redução no consumo energético pode ser alcançada usando uma frequência de Central Processing Unit (CPU) específica para cada tipo de carga de processamento. É necessário que a abordagem seja capaz de reduzir o consumo energético a partir da adaptação às variações da carga de processamento, mesmo em um ambiente desconhecido. Por este problema, propomos um novo método para predizer a carga de processamento da CPU para dispositivos móveis com o diferencial da funcionalidade de detecção de mudanças na carga de processamento de forma autônoma, chamado de AEWMA-MSE. Além disso, um novo modelo de predição de potência, baseado no k-Nearest Neighbor (k-NN) para regressão, foi proposto e validado demonstrando um melhor balanceamento entre tempo de execução e precisão quando comparado à rede neural e modelos de regressão lineares. Após isso, o AEWMA-MSE e o modelo de predição de potência são integrados em um novo algoritmo para gerenciamento energético, baseado em aprendizagem por reforço (Q-learning), que seleciona a frequência de CPU que minimiza o consumo energético. A abordagem proposta foi validada utilizando simulação e medições reais com dois smartphones comerciais. A abordagem proposta demonstrou um melhoramento na função de custo do Q-learning que conseguiu atingir uma redução do consumo energético, alcançando até 42% de economia, a depender da abordagem e benchmark em comparação. A abordagem proposta demonstrou cumprir as restrições de tempo e utilização de recursos necessários para os dispositivos móveis, além disso, provendo níveis significantes de economia energética.

Data da última modificação: 20/08/2019, 16:28