Resumo: Este trabalho busca implementar e comparar diferentes técnicas de classificação de textos de 'spotted'. Spotteds são páginas de que publicam mensagens e textos de forma anônima em redes sociais. Para tal estudo, separou-se um conjunto de textos, rotulados entre 'postáveis' e 'não-postáveis'. A partir desses dados, testaram-se três abordagens distintas de classificação: utilizar o serviço de moderação pronto da OpenAI (Moderation Service), utilizar um modelo de linguagem pronto com um prompt específico, e utilizar embeddings em modelos de classificação tradicionais, como SVM, Naive Bayes e Random Forest. A métrica de recall foi utilizada para avaliar o desempenho inicial de cada abordagem, seguida de ajustes de hiperparâmetros para otimizar os resultados.

Abstract: This work seeks to implement and compare different spotted text classification techniques. Spotteds are pages that publish messages and texts anonymously on social networks. For this study, a set of texts was separated, labeled as 'postable' and 'non-postable'. From this data, three different classification approaches were tested: using OpenAI's ready-made moderation service (Moderation Service), using a ready-made language model with a specific prompt, and using embeddings in traditional classification models, such as SVM, Naive Bayes and Random Forest. The recall metric was used to evaluate the initial performance of each approach, followed by hyperparameter adjustments to optimize the results.

Resumen Este trabajo busca implementar y comparar diferentes técnicas de clasificación para textos 'manchados'. Se detectan páginas que publican mensajes y textos de forma anónima en las redes sociales. Para este estudio, se separó un conjunto de textos, etiquetados entre 'postáveis' y 'não-postáveis'. Con base en estos datos, probaremos tres enfoques de clasificación diferentes: usar el servicio de moderación OpenAI (Servicio de moderación), usar pronto un modelo de lenguaje con un mensaje específico y usar incrustaciones en modelos de clasificación tradicionales, como SVM, Naive Bayes y Random Forest.. Se utilizó una métrica de recuperación para evaluar el rendimiento inicial de cada enfoque, seguida de ajustes de hiperparámetros para optimizar los resultados.

Resumo: Este relatório analisa adaptações de dois modelos da literatura para variantes do problema de Partição Comum Mínima de Strings Balanceadas. Como esse problema se origina da Biologia Computacional, onde as strings representam genomas, propomos evoluções para os modelos que atendam variantes do problema. Nessas variantes consideramos o caso em que as strings não são balanceadas, representando genomas com conjuntos diferentes de genes, e o caso em que os caracteres possuem sinais positivo ou negativo, representando a orientação dos genes. Também levamos em conta variações considerando o número de nucleotídeos entre os genes. Ao final, os diferentes modelos foram testados e comparados em termos de tempo de execução e qualidade da solução.

Resumo: O conhecimento detalhado da subsuperfície terrestre é de extrema importância para áreas como a exploração de recursos naturais, a realização de estudos ambientais e o planejamento da infraestrutura. Este trabalho explora a Inversão da Forma de Onda Completa (FWI), uma técnica de imageamento geofísico capaz de gerar modelos detalhados da subsuperfície terrestre a partir de dados de propagação de ondas sísmicas coletados na superfície. Também é abordada a simulação da propagação de ondas, fundamental para o imageamento geofísico, e a implementação experimental da FWI utilizando a infraestrutura de computação do Laboratório de Sistemas de Computação (LSC) do Instituto de Computação (IC) da Unicamp. A modelagem sísmica e a simulação de dados sísmicos complementam a análise. Conclui-se com uma discussão sobre melhorias futuras, incluindo a execução paralela e distribuída da aplicação e o emprego de técnicas de aprendizado de máquina para aprimorar a qualidade dos modelos gerados pela aplicação.

Abstract: Detailed knowledge of the Earth's subsurface is of utmost importance for areas such as natural resource exploration, environmental studies, and infrastructure planning. This work explores Full Waveform Inversion (FWI), a geophysical imaging technique capable of generating detailed models of the Earth's subsurface from seismic wave propagation data collected on the surface. It also addresses the simulation of wave propagation, which is fundamental for geophysical imaging, and the experimental implementation of FWI using the computing infrastructure of the Laboratory of Computer Systems (LSC) at the Institute of Computing (IC) of Unicamp. Seismic modeling and seismic data simulation complement the analysis. The study concludes with a discussion on future improvements, including the parallel and distributed execution of the application and the use of machine learning techniques to enhance the quality of the models generated by the application.

Abstract: This work is a study about the post-quantum signature scheme SQISign, one of the candidates in the NIST Post-Quantum Cryptography Standardization contest. The SQISign algorithm assumes the hardness of finding a path in supersingular isogeny graphs and uses the Deuring correspondence to operate in the quaternion algebra world during signature and in the elliptic curves world during verification. Among the other candidates in the same category, SQISign has relatively small public key and signature sizes, which is an important advantage. The recent SIDH attacks showed new ways of efficiently representing isogenies. This fact, resulted in some new variants of SQISign, now using 2, 4, and 8-dimension isogenies. Among the available variants, we are going to discuss SQISign2D-West and SQISignHD.

Resumo: Neste trabalho, apresentamos uma extensão do projeto Smart Parking, um sistema de monitoramento de vagas de estacionamento implementado no campus da Unicamp. O objetivo foi desenvolver uma solução tecnológica eficiente para a gestão de estacionamentos, aumentando a conveniência dos usuários e otimizando o uso das vagas disponíveis. Utilizamos tecnologias como MongoDB para gerenciamento de dados, MQTT para comunicação entre dispositivos IoT e React para o front-end, criando um sistema modular, escalável e de fácil manutenção. A arquitetura segue práticas de projeto de software, garantindo baixo acoplamento e alta coesão entre componentes. Testes unitários com Jest asseguraram a confiabilidade do sistema, validado mediante simulações controladas contendo múltiplos estacionamentos.

Resumo: O InventIo é uma plataforma, de uso exclusivo do Instituto de Computação da Unicamp, concebida para o rastreamento de objetos com o fim de gerenciar a movimentação de itens críticos. Essencialmente, a aplicação possibilita o cadastro de objetos com tags de identificação por radiofrequência (RFID) e a gestão de sensores para sua detecção. Sempre que um sensor identifica uma tag (objeto) é gerado um histórico contendo sua localização e horário em que o item foi identificado.

A presente etapa do projeto busca avançar o sistema existente com a adição de novas funcionalidades, compreender e validar o uso da tecnologia RFID e, por fim, instalar a solução nas dependências do Instituto de Computação. Além disso, também é de interesse realizar avaliações para ampliar o escopo de uso dessa tecnologia no campus.

Após realizar as melhorias previstas e conduzir uma série de experimentos, os resultados obtidos demonstram o potencial da plataforma InventIo mas, também, expuseram limitações consideráveis. Em especial a tecnologia RFID se mostrou demasiadamente sensível a interferências, o que restringe o uso do sistema. Quanto a aplicação dessa tecnologia em outros contextos, foi avaliada a possibilidade de automatizar o processo de inventário do Instituto. Os resultados são promissores, e, apesar de limitações quanto ao uso de tags em superfícies metálicas, meios para contornar essa restrição foram explorados.

Abstract: InventIo is a platform exclusively used by the Institute of Computing at Unicamp, designed for tracking objects to manage the movement of critical items. Essentially, the application enables the registration of objects with radio frequency identification (RFID) tags and the management of sensors for their detection. Whenever a sensor identifies a tag (object), a history is generated containing its location and the time the item was identified.

The current phase of the project aims to advance the existing system by adding new functionalities, understanding and validating the use of RFID technology, and finally, installing the solution within the Institute of Computing's premises. Additionally, there is an interest in conducting evaluations to expand the scope of this technology's use on campus.

After implementing the planned improvements and conducting a series of experiments, the results demonstrate the potential of the InventIo platform but also reveal significant limitations. In particular, RFID technology proved to be highly sensitive to interference, which restricts the system's use. Regarding the application of this technology in other contexts, the possibility of automating the Institute's inventory process was evaluated. The results are promising, and despite limitations concerning the use of tags on metallic surfaces, methods to overcome this restriction were explored.

Resumo: O aprendizado federado é uma solução comum para o problema de treinar modelos de inteligência artificial em ambientes onde os dados não podem ser facilmente centralizados, garantindo também a privacidade dos clientes. No entanto, implementar soluções de aprendizado federado em larga escala para aplicações reais pode ser particularmente desafiador. O framework Flower propõe lidar com problemas como a homogeneidade de hardware e linguagem de implementação, ao mesmo tempo em que facilita a execução performática dos algoritmos em testes de maior escalabilidade. Este trabalho visa avaliar a performance e viabilidade dos algoritmos FedProx e FedAvgM, dois algoritmos usados em casos de dados non-IID, no contexto de aprendizado federado quando implementados usando o framework Flower, avaliando sua acurácia e escalabilidade, assim como o tempo necessário para alcançar tais resultados, com o objetivo de classificar a viabilidade de uso de cada solução.

Resumo: Nos últimos anos, diversos algoritmos e métricas foram desenvolvidos para definir de maneira eficiente a distância entre diferentes grupos de dados, técnicas geralmente aplicadas em algoritmos de clusterização de usuários. Paralelamente, existe também a crescente preocupação em formas de garantir a segurança dos dados recebidos de um usuário, de forma que sua identidade não seja comprometida e que suas informações não sejam reproduzidas por terceiros. Nesse contexto, este trabalho busca analisar como diferentes técnicas de segurança impactam em métricas de distância comumente utilizadas na atualidade, aplicando distintos graus de privacidade sobre elas, a fim de verificar a possibilidade da implementação de privacidade em paralelo a aplicação dessas métricas. Dessa forma, utilizando bibliotecas de simulação, como o Flower, e conjuntos de dados mais simples, foi possível observar que as métricas possuem comportamentos bastante sensíveis a aplicação de privacidade, mas que ainda permitem a utilização de graus menos severos dessa.

Resumo: Este é o relatório do projeto realizado como Trabalho de Conclusão de Curso do Instituto de Computação, em parceria com o Prof. Roberto Greco do Instituto de Geociências e o Prof. Fabiano Fruett da Faculdade de Engenharia Elétrica e de Computação, cujo objetivo é desenvolver um sistema para coleta de dados de colmeias que serão instalados em escolas para o aprendizado dos alunos e alunas. sistema faz a coleta de dados do ambiente da colmeia via rede sem fio com uma placa embarcada, isso tudo à distância das próprias abelhas, assim mantendo a segu- rança delas e a integridade da placa. O projeto teve quatro placas fornecidas, além dos dos sensores, pelo Prof. Fabiano, os sensores tratam da temperatura, umidade, som, pressão e proximidade, ademais também condições climáticas vindas da API OpenWeatherMap.

Resumo: Este projeto visa desenvolver uma metodologia para a dinamização da distribuição remota de componentes no contexto de sistemas auto-distribuídos. A abordagem escolhida busca otimizar a escalabilidade e adaptabilidade dos sistemas, aproveitando a infraestrutura dos sistemas gerenciadores de containers para manter executando apenas o que seja estritamente necessário. Com isso, é possível observar como uma aplicação pode fazer o uso dos ajustes em runtime para melhorar seu tempo de execução, enquanto mantém os custos sob controle.

Resumo: Este trabalho trata-se de uma análise comparativa entre diferentes técnicas de balanceamento de carga: Round Robin, Round Robin Ponderado, baseado em Metadados e Aprendizado de Máquina. A arquitetura foi baseada em uma plataforma de processamento de mensagens, que trafega conteúdos de diferentes tipos, utilizando dados reais. O objetivo foi encontrar a melhor estratégia para processar um volume grande de mensagens com diferentes tipos e tamanhos de instâncias, buscando entender se os algoritmos customizados para o domínio da aplicação apresentam melhor desempenho. Para o problema proposto, concluiu-se que tais algoritmos podem ser mais eficientes, a exemplo do baseado em Metadados. Por outro lado, os algoritmos baseados em Aprendizado de Máquina não apresentaram bom desempenho quando comparados às técnicas mais simples devido ao seu custo computacional.