{"id":119,"date":"2025-03-06T15:47:24","date_gmt":"2025-03-06T18:47:24","guid":{"rendered":"https:\/\/idric.ic.unicamp.br\/?page_id=119"},"modified":"2025-03-06T15:47:24","modified_gmt":"2025-03-06T18:47:24","slug":"inteligencia-artificial-aplicada-a-internet-das-coisas","status":"publish","type":"page","link":"https:\/\/idric.ic.unicamp.br\/index.php\/inteligencia-artificial-aplicada-a-internet-das-coisas\/","title":{"rendered":"Intelig\u00eancia Artificial Aplicada \u00e0 Internet das Coisas"},"content":{"rendered":"\n

A linha tem\u00e1tica Intelig\u00eancia Artificial Aplicada \u00e0 Internet das Coisas (IoT)<\/strong> objetiva a introdu\u00e7\u00e3o de intelig\u00eancia em aplica\u00e7\u00f5es e servi\u00e7os da IoT. Abaixo s\u00e3o descritas as tarefas envolvidas nessa linha tem\u00e1tica.<\/p>\n\n\n\n

Tarefa 11: Aprendizado Distribu\u0131\u0301do para Internet de Ve\u0131\u0301culos<\/h3>\n\n\n\n

A Internet dos Ve\u0131\u0301culos (IoV) proporcionar\u00e1 a utiliza\u00e7\u00e3o de ve\u0131\u0301culos conectados e aut\u00f4nomos em larga escala nos pr\u00f3ximos 10 anos, onde novos servi\u00e7os e aplica\u00e7\u00f5es ser\u00e3o disponibilizados para a sociedade em infraestruturas din\u00e2micas 5G e 6G. A IoV utiliza a comunica\u00e7\u00e3o V2X e os recursos veiculares (processamento, armazenamento e sensoriamento) para provimento dos servi\u00e7os, que cada vez mais possuem requisitos estritos de baixa lat\u00eancia e computa\u00e7\u00e3o intensiva. Exemplos de aplica\u00e7\u00f5es incluem dire\u00e7\u00e3o aut\u00f4noma, predi\u00e7\u00e3o de falhas, sistemas de detec\u00e7\u00e3o de objetos e modelos de dirigibilidade. Tais aplica\u00e7\u00f5es exigem um aprendizado cont\u0131\u0301nuo para que os ve\u0131\u0301culos possam reagir melhor \u00e0s condi\u00e7\u00f5es das vias, eventos ocorrendo nas proximidades, dinamicidade na mobilidade veicular, clima e comportamento de pedestres.<\/p>\n\n\n\n

Al\u00e9m dos desafios de comunica\u00e7\u00e3o e computa\u00e7\u00e3o existentes nesse cen\u00e1rio, como por exemplo a transmiss\u00e3o de massiva quantidade de dados com lat\u00eancia ultra baixa, a IoV possui um desafio adicional que \u00e9 como melhorar a acur\u00e1cia de mecanismos e processos de tomada de decis\u00e3o das aplica\u00e7\u00f5es veiculares de forma cont\u0131\u0301nua, eficiente e inteligente. Dessa forma, o aprendizado distribu\u0131\u0301do no cont\u0131\u0301nuo das bordas at\u00e9 os ve\u0131\u0301culos \u00e9 uma ferramenta importante para atender os desafios exigidos pela IoV e assegurar o aprendizado cont\u0131\u0301nuo e eficiente para cen\u00e1rios din\u00e2micos. Por exemplo, ao agrupar os recursos veiculares para descarregamento de tarefas, o Aprendizado Federado (FL) pode ser utilizado para processamento distribu\u0131\u0301do de grandes modelos de redes neurais, mantendo a privacidade dos usu\u00e1rios. Outro exemplo, \u00e9 a utiliza\u00e7\u00e3o de aprendizado por refor\u00e7o profundo para tomada de decis\u00e3o sobre onde (subconjunto de ve\u0131\u0301culos ou infraestrutura) e quando determinadas aplica\u00e7\u00f5es ser\u00e3o processadas, levando em considera\u00e7\u00e3o aspectos contextuais medidos e estimados a partir do estado atual da rede, atrav\u00e9s de predi\u00e7\u00f5es com altos n\u0131\u0301veis de acur\u00e1cia.<\/p>\n\n\n\n

No Brasil, os projetos na \u00e1rea de IoV inteligentes ainda s\u00e3o incipientes e no mundo j\u00e1 existem projetos em desenvolvimento ou j\u00e1 finalizados, por exemplo ROADVIEW (Robust Automated Driving in Extreme Weather), KI Delta Learning, Al-motion Bavaria e Waymo. Em geral, os projetos ainda s\u00e3o fortemente ligados a modelos de IA centralizados para melhorar a efici\u00eancia de aplica\u00e7\u00f5es e servi\u00e7os de IoV. A literatura j\u00e1 apresenta modelos de IA descentralizados, por exemplo, usando aprendizado federado [50] ou combinando aprendizado federado e computa\u00e7\u00e3o em borda para resolver problemas de IoV. Entretanto, a aplica\u00e7\u00e3o das t\u00e9cnicas de aprendizado distribu\u0131\u0301do ainda precisa ser explorada em profundidade para ambientes din\u00e2micos de IoV, sendo ainda importante estudar o impacto e os benef\u0131\u0301cios do aprendizado federado em cen\u00e1rios com diferentes padr\u00f5es de mobilidade, perfis de dirigibilidade, densidades, oportunidades de comunica\u00e7\u00e3o, n\u0131\u0301veis de resili\u00eancia, qualidade dos dados e dos modelos, bem como o uso de aprendizado federado no cont\u0131\u0301nuo das bordas at\u00e9 os ve\u0131\u0301culos. Deve-se investigar desde a coleta de dados at\u00e9 a aplica\u00e7\u00e3o do conhecimento gerado nesse tipo de ambiente.<\/p>\n\n\n\n

Dessa forma, esta tarefa visa avan\u00e7ar o estado-da-arte e: (i) aumentar a acur\u00e1cia e efici\u00eancia dos modelos de intelig\u00eancia artificial em IoV atrav\u00e9s do uso de aprendizado distribu\u0131\u0301do considerando informa\u00e7\u00e3o contextual do ambiente veicular, privacidade dos dados e otimiza\u00e7\u00e3o dos par\u00e2metros de comunica\u00e7\u00e3o (taxa de transmiss\u00e3o e lat\u00eancia). Os principais desafios incluem a infer\u00eancia contextual e da qualidade de contato dos ve\u0131\u0301culos para ajustar a transmiss\u00e3o dos modelos ou parte das camadas que os comp\u00f5em, proposi\u00e7\u00e3o de modelos de compress\u00e3o, agrega\u00e7\u00e3o e sele\u00e7\u00e3o de ve\u0131\u0301culos para execu\u00e7\u00e3o da tomada de decis\u00e3o distribu\u0131\u0301da [172]; (ii) orquestrar os recursos no cont\u0131\u0301nuo da borda da rede at\u00e9 os ve\u0131\u0301culos para o provimento eficiente de servi\u00e7os para a IoV. Em abordagens tradicionais, as decis\u00f5es de transfer\u00eancia sobre para onde, como, e o que transferir s\u00e3o aplicadas de maneira centralizada, contando com suposi\u00e7\u00f5es irrealistas, como a disponibilidade de informa\u00e7\u00f5es de estado global na hora do processo de tomada de decis\u00e3o, visto como impratic\u00e1vel e n\u00e3o escal\u00e1vel [65]. Assim, pretende-se empregar aprendizado federado e por refor\u00e7o de forma distribu\u0131\u0301da nos ve\u0131\u0301culos para tomada de decis\u00e3o baseada no estado atual e predito da rede de forma mais eficiente. O desenvolvimento de novos modelos de aprendizado distribu\u0131\u0301do no cont\u0131\u0301nuo das bordas at\u00e9 os ve\u0131\u0301culos \u00e9 uma pe\u00e7a chave para atender as demandas e requisitos de IoV ao mesmo tempo que supre uma lacuna no estado da arte referente \u00e0 falta de estudos sobre benef\u0131\u0301cios e o impacto combinado dessas tecnologias e servi\u00e7os na IoV e cen\u00e1rios real\u0131\u0301sticos; e (iii) utilizar a metodologia baseado no m\u00e9todo anal\u0131\u0301tico hipot\u00e9tica-dedutiva e avaliar o desempenho das solu\u00e7\u00f5es inteligentes propostas para IoV em ambientes de simula\u00e7\u00e3o, emula\u00e7\u00e3o e testbed. Inicialmente, as avalia\u00e7\u00f5es ser\u00e3o realizadas nos frameworks de FL dispon\u0131\u0301veis, ir\u00e3o considerar benchmarks de FL no contexto de ve\u0131\u0301culos aut\u00f4nomos, testebed como o implementado na cidade de Aveiro, Portugal, as simula\u00e7\u00f5es ser\u00e3o implementadas no framework de redes veiculares Veins e o trace de mobilidade real\u0131\u0301stico da cidade de Luxemburgo ser\u00e1 considerado.<\/p>\n\n\n\n

Tarefa 12: Aprendizado Distribu\u0131\u0301do para Internet de Hologramas<\/h3>\n\n\n\n

Um holograma \u00e9 um conjunto de dados multissensoriais e imagens tridimensionais virtuais que refletem objetos f\u0131\u0301sicos reais, preservando a profundidade, paralaxe e outras propriedades do holograma original. Dados hologr\u00e1ficos dependem de informa\u00e7\u00f5es visuais capturadas e codificadas de muitos \u00e2ngulos de vis\u00e3o diferentes, onde dispositivos com suporte a holografia ir\u00e3o codificar, decodificar e renderizar hologramas e contribuir para a populariza\u00e7\u00e3o dos servi\u00e7os holografia nas redes 6G. Exemplos de casos de uso da Internet de Hologramas incluem servi\u00e7os de tele presen\u00e7a, sa\u00fade, varejo, ind\u00fastria, educa\u00e7\u00e3o, treinamento, entretenimento e esportes, os quais que s\u00e3o caracterizados por hologramas 3D de alta resolu\u00e7\u00e3o, com requisitos de lat\u00eancia ultra baixos e m\u0131\u0301dia multissensorial (\u00e1udio, v\u0131\u0301deo, toque, olfato e paladar, ou seja, 5 camadas\/sentidos). O holograma \u00e9 considerado uma aplica\u00e7\u00e3o chave das redes 6G, pois a mesma mudar\u00e1 a forma de intera\u00e7\u00e3o e comunica\u00e7\u00e3o da sociedade com o mundo digital imersivo.<\/p>\n\n\n\n

Os requisitos de transmiss\u00e3o dos hologramas apresentam enormes desafios para as redes 6G no que diz respeitos a assegurar lat\u00eancias ultra baixas, transferir quantidades ultra altas de dados e sincronizar as v\u00e1rias fontes de dados, sensores e receptores (5 camadas\/sentidos). Por exemplo, espera-se que aplica\u00e7\u00f5es de hologramas tenham taxas de transmiss\u00e3o pr\u00f3ximas a 5 Tbps e lat\u00eancia de fim-a-fim inferior a 1 ms, e, tais requisitos, n\u00e3o s\u00e3o alcan\u00e7ados pelos sistemas atuais e s\u00e3o desafiadores para as redes 6G. Tais desafios exigem a cria\u00e7\u00e3o de novos modelos de aprendizado cont\u0131\u0301nuo, por exemplo, aprendizado federado, para contribuir com a efic\u00e1cia do sistema e com processo de tomada de decis\u00e3o de mecanismos de predi\u00e7\u00e3o de movimentos e imagens hologr\u00e1ficas at\u00e9 o monitoramento, sincroniza\u00e7\u00e3o e orquestra\u00e7\u00e3o de fluxos e recursos computacionais e de redes para a Internet dos Hologramas.<\/p>\n\n\n\n

Como forma de assegurar a Internet dos Hologramas em redes 6G, um conjunto de requisitos e solu\u00e7\u00f5es tecnol\u00f3gicas foram apresentadas, mas ainda n\u00e3o foram definidas, especificadas e avaliadas na literatura e s\u00e3o objetos de projetos com financiamento nacionais, por exemplo, FAPESP SMARTNESS, internacionais, por exemplo, EU SPIRIT e entidades de padroniza\u00e7\u00e3o, por exemplo, ITU-T. Um senso comum na academia e na ind\u00fastria \u00e9 que para conseguir assegurar os requisitos da Internet dos Hologramas, as redes 6G devem suportar solu\u00e7\u00f5es inteligentes e distribu\u0131\u0301das de escalonamento, prioriza\u00e7\u00e3o e sincroniza\u00e7\u00e3o de pacotes das 5 diferentes camadas de hologramas, computa\u00e7\u00e3o na borda inteligente e orquestra\u00e7\u00e3o eficiente dos servi\u00e7os de comunica\u00e7\u00e3o e computa\u00e7\u00e3o em redes 6G, incluindo fun\u00e7\u00f5es de servi\u00e7o e virtualiza\u00e7\u00e3o de recursos.<\/p>\n\n\n\n

Essa tarefa est\u00e1 alinhada com os requisitos e demandas da Internet dos Hologramas em redes 6G e avan\u00e7ar\u00e1 o estado da arte no uso de aprendizado distribu\u0131\u0301do para coletar dados e gerar conhecimento para (1) a predi\u00e7\u00e3o de movimentos de usu\u00e1rios, sensores e objetos hologr\u00e1ficos 3D de forma a permitir uma r\u00e1pida e eficiente orquestra\u00e7\u00e3o de recursos de rede e computacional de forma com baixa lat\u00eancia; (2) o treinamento de mecanismos de sincroniza\u00e7\u00e3o, escalonamento e prioriza\u00e7\u00e3o de fluxos hologr\u00e1ficos multissensorial; (3) o treinamento de mecanismos de monitoramento e de descoberta de recursos de rede e computacionais para posterior aloca\u00e7\u00e3o, remo\u00e7\u00e3o e\/ou realoca\u00e7\u00e3o de recursos de redes e computacionais de fluxos de hologramas, por exemplo, instanciar ou migrar um servi\u00e7o de holograma seguindo os princ\u0131\u0301pios de encadeamento de fun\u00e7\u00e3o de servi\u00e7o inteligente; (4) o treinamento de modelos de sustentabilidade e consumo eficiente de energia de forma a otimizar a utiliza\u00e7\u00e3o da energia usada por dispositivos finais, elementos de rede e nuvens computacionais na Internet dos Hologramas; (5) inferir a qualidade de experi\u00eancia dos hologramas recebidos pelos usu\u00e1rios finais; (6) utilizar a metodologia baseado no m\u00e9todo anal\u0131\u0301tico hipot\u00e9tica-dedutiva e avaliar o desempenho das solu\u00e7\u00f5es inteligentes propostas para a Internet dos Hologramas em ambientes de simula\u00e7\u00e3o, emula\u00e7\u00e3o e testbed, inclusive pleiteando o uso do ecossistema OpenRAN Brasil e OpenRAN Gym, plataforma do Projeto Europeu SPIRIT16 e base de dados de Hologramas dispon\u0131\u0301vel pelo JPEG Pleno.<\/p>\n\n\n\n

Tarefa 13: Aprendizado de M\u00e1quina para Solu\u00e7\u00e3o de Problemas em Cidades Inteligentes<\/h3>\n\n\n\n

Modelos de aprendizado de m\u00e1quina para cidades inteligentes s\u00e3o treinados utilizando fontes de dados e dispositivos heterog\u00eaneos, por exemplo, ve\u0131\u0301culos e smartphones. A privacidade desses dados deve ser garantida, seja por restri\u00e7\u00f5es legais, seja para incentivar um maior compartilhamento pelos propriet\u00e1rios desses dados. Uma solu\u00e7\u00e3o para isso \u00e9 o aprendizado federado. No aprendizado federado, treina-se um modelo global a partir de dados de diversas fontes, que s\u00e3o compartilhados de forma privada. A ideia geral \u00e9 realizar um treinamento distribu\u0131\u0301do sem que as m\u00faltiplas fontes troquem dados entre si.<\/p>\n\n\n\n

Esta tarefa visa propor t\u00e9cnicas de aprendizado federado para aplica\u00e7\u00f5es de cidades inteligentes, tais como a otimiza\u00e7\u00e3o da temporiza\u00e7\u00e3o de sem\u00e1foros urbanos conforme a demanda ou aprendizado de m\u00e1quina cont\u0131\u0301nuo para sistemas de aux\u0131\u0301lio \u00e0 condu\u00e7\u00e3o avan\u00e7ados. Neste cen\u00e1rio, convivem equipamentos com diferentes capacidades, pap\u00e9is e localiza\u00e7\u00f5es na rede: dispositivos com baixo poder de processamento pr\u00f3ximos ao usu\u00e1rio, como celulares e computadores de bordo veiculares; a esta\u00e7\u00e3o base celular; a borda computacional (MEC \u2013 Multi-access Edge Computing); e a nuvem que abriga as m\u00e1quinas de maior poder computacional, por\u00e9m mais distantes. Por outro lado, estes equipamentos tipicamente pertencem a diferentes pessoas e organiza\u00e7\u00f5es: propriet\u00e1rios de celulares, ve\u0131\u0301culos, diferentes operadoras de telefonia celular. Claramente a privacidade aparece como um grande desafio para o aprendizado cooperativo. Assim, os maiores desafios do aprendizado de m\u00e1quina neste contexto s\u00e3o o desempenho do treinamento, a seguran\u00e7a dos procedimentos de treinamento e infer\u00eancia e como as redes de nova gera\u00e7\u00e3o podem privilegiar o aprendizado cont\u0131\u0301nuo. Em termos de desempenho, um dos problemas conhecidos \u00e9 a converg\u00eancia dos modelos de aprendizado em presen\u00e7a de dados n\u00e3o independentes e identicamente distribu\u0131\u0301dos (n\u00e3o-IID). Por exemplo, deve-se treinar modelos mais simples em dispositivos embarcados, enquanto modelos mais complexos podem ser treinados na MEC da rede celular, ou na nuvem. Assim, tanto a carga de dados nas redes quanto a necessidade de processamento na MEC ou na nuvem variam ao longo do tempo.<\/p>\n\n\n\n

Em termos de seguran\u00e7a, o desafio \u00e9 verificar o qu\u00e3o privados s\u00e3o mantidos os dados dos participantes durante o procedimento de treinamento do modelo. Para tal, esta tarefa desenvolver\u00e1 sistemas baseados em blockchains e ambientes de execu\u00e7\u00e3o confi\u00e1veis como forma de aumento da seguran\u00e7a e auditabilidade do aprendizado federado. Busca-se tamb\u00e9m desenvolver solu\u00e7\u00f5es seguras utilizando propriedades de seguran\u00e7a oferecidas por blockchains e sistemas baseados em blockchains aliadas a t\u00e9cnicas modernas de criptografia para garantia de privacidade dos usu\u00e1rios e dados utilizados. As solu\u00e7\u00f5es propostas tamb\u00e9m devem considerar o requisito de escalabilidade de cada cen\u00e1rio, avaliando tecnologias escal\u00e1veis em sistemas de blockchains.<\/p>\n\n\n\n

Al\u00e9m de servir diretamente a aplica\u00e7\u00f5es de usu\u00e1rios, uma infraestrutura computacional na borda tamb\u00e9m pode servir para o aumento da qualidade de servi\u00e7o da pr\u00f3pria rede. Neste contexto, tecnologias de redes m\u00f3veis virtualizadas e program\u00e1veis s\u00e3o essenciais. A arquitetura O-RAN (Open Radio Access Network) acrescenta a essas caracter\u0131\u0301sticas a desagrega\u00e7\u00e3o dos elementos da rede celular e interfaces abertas, sendo assim uma infraestrutura promissora para o aprendizado de m\u00e1quina federado e cont\u0131\u0301nuo [32]. Al\u00e9m disso, s\u00e3o definidos na arquitetura O-RAN controladores de rede inteligentes, os RIC (RAN Intelligent Controllers), respons\u00e1veis pela aloca\u00e7\u00e3o dos recursos em diferentes escalas de tempo. Os pr\u00f3prios RIC ser\u00e3o tipicamente implementados por meio de t\u00e9cnicas de aprendizado de m\u00e1quina, ainda a serem propostos.<\/p>\n\n\n\n

Assim, nesta tarefa pretende-se investigar modelos de aprendizado federado que possam ser treinados em dispositivos embarcados, na borda e na nuvem computacional, conforme a capacidade dos dispositivos, da infraestrutura e os requisitos das aplica\u00e7\u00f5es. Com base na configura\u00e7\u00e3o din\u00e2mica e inteligente da arquitetura O-RAN, ser\u00e3o propostas estrat\u00e9gias de treinamento cont\u0131\u0301nuo auxiliado pela borda e nuvem, configurando a rede celular de acordo com requisitos de processamento, lat\u00eancia e mobilidade dos dispositivos. Ser\u00e3o investigados assim modelos de aprendizado para os controladores RIC. A privacidade dos dados durante o treinamento ser\u00e1 garantida pela utiliza\u00e7\u00e3o do aprendizado federado. O principal desafio para preservar a privacidade a partir do aprendizado federado \u00e9 lidar com clientes com dados heterog\u00eaneos. Assim, outra etapa desta tarefa \u00e9 investigar t\u00e9cnicas atuais que permitam o treinamento acurado de modelos a partir do aprendizado federado, mesmo quando os clientes possu\u0131\u0301rem distribui\u00e7\u00f5es de dados heterog\u00eaneas.<\/p>\n\n\n\n

Tarefa 14: Seguran\u00e7a, Internet das Coisas e Pagamentos Digitais em Cidades Inteligentes<\/h3>\n\n\n\n

Os pagamentos digitais est\u00e3o no centro de toda atividade econ\u00f4mica desenvolvida nas cidades inteligentes. Os m\u00faltiplos dispositivos interconectados das cidades podem estabelecer comunica\u00e7\u00f5es entre si para efetuar e receber pagamentos, al\u00e9m de transferir ativos digitais. Neste cen\u00e1rio, a tecnologia de corrente de blocos (blockchain) age como uma tecnologia habilitadora nas cidades inteligentes, permitindo que os m\u00faltiplos dispositivos executem as transfer\u00eancias de maneira segura e sem a necessidade de intermedi\u00e1rios. No entanto, a alta quantidade de dispositivos em cidades inteligentes demanda solu\u00e7\u00f5es que atendam as diversas requisi\u00e7\u00f5es de pagamento de maneira r\u00e1pida. Al\u00e9m disso, o alto volume de dados pessoais envolvidos nas transa\u00e7\u00f5es exp\u00f5e novos desafios de privacidade.<\/p>\n\n\n\n

Apesar de promissora, a tecnologia de corrente de blocos ainda apresenta desafios de escalabilidade e privacidade. Atualmente, as correntes de blocos p\u00fablicas apresentam baixa vaz\u00e3o e alto tempo de confirma\u00e7\u00e3o quando comprados a m\u00e9todos tradicionais de pagamentos. Esta desvantagem impede a ado\u00e7\u00e3o em massa das criptomoedas como meio de pagamento para atividades cotidianas. Ademais, a necessidade de alta capacidade de armazenamento e poder computacional criptogr\u00e1fico das correntes de blocos dificulta a implementa\u00e7\u00e3o de solu\u00e7\u00f5es baseadas em corrente de blocos em dispositivos IoT, que s\u00e3o essenciais para cidades inteligentes.<\/p>\n\n\n\n

Esta tarefa busca desenvolver solu\u00e7\u00f5es escal\u00e1veis para corrente de blocos, como as redes de canais de pagamento (Payment Channel Networks – PCN) e a tecnologia de rolagem (rollup), dentro do contexto de baixo poder computacional de dispositivos IoT e alto n\u00famero de dispositivos conectados das cidades inteligentes. Grande parte das propostas atuais em PCN e rollups assume que os participantes possuem conex\u00f5es est\u00e1veis para roteamento e disputa de pagamentos. Poucas solu\u00e7\u00f5es nestas tecnologias abordam pagamentos digitais seguros e descentralizados para dispositivos IoT. Neste sentido, esta tarefa dever\u00e1 propor e adaptar protocolos de roteamento e disputas de pagamento para atender aos requisitos de conex\u00e3o e capacidade computacional de dispositivos IoT. As propostas e adapta\u00e7\u00f5es dever\u00e3o proporcionar o mesmo n\u0131\u0301vel de seguran\u00e7a assumido pelos protocolos atuais em PCN e rollups. Por fim, ser\u00e1 investigado tamb\u00e9m a integra\u00e7\u00e3o de aprendizado federado e protocolos modernos de criptografia a esses sistemas para garantir a privacidade das solu\u00e7\u00f5es desenvolvidas.<\/p>\n\n\n\n

Tarefa 15: Aprendizado de M\u00e1quinas em ambientes de Computa\u00e7\u00e3o Confi\u00e1veis<\/h3>\n\n\n\n

O aprendizado federado introduz uma fragilidade de seguran\u00e7a \u00e0 medida que distribui a tarefa de aprendizado entre n\u00f3s clientes que n\u00e3o est\u00e3o sob controle do servidor de agrega\u00e7\u00e3o. Tais n\u00f3s clientes podem mentir sobre as condi\u00e7\u00f5es de treinamento utilizadas, ou estarem sob controle de um atacante. Os dispositivos IoT sofrem portanto com uma grande superf\u0131\u0301cie de ataques, pois idealmente est\u00e3o conectados a outros dispositivos IoT que podem ser usados como trampolim para um ataque de intrus\u00e3o. Al\u00e9m disso, os dados produzidos por dispositivos IoT s\u00e3o comumente processados em nuvem, tendo em vista o baixa poder computacional desses mesmos dispositivos. O envio de dados provenientes de usu\u00e1rios para a nuvem oferece a possibilidade de m\u00e1 utiliza\u00e7\u00e3o, j\u00e1 que os termos de uso acordados podem n\u00e3o ser cumpridos.<\/p>\n\n\n\n

O emprego de mecanismos de seguran\u00e7a que reduzam a superf\u0131\u0301cie de ataques e garantam a integridade e privacidade do processamento de dados em hospedeiros n\u00e3o confi\u00e1veis, como os n\u00f3s clientes do aprendizado federado, dispositivos IoT e servidores em nuvem, assim, faz-se necess\u00e1rio mesmo em cen\u00e1rios em que super-usu\u00e1rios, BIOS ou sistema operacional hajam maliciosamente. Nesse sentido, a computa\u00e7\u00e3o confi\u00e1vel surge como uma alternativa de seguran\u00e7a por hardware, que garante seguran\u00e7a independente do correto funcionamento do software. Ambientes de execu\u00e7\u00e3o confi\u00e1veis s\u00e3o uma aplica\u00e7\u00e3o dessa ideia que atende as especifica\u00e7\u00f5es de integridade e privacidade desejadas, promovendo o processamento seguro de dados em um ambiente isolado do restante do sistema. Assim, esta tarefa tem por objetivo investigar o uso de ambientes de computa\u00e7\u00e3o confi\u00e1veis em sistemas IoT em geral e sistemas IoT que executem algoritmos de aprendizado de m\u00e1quina distribu\u0131\u0301do.<\/p>\n\n\n\n

Diferente das solu\u00e7\u00f5es baseadas em criptografia e autentica\u00e7\u00e3o, tipicamente adotadas nos trabalhos acad\u00eamicos e na ind\u00fastria, os ambientes de execu\u00e7\u00e3o confi\u00e1veis protegem contra atacantes que obt\u00eam acesso privilegiado aos sistemas dos dispositivos dos clientes ou \u00e0 infraestrutura em nuvem. Via de regra as propostas que utilizam computa\u00e7\u00e3o confi\u00e1vel para melhorar a seguran\u00e7a do aprendizado distribu\u0131\u0301do concentram-se em apenas alguns ataques. Ademais, dispositivos IoT, comumente, n\u00e3o possuem mecanismos de seguran\u00e7a adequados e s\u00e3o frequentemente utilizados como vetor de ataques mais complexos como, por exemplo, no ataque Mirai. Assim, esta tarefa complementa o estado da arte ao definir as limita\u00e7\u00f5es e os benef\u0131\u0301cios da ado\u00e7\u00e3o de ambientes de execu\u00e7\u00e3o confi\u00e1veis na prote\u00e7\u00e3o do aprendizado distribu\u0131\u0301do de ataques como o envenenamento, backdoor, invers\u00e3o de modelos e infer\u00eancia de pertencimento. Essa tarefa leva em conta as caracter\u0131\u0301sticas dos dispositivos e as tarefas de aprendizado em aplica\u00e7\u00f5es IoT t\u0131\u0301picas, como predi\u00e7\u00e3o de consumo de energia e vis\u00e3o computacional. Para isso, \u00e9 necess\u00e1rio lidar com pr\u00e9-requisitos como a presen\u00e7a de instru\u00e7\u00f5es que permitam o acesso seguro \u00e0 mem\u00f3ria por hardware e a execu\u00e7\u00e3o de tarefas mais complexas em ambientes com recursos computacionais limitados. Tais condi\u00e7\u00f5es ser\u00e3o implementadas atrav\u00e9s do uso de extens\u00f5es como a Intel SGX (Software Guard Extensions) e do uso da tecnologia TrustZone para processadores ARM. Al\u00e9m disso, esta tarefa tamb\u00e9m avalia o uso de ambientes virtualizados, como o Gramine, o SCONE, o Teaclave e o Panoply, que tem por objetivo simplificar o projeto de aplica\u00e7\u00f5es complexas para execu\u00e7\u00e3o em ambientes confi\u00e1veis, como \u00e9 caso do treinamento de modelos distribu\u0131\u0301dos.<\/p>\n\n\n\n

Tarefa 16: Aprendizado Federado Explic\u00e1vel para Internet de Energia<\/h3>\n\n\n\n

Smart Grid 2.0 (SG 2.0) fornece mecanismos para gerar, distribuir e consumir energia de forma eficiente, confi\u00e1vel e inteligente [63]. O SG 2.0 pretende integrar a pr\u00f3xima gera\u00e7\u00e3o de redes de comunica\u00e7\u00e3o (i.e. 5G\/6G) e Machine Learning (ML) para aprimorar o controle, prote\u00e7\u00e3o, comunica\u00e7\u00e3o e monitoramento das redes el\u00e9tricas. Embora o SG 2.0 ofere\u00e7a vantagens t\u00e9cnicas e sociais (por exemplo, efici\u00eancia energ\u00e9tica, redu\u00e7\u00e3o de emiss\u00f5es de carbono e integra\u00e7\u00e3o de recursos de energia distribu\u0131\u0301da), os operadores do Sistema de Distribui\u00e7\u00e3o (DSO) podem ser afetados por perdas n\u00e3o t\u00e9cnicas, sendo o furto de eletricidade a mais significativa. Na realidade, os DSOs em todo o mundo perdem anualmente mais de US 25 bilh\u00f5es devido ao roubo de eletricidade.<\/p>\n\n\n\n

Atualmente, o processo de Detec\u00e7\u00e3o de Furto de Eletricidade (ETD) \u00e9 realizado principalmente utilizando t\u00e9cnicas de Machine Learning (ML). Normalmente, as solu\u00e7\u00f5es ETD baseadas em ML apresentam centralizado e distribu\u0131\u0301do (Federated Learning – FL) abordagens de aprendizagem para analisar os dados de consumo de eletricidade dos clientes (tamb\u00e9m conhecidos como perfis de carga). Embora os resultados estat\u0131\u0301sticos das abordagens centralizadas sejam promissores, eles focam apenas em melhorar o desempenho de aprendizagem do ETD sem considerar a natureza distribu\u0131\u0301da do AMI e seus dados de alta densidade (dados massivos e distribu\u0131\u0301dos), sendo o treinamento de um modelo centralizado computacionalmente caro e at\u00e9 mesmo invi\u00e1vel. Al\u00e9m disso, essas solu\u00e7\u00f5es requerem a transfer\u00eancia de dados massivos para um \u00fanico local, o que implica comunica\u00e7\u00e3o severa e sobrecarga de computa\u00e7\u00e3o devido \u00e0 transmiss\u00e3o e armazenamento de grandes conjuntos de dados de treinamento.<\/p>\n\n\n\n

As principais defici\u00eancias da abordagem ETD baseada em FL \u00e9 n\u00e3o se concentrar na otimiza\u00e7\u00e3o de custo de comunica\u00e7\u00e3o e computa\u00e7\u00e3o. Essa otimiza\u00e7\u00e3o \u00e9 essencial para minimizar a sobrecarga de comunica\u00e7\u00e3o e computa\u00e7\u00e3o ao transmitir e processar grandes modelos de treinamento, ao mesmo tempo em que aprimora o desempenho do aprendizado. Outa defici\u00eancia \u00e9 ignorar a explicabilidade do modelo envolvido (tamb\u00e9m conhecido como modelo caixa-preta); notavelmente, essa defici\u00eancia \u00e9 compartilhada por todas as solu\u00e7\u00f5es de ML centralizadas mencionadas acima. A explicabilidade \u00e9 fundamental para o sucesso comercial das solu\u00e7\u00f5es ETD devido \u00e0 natureza regulada e de alto risco do setor de energia.<\/p>\n\n\n\n

Da mesma forma, essas abordagens diferem de nossa proposta, pois n\u00e3o visam explicar seus resultados, prejudicando a explicabilidade, confiabilidade e transpar\u00eancia dos resultados e, portanto, seu poss\u0131\u0301vel sucesso comercial. De fato, trabalhos de pesquisa recentes afirmam que explicabilidade, confiabilidade e transpar\u00eancia com base em Intelig\u00eancia Artificial Explic\u00e1vel (XAI) s\u00e3o um requisito inerente e um grande desafio para ETD. \u00c9 digno de nota que os fatos acima exteriorizam uma lacuna de pesquisa na interse\u00e7\u00e3o da disciplina XAI, tecnologia FL e ETD.<\/p>\n\n\n\n

Tarefa 17: Aprendizado Federado para Internet das Coisas M\u00e9dicas<\/h3>\n\n\n\n

A Internet de Coisas M\u00e9dicas est\u00e1 em ampla expans\u00e3o e permite o monitoramento, o controle e o tratamento de doen\u00e7as mediante a integra\u00e7\u00e3o e da combina\u00e7\u00e3o de smartphones, sensores, dispositivos vest\u0131\u0301veis, aplica\u00e7\u00f5es e sistemas m\u00e9dicos, intelig\u00eancia artificial e infraestrutura de computa\u00e7\u00e3o de nuvem e borda. Dados relacionados a diversos aspectos da sa\u00fade, bem-estar e do comportamento humano produzidos por dispositivos m\u00f3veis e vest\u0131\u0301veis s\u00e3o essenciais para derivar solu\u00e7\u00f5es mais inteligentes e eficientes. Entretanto, esses dados possuem informa\u00e7\u00f5es sens\u0131\u0301veis e privadas de cada usu\u00e1rio. Nesse cen\u00e1rio, o FL mostra ser uma ferramenta essencial para permitir solu\u00e7\u00f5es inteligentes, enquanto preserva a privacidade dos usu\u00e1rios. Sendo assim, desafios relacionados n\u00e3o apenas \u00e0 heterogeneidade dos dispositivos e dos dados, mas tamb\u00e9m aos custos de comunica\u00e7\u00e3o devem ser considerados.<\/p>\n\n\n\n

Para endere\u00e7ar esses desafios foram propostos solu\u00e7\u00f5es baseadas em poda e compress\u00e3o de modelos. A ideia principal \u00e9 utilizar um modelo base para derivar modelos mais simples conforme as caracter\u0131\u0301sticas do dispositivo que demandem menos recursos para processamento e comunica\u00e7\u00e3o sem degradar o desempenho do modelo. Essa simplifica\u00e7\u00e3o tem dois principais focos: (i) reducao de tamanho: o modelo comprimido possui menos parametros, logo, utiliza menos mem\u00f3ria RAM e menor carga de processamento durante sua execucao; (ii) reducao de latencia: o modelo comprimido leva menos tempo para realizar o treinamento\/inferencia, o que leva a um menor consumo de energia. Entretanto, tais abordagens restringem as arquiteturas a serem exploradas ao derivar os modelos mais simples de um modelo base (i.e., pois novas arquiteturas n\u00e3o s\u00e3o consideradas), consequentemente, limitando o desempenho da solu\u00e7\u00e3o.<\/p>\n\n\n\n

Uma outra abordagem para cria\u00e7\u00e3o de modelos \u00e9 a Neural Architecture Search (NAS), que vem sendo utilizada com sucesso com conjuntos de dados centralizados, produzindo resultados do estado-da-arte em configura\u00e7\u00f5es de modelos com ou sem restri\u00e7\u00f5es. Dessa forma, a NAS pode ser utilizada para buscar por modelos mais eficientes baseado nas restri\u00e7\u00f5es dos dispositivos no aprendizado federado. Contudo, desafios relacionados ao aprendizado colaborativo de modelos com arquiteturas heterog\u00eaneas devem ser endere\u00e7ados.<\/p>\n\n\n\n

Sendo assim, esta atividade tem como objetivo explorar m\u00e9todos n\u00e3o triviais para reduzir os modelos que ser\u00e3o treinados nos dispositivos considerando suas caracter\u0131\u0301sticas e contexto de comunica\u00e7\u00e3o e processamento em FL no cen\u00e1rio de Internet das Coisas M\u00e9dicas para encontrar e treinar modelos eficientes considerando o contexto dos dispositivos. Dessa forma, ser\u00e1 poss\u0131\u0301vel melhorar o custo computacional, custo de comunica\u00e7\u00e3o e consumo energ\u00e9tico das solu\u00e7\u00f5es de FL enquanto mant\u00e9m um bom desempenho do modelo. Por fim, tamb\u00e9m ser\u00e1 explorado aprendizado colaborativo de modelos com arquiteturas heterog\u00eaneas para garantir melhor efici\u00eancia e desempenho dos modelos.<\/p>\n","protected":false},"excerpt":{"rendered":"

A linha tem\u00e1tica Intelig\u00eancia Artificial Aplicada \u00e0 Internet das Coisas (IoT) objetiva a introdu\u00e7\u00e3o de intelig\u00eancia em aplica\u00e7\u00f5es e servi\u00e7os da IoT. Abaixo s\u00e3o descritas as tarefas envolvidas nessa linha tem\u00e1tica. Tarefa…<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_kadence_starter_templates_imported_post":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"footnotes":""},"class_list":["post-119","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages\/119","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/comments?post=119"}],"version-history":[{"count":1,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages\/119\/revisions"}],"predecessor-version":[{"id":120,"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/pages\/119\/revisions\/120"}],"wp:attachment":[{"href":"https:\/\/idric.ic.unicamp.br\/index.php\/wp-json\/wp\/v2\/media?parent=119"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}