Divulgação - Defesa Nº 263

Aluno: Diógenes Carvalho Matias

Título: “Apoio à Compreensão de Modelos de Processos: um quasi-experimento com a abordagem 3D”

Orientador: Denis Silva da Silveira - (PPGEC)

Examinador Externo: Ademir Macedo Nascimento - (FCAP)

Examinador Interno: Wylliams Barbosa Santos - (PPGEC)

Data-hora: 23 de Fevereiro de 2023, às 10:00h.
Local: Presencial: Mini-Auditório, no bloco C, 2º andar – UPE/POLI

---

Resumo:

         Este trabalho apresenta um quasi-experimento para verificar se a utilização de uma abordagem 3D pode tornar mais eficaz a compreensão dos modelos de processos durante o seu aprendizado. Assim, os participantes foram convidados a, intuitivamente, compreender a interação com um modelo de processo em um ambiente 3D. Logo, o objetivo aqui apresentado foi verificar se uma abordagem tridimensional pode tronar a compreensão dos modelos de processos mais eficaz para o aprendizado desta disciplina. O quasi-experimento aqui apresentado foi realizado com um grupo de 48 participantes entre profissionais e acadêmicos, que realizaram uma interação para acompanhar a movimentação de tokens pelo processo. Assim, foi possível evidenciar que essa nova demanda, com uma abordagem 3D, pode trazer benefícios a eficácia ao aprendizado dos modelos de processos, mostrando resultados positivos em relação à experiência de uso dos participantes.

Divulgação - Defesa Nº 262

Aluno: Sthéfano Henrique Mendes Tavares Silva

Título: “Antivírus aplicado à detecção de malware IoT com base em comportamentos em tempo de execução”

Orientador: Sérgio Murilo Maciel Fernandes - (PPGEC)

Coorientador: Sidney Marlon Lopes de Lima - (PPGEC)

Examinador Externo: Raul Camelo de Andrade Almeida Junior - (UFPE)

Examinador Interno: Carlo Marcelo Revoredo da Silva - (PPGEC)

Data-hora: 15 de Fevereiro de 2023, às 08:00h.
Local: REMOTO (https://meet.google.com/cib-iodk-hwb)

---

Resumo:

         Atualmente, a Internet das Coisas (IoT) tem um alto impacto na vida das pessoas, atingindo bilhões de dispositivos conectados à Internet. Devido à sua popularidade, tem aumentado o número de ataques cibernéticos voltados para esta tecnologia nos últimos anos. O constante surgimento de ameaças, como a botnet, o uso de técnicas complexas de evasão e, muitas vezes, a disponibilidade de grandes recursos para seu desenvolvimento, faz do malware a maior ameaça atualmente da IoT. A detecção e a mitigação do malware são essenciais para a operação normal dos dispositivos inteligentes. Os mecanismos de defesa tradicionais estão se tornando cada vez mais ineficazes devido às técnicas usadas pelos invasores que aumentam a resiliência do malware. Nesse contexto, o desenvolvimento de métodos de detecção de malware mais ágeis, adaptáveis e eficazes foi identificado como um dos principais requisitos para proteger a infraestrutura contra essas ameaças e garantir a sua segurança. Portanto, o presente trabalho visa propor um Antivírus de Análise Dinâmica de Malware, baseado em Redes Neurais Artificiais Rasas, dotado de aprendizado estatístico e Inteligência Artificial (IA), especializado na detecção de malware para arquitetura ARM de 32 bits voltadas para IoT. Em vez de modelos baseados em assinaturas, modelos empíricos ou heurística, o antivírus dotado de inteligência permite a detecção de malware ELF ARM de forma preventiva e não reativa como o modus operandi do Clamav e outros antivírus tradicionais. No ambiente de estudo, o arquivo ELF suspeito é executado visando infectar intencionalmente o GNU/Linux auditado em um ambiente controlado. O resultado dessa auditoria é transformado em atributos de entrada para os classificadores baseados em redes neurais do tipo Máquinas Morfológicas de Aprendizado Extremo (Morphological Extreme Learning Machines, mELMs). O objetivo do trabalho é demonstrar que a ausência ou limitação na detecção de software malicioso por antivírus comercial pode ser provida por um antivírus inteligente.

Divulgação - Defesa Nº 261

Aluno: João Antonio da Silva Lima

Título: “A análise da evasão escolar utilizando os modelos de regressão, diagrama de Ishikawa e os modelos teóricos de evasão”

Orientadora: Roberta Andrade de Araújo Fagundes - (PPGEC)

Examinador Externo: Paulo Mello da Silva - (UFRPE)

Examinador Interno: Carlo Marcelo Revoredo da Silva - (PPGEC)

Data-hora: 21 de dezembro de 2022, às 14:30h.
Local: Presencial: Mini-Auditório, no bloco C, 2º andar – UPE/POLI

---

Resumo:

         A evasão dos alunos das instituições de ensino são questões que merecem atenção, principalmente nos países em desenvolvimento que foi agravado, por toda mudança econômica, política e educacional. Para investigar este processo, este trabalho tem o objetivo de apresentar uma Revisão Sistemática da Literatura (RSL) identificando as técnicas de Machine Learning (ML), especialmente os modelos de previsão, para prever a evasão escolar de estudantes do ensino médio utilizando os dados do Inep do ano de 2020 das escolas brasileiras. Como resultados foi utilizado a métrica de erro médio absoluto (EMA) entre os principais modelos utilizados, sendo: a regressão linear (EMA - 7,321462), Árvore de Decisão (EMA - 7,0665218) e regressão robusta (EMA - 6,785051), foi comprovado estatisticamente com o teste t-student. Como também, identificar as variáveis de entradas dos modelos de previsão através dos fatores e causas da evasão através do diagrama de Ishikawa e dos modelos teóricos de evasão.