Divulgação - Defesa Nº 283

Aluno: Laislla Carolina Pinheiro Brandão

Título: “Desenvolvimento de Modelos de Aprendizado de Máquina para a Detecção de Anomalias Aplicados ao Processo de Solda Ponto na Indústria Automotiva"

Orientador: Alexandre Magno Andrade Maciel

Examinador Externo: Divanilson Rodrigo Campelo (UFPE)

Examinador Interno: João Fausto Lorenzato de Oliveira

Data-hora: 29 de Setembro de 2023 às 15:00.
Local: Escola Politécnica - Poli, Laboratório LIP-6, Bloco J.

---

Resumo:

         "A solda ponto é um dos processos de união de chapas metálicas mais amplamente utilizados para a construção das carrocerias e mais de 90% dos pontos de solda em todo o mundo são realizadas pela indústria automotiva. Falhas na formação dos pontos de solda podem afetar a rigidez, o desempenho de ruído e vibração do veículo em nível global, além da segurança dos passageiros, portanto, garantir a qualidade da solda ponto é de extrema importância. Respingos de solda são uma condição anômala de expulsão de material que ocorre de forma aleatória durante o processo e, uma vez que a existência de respingos pode ocasionar soldas de resistência e qualidade inadequadas, devem ser evitados. Partindo deste contexto e baseando-se em uma abordagem hipotético-dedutiva e de natureza aplicada, este projeto de pesquisa busca desenvolver modelos para detecção de anomalias, aplicando a técnica de aprendizado profundo mais utilizada para a detecção de anomalias em trabalhos recentes, identificada através de uma revisão sistemática da literatura. A pesquisa é aplicada aos dados do processo de solda ponto de uma unidade fabril automotiva que utiliza a tecnologia de solda BOSCH. O conjunto de dados, que contém parâmetros e medições do processo de solda ponto, possui muitos atributos e, por conta disso, é realizado um tratamento nos dados, visando inicialmente à redução de complexidade e redundâncias. Os níveis de respingos da base são utilizados como direcionadores para divisão dos dados em diferentes cenários, considerando maior ou menor proporção de anomalia para conduzir os experimentos e avaliar o desempenho dos algoritmos para cenários onde as anomalias são mais raras. Como os dados utilizados possuem uma rotulação específica em relação ao problema dos respingos, é considerada uma abordagem de aprendizado semi-supervisionado para identificar sua ocorrência. Após implementação de alguns modelos com diferentes arquiteturas e estratégias de ajuste de hiperparâmetros e seleção de thresholds, é realizada uma comparação destes modelos com diferentes abordagens tradicionais de classificação existentes, buscando verificar quais trazem resultados mais robustos para a tarefa de detecção das anomalias, e que melhor se adequam à natureza dos dados do processo de solda ponto, considerando diferentes métricas de avaliação."

Divulgação - Defesa Nº 280

Aluno: Júlio César Gomes de Barros

Título: "Um estudo empírico sobre a evolução das características temporais em ataques de phishing".

Orientador: Carlo Marcelo Revoredo da Silva

Coorientador: Bruno José Torres Fernandes

Examinador Externo: Eduardo Luzeiro Feitosa (UFAM)

Examinador Interno: Cleyton Mario de Olveira Rodrigues (PPGEC)

Data-hora: 29 de Setembro de 2023 às 10:00.
Local: Formato Remoto.

---

Resumo:

         Phishing é um método de ataque cibernético no qual os agressores tentam ludibriar indivíduos para obter informações confidenciais, como senhas e dados financeiros, frequentemente por meio de mensagens falsas ou sites fraudulentos. No cenário dinâmico do phishing, os ataques se adaptam constantemente, a fim de evitar detecções. Soluções anti-phishing envolvem o desenvolvimento de ferramentas e técnicas para identificar, bloquear e prevenir esses ataques, muitas vezes combinando análise de características estáticas e dinâmicas para combater a evolução das ameaças. Diante desse problema, esta pesquisa teve como objetivo analisar os comportamentos temporais e dinâmicos, a fim de construir um alicerce técnico capaz de favorecer a criação ou aprimoramento de sistemas para a detecção de páginas de phishing. Para isso, a pesquisa adotou uma abordagem empírica, culminando na criação da base de dados Piracema. Através da análise de seus registros, foi possível investigar a evolução das características dinâmicas dos ataques ao longo do tempo, bem como o relacionamento entre as características e sua relevância na identificação das ameaças. A análise contemplou nove características dinâmicas específicas, e os resultados obtidos evidenciaram padrões de comportamento variados, fornecendo insights sobre a mutabilidade e a persistência dessas características. Portanto, por meio deste estudo, tornou-se possível discernir características do phishing que demonstraram diferentes níveis de impacto ao longo do tempo. Essa constatação oferece uma base valiosa para a formulação de estratégias anti-phishing mais eficazes, as quais incorporam a análise do cenário temporal e dinâmico das ameaças cibernéticas, reforçando a segurança digital em um ambiente em constante evolução.

Divulgação - Defesa Nº 279

Aluno: Leonides Medeiros Neto

Título: "A Comparative Analysis of Converters for Tabular Data into Image for Convolutional Neural Networks".

Orientadora: Patricia Takako Endo

Examinador Externo: Ivanovitch Silva (UFRN)

Examinador Interno: Diego Pinheiro (PPGEC)

Data-hora: 22 de Setembro de 2023 às 14:00.
Local: Formato Remoto

---

Resumo:

         Os avanços na tecnologia permitiram a extração de enormes quantidades de dados como tabular, texto, imagens e som. Dentre eles, dados tabulares têm sido utilizados na literatura e indústria com modelos de Machine Learning (ML), como algoritmos baseados em árvore. No entanto, existe um tipo de ML chamado Deep Learning (DL) que alcança bons desempenhos com dados como imagens, mas não é comumente utilizado com dados tabulares. Mesmo assim, o uso de DL com dados tabulares é possível convertendo os dados em imagens para treinar Redes Neurais Convolucionais (CNN). O principal objetivo desta dissertação é comparar o desempenho de modelos CNN treinados em dados tabulares de saúde convertidos em imagens por diferentes conversores, identificar o melhor conversor e comparar a CNN proposta com os modelos ML. Os conversores irão converter conjuntos de dados de saúde para treinar os modelos CNN, então fazemos uma análise comparativa. Os resultados sugerem que os modelos CNN podem ser treinados usando imagens convertidas de dados tabulares. E mesmo um modelo básico de CNN pode alcançar desempenhos próximos ao de um algoritmo de ML baseado em árvore.