Divulgação - Defesa Nº 264

Aluna: Ingrid Bruno Nunes

Título: “Desenvolvimento de Interfaces Musicais Humano-Computador para Apoio à Musicoterapia em Pessoas Idosas em Estágio Inicial de Demência”

Orientador: Wellington Pinheiro dos Santos - (PPGEC)

Coorientadora: Cristine Martins Gomes de Gusmão - (UFPE)

Examinador Externo: Nivaldo Antonio Portela de Vasconcelos - (UFPE)

Examinador Interno: Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 10 de Março de 2023, às 09:00h.
Local: REMOTO (https://meet.google.com/cwb-wafs-pah)

---

Resumo:

         A música nos acompanha em todas as fases da vida. Existem canções que em todas as épocas se referem a eventos públicos ou momentos pessoais que simbolizam algo para cada indivíduo. Além disso, a música ajuda a construir e evocar memórias. A memória autobiográfica é a lembrança de um acontecimento vivenciado direta ou indiretamente por alguém. Envolve lugares, outras pessoas, emoções e percepções. Eles são construídos ao longo da adolescência e início da idade adulta. Essas memórias nos ajudam a nos identificar. Mas certas patologias, como a demência, podem atrapalhar esse processo e comprometer essas memórias. Atualmente, não há tratamento disponível para curar a demência, mas tratamentos não farmacológicos, como a musicoterapia, podem ser usados nesses casos. Para musicoterapia receptiva, por exemplo, um sistema de recomendação pode ser usado. Este trabalho tem como objetivo avaliar o desempenho de algoritmos inteligentes para um sistema de recomendação musical capaz de indicar músicas de acordo com o gênero musical e/ou a emoção que a música pode despertar. Usamos dois classificadores, Random Forest e Support Vector Machines (SVM), para classificar faixas de música com base em gênero e emoção. Os resultados mostraram que, para algumas métricas, o Random Forest teve um desempenho semelhante ao SVM, mas, em geral, o Random Forest teve um desempenho um pouco melhor, pois apresentaram baixos desvios padrão desses coeficientes.

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.