https://repositorio.ufsc.br/handle/123456789/277241 Mon, 09 Nov 2026 00:41:40 GMT 2026-11-09T00:41:40Z https://repositorio.ufsc.br/handle/123456789/277418 Seleção de atributos para classificação de séries temporais multivariadas desbalanceadas em ambientes de grandes volumes de dados Allochi, Renata Carolina Sobrosa Instituições financeiras e seguradoras utilizam cada vez mais grandes bases históricas para apoiar processos de tomada de decisão preditiva. Em tarefas de previsão do comportamento de clientes, modelar como os indivíduos evoluem ao longo do tempo é relevante para antecipar decisões futuras, identificar oportunidades de negócio e apoiar estratégias de recomendação mais direcionadas. Em seguros automotivos, essa tarefa é desafiadora devido ao caráter dinâmico do comportamento dos clientes e ao uso de dados volumosos, heterogêneos e altamente desbalanceados, compostos por variáveis de diferentes naturezas estatísticas. Esta dissertação propõe uma metodologia para a seleção de atributos em séries temporais multivariadas e avalia seu desempenho quando aplicada à previsão de adesão a seguros automotivos. A metodologia proposta integra pré-processamento, representação temporal por transformações convolucionais unidimensionais, seleção hierárquica de atributos, construção de sequências temporais e modelagem preditiva baseada em redes Long Short-Term Memory (LSTM). Essas transformações extraem atributos que representam padrões temporais e subsidiam a etapa de seleção. O HIERVAR, método que realiza a seleção hierárquica de atributos extraídos por transformações convolucionais, combinando uma etapa inicial de seleção com uma filtragem baseada em análise de variância (ANOVA) com uma etapa multivariada baseada em regressão de ridge, é utilizado como referência. Duas estratégias híbridas são propostas: Hierarchical Lasso Dual Feature Selection (HL-DFS) e Hierarchical Elastic Net Dual Feature Selection (HEN-DFS). Ambas combinam critérios univariados e multivariados para lidar com variáveis de entrada heterogêneas, incluindo atributos contínuos, binários e categóricos. Os experimentos utilizam uma base corporativa anonimizada, formada por observações mensais de clientes ao longo de 36 meses. As estratégias propostas são comparadas ao HIERVAR e a cenários sem seleção de atributos, considerando desempenho preditivo, redução de dimensionalidade, preservação da capacidade preditiva, composição dos subconjuntos selecionados e aplicabilidade em ambientes empresariais com grande volume de dados. Os resultados demonstram que HL-DFS e HEN-DFS reduzem substancialmente o espaço de entrada, mantendo desempenho preditivo comparável ao dos cenários sem seleção de atributos. Entre os cenários de representação temporal avaliados, aqueles associados ao E-Rocket destacaram-se pela obtenção de subconjuntos reduzidos de atributos codificados. A menor quantidade de atributos facilita a análise dos subconjuntos selecionados e favorece a aplicação dos modelos temporais em bases corporativas heterogêneas, desbalanceadas e de grande volume, preservando a capacidade preditiva no protocolo experimental adotado.; Abstract: Financial institutions and insurance companies increasingly use large historical datasets to support predictive decision-making processes. In customer behavior prediction tasks, modeling how individuals evolve over time is relevant to anticipating future decisions, identifying business opportunities, and supporting more targeted recommendation strategies. In automotive insurance, this task is challenging due to the dynamic nature of customer behavior and the use of large, heterogeneous, and highly imbalanced datasets comprising variables with different statistical characteristics. This dissertation proposes a methodology for feature selection in multivariate time series and evaluates its performance when applied to predicting automotive insurance adoption. The proposed methodology integrates preprocessing, temporal representation through one-dimensional convolutional transformations, hierarchical feature selection, temporal sequence construction, and predictive modeling based on Long Short-Term Memory (LSTM) networks. These transformations extract features that represent temporal patterns and support the selection stage. HIERVAR, a method that performs hierarchical selection of features extracted through convolutional transformations by combining an initial selection stage with filtering based on analysis of variance (ANOVA) with a multivariate step based on ridge regression, is used as a reference method. Two hybrid strategies are proposed: Hierarchical Lasso Dual Feature Selection (HL-DFS) and Hierarchical Elastic Net Dual Feature Selection (HEN-DFS). Both combine univariate and multivariate criteria to handle heterogeneous input variables, including continuous, binary, and categorical features. The experiments use an anonymized corporate dataset comprising monthly customer observations over 36 months. The proposed strategies are compared with HIERVAR and scenarios without feature selection, considering predictive performance, dimensionality reduction, preservation of predictive capability, the composition of the selected subsets, and applicability in corporate environments with large volumes of data. The results demonstrate that HL-DFS and HEN-DFS substantially reduce the input feature space while maintaining predictive performance comparable to that of scenarios without feature selection. Among the temporal representation scenarios evaluated, those associated with E-Rocket stood out for yielding compact subsets of encoded features. The smaller number of features facilitates the analysis of the selected subsets and supports the application of temporal models to large, heterogeneous, and imbalanced corporate datasets while preserving predictive capability under the adopted experimental protocol. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2026. Thu, 01 Jan 2026 00:00:00 GMT https://repositorio.ufsc.br/handle/123456789/277418 2026-01-01T00:00:00Z https://repositorio.ufsc.br/handle/123456789/277414 QoE-Aware Adaptive BitRate streaming framework for edge layers Moraes, André Luiz Silva de O crescimento contínuo do tráfego de vídeo na Internet exige estratégias avançadas para garantir a entrega eficiente e de alta qualidade em ambientes distribuídos e heterogêneos. Aplicações sensíveis à latência, como transmissões ao vivo e vídeo sob demanda, enfrentam desafios relacionados à variabilidade da rede, à largura de banda limitada e à competição entre múltiplos usuários por recursos na camada Edge. Esta pesquisa propõe e avalia uma abordagem de Adaptive Bitrate Streaming em ambientes de Edge Computing, integrando técnicas de Deep Reinforcement Learning (DRL) para decisões adaptativas orientadas por métricas de Fairness. A arquitetura proposta utiliza métricas locais e globais de fairness que orientam o processo de seleção de taxa de bits com base na variabilidade entre usuários, considerando aspectos como consistência temporal da experiência, distribuição equitativa da qualidade de vídeo, suavidade na reprodução e estabilidade nas adaptações de qualidade. Essas métricas são compartilhadas dinamicamente entre os clientes, permitindo decisões mais justas e adaptativas sob condições de rede variáveis. O sistema foi implementado em um ambiente de testes containerizado com suporte a múltiplas sessões concorrentes e traços de rede realistas. Foram comparadas estratégias ABR baseadas em heurísticas e abordagens baseadas em aprendizado, considerando cenários com variabilidade de rede sintética e real. Os resultados demonstram que o controlador proposto, consciente de justiça, melhorou a Qualidade de Experiência média, reduziu desigualdades na distribuição de qualidade e apresentou menos interrupções de reprodução mesmo sob condições de banda degradada ou flutuante. Além disso, manteve tempos de inicialização menores e perfis de adaptação mais estáveis, demonstrando robustez frente à alta variabilidade da rede. De forma inovadora, este trabalho transforma a fairness de uma métrica de avaliação pós-processo em um elemento ativo de controle no processo decisório, propondo um modelo de Fairness-Aware Reinforcement Learning que amplia o estado da arte em streaming adaptativo na camada Edge, promovendo uma entrega de vídeo mais inteligente, equitativa e colaborativa.; Abstract: The continuous growth of Internet video traffic demands advanced strategies to ensure efficient, high-quality delivery in distributed and heterogeneous environments. Latency-sensitive applications such as live streaming and on-demand video face persistent challenges related to network variability, limited bandwidth, and competition among multiple users for constrained edge resources. This research proposes and evaluates a Fairness-Aware Adaptive Bitrate (ABR) Streaming approach for Edge Computing environments that integrates Deep Reinforcement Learning (DRL) with fairness-driven decision-making. The proposed architecture employs both local and global fairness metrics that actively guide bitrate selection based on user variability, considering aspects such as time-based QoE consistency, equitable quality distribution, playback smoothness, and adaptation stability. These fairness indicators are dynamically shared among clients to enable more equitable and adaptive bitrate decisions under variable network conditions. The system was implemented in a containerized Edge Computing testbed supporting multiple concurrent client sessions with realistic network traces. Experiments compared heuristic-based and learning-based ABR strategies under both synthetic and real-world network variability. Results show that the proposed fairness-aware DRL controller improved overall Quality of Experience, reduced inequality in quality distribution, and maintained lower startup delays and more stable adaptation profiles even under degraded bandwidth. In doing so, this research transforms fairness from a post-evaluation metric into an active decision-making component, introducing a Fairness-Aware Reinforcement Learning model that advances the state of the art in adaptive streaming at the edge, fostering more intelligent, equitable, and cooperative multimedia delivery systems. Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2026. Thu, 01 Jan 2026 00:00:00 GMT https://repositorio.ufsc.br/handle/123456789/277414 2026-01-01T00:00:00Z https://repositorio.ufsc.br/handle/123456789/277368 Modelling Internet background radiation captured by a cloud telescope as graph structures for the acquisition of cyber threat intelligence Montagner, Antonio Silverio A Radiação de Fundo da Internet, do inglês Internet Background Radiation (IBR), refere-se ao tráfego não solicitado direcionado a dispositivos expostos à Internet. A análise da IBR tem auxiliado na detecção de ameaças globais, que abrangem desde malwares até atividades de propagação de botnets. O Cloud Telescope surgiu como uma variante geograficamente distribuída dos tradicionais Telescópios de Rede, permitindo a captura em ambientes de nuvem e possibilitando determinar como o tráfego malicioso afeta simultaneamente diferentes regiões do mundo. Capturas de IBR em larga escala geram altos volumes de dados PCAP, os quais são difíceis de processar por meio de fluxos de processamento lineares, tipicamente estruturados em forma de scripts. Portanto, novas abordagens são necessárias para lidar com grandes conjuntos de dados de radiação de fundo. Este trabalho propõe uma abordagem baseada em grafos para ranquear eventos de rede em IBR. O estudo examina um conjunto de dados de 21 milhões de eventos coletados ao longo de um período de 30 dias. A análise demonstra a viabilidade de categorizar o tráfego com base em características como protocolo, porta e localização geográfica. O pipeline de dados utiliza um método de Extração, Transformação e Carga (ETL) que modela eventos de IBR como estruturas de dados em grafos, onde endereços IP funcionam como vértices e pacotes como arestas. Esta representação estrutural facilita a identificação de padrões de ataque e ameaças emergentes, bem como a realização de análises geográficas e geopolíticas. O método baseado em grafos revelou características que geralmente não são computacionalmente viáveis de serem expostas por métodos convencionais, incluindo a emissão e recepção de radiação em nível de país, os países visados pelos principais emissores de radiação, destinos almejados pelos principais endereços IP de origem, os endereços IP mais atacados e a caracterização de um padrão específico de propagação de botnet de interesse. Os resultados são apresentados como dados tabulares brutos, acompanhados por consultas na linguagem Cypher e pelos grafos resultantes.; Internet Background Radiation (IBR) refers to the unsolicited traffic directed to Internet-facing devices. The analysis of IBR has helped to detect global threats ranging from malware to botnet spreading activity. The Cloud Telescope has emerged as a geographically distributed variant to the traditional Network Telescopes, enabling capture in cloud environments and allowing to determine how malicious traffic simultaneously affects different regions of the world. Large-scale IBR captures generate high volumes of PCAP data, which are difficult to process through linear pipelines, typically in the form of scripts. Therefore, new approaches are required to handle large background radiation datasets. This work proposes a graph-based approach to rank network events in IBR. The study examines a dataset of 21 million events collected over a 30-day period. The analysis demonstrates the feasibility of categorizing traffic based on features such as protocol, port, and geographic location. The data pipeline makes use of an Extraction, Transformation, and Loading (ETL) method that models IBR events as graph data structures, where IP addresses function as vertices and packets as edges. This structural representation facilitates the identification of attack patterns and emerging threats, as well as geographic and geopolitical analyses. The graph-based method uncovered characteristics that are usually not computationally feasible to reveal with standard methods, including country-level radiation emission and reception, countries targeted by top radiation emitters, destination targeted by top IP source addresses, most attacked IP addresses, and the profiling of one particular botnet propagation pattern of interest. Results are provided as raw tabular data, accompanied by cypher language queries, and the resulting graphs. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2026. Thu, 01 Jan 2026 00:00:00 GMT https://repositorio.ufsc.br/handle/123456789/277368 2026-01-01T00:00:00Z