https://repositorio.ufsc.br/handle/123456789/76362 2026-09-05T13:41:50Z 2026-09-05T13:41:50Z Santos, Renan Rocha Souto dos https://repositorio.ufsc.br/handle/123456789/275424 2026-09-04T23:30:03Z 2026-01-01T00:00:00Z

A method of prototype pollution vulnerability mitigation at runtime Santos, Renan Rocha Souto dos O prototype pollution, catalogado como CWE-1321 na Common Weakness Enumeration, é uma vulnerabilidade de segurança de alto impacto no ecossistema JavaScript. Classificado em oitavo lugar no OWASP Top 10 de 2021, pode resultar em Negação de Serviço (DoS), Execução Remota de Código (RCE) e evasão de autenticação. Embora a detecção por meio de análises estáticas e dinâmicas tenha sido amplamente estudada na literatura, ainda existe uma lacuna significativa em estratégias de mitigação em tempo de execução que não exijam a desativação dos protótipos de objetos. Este trabalho propõe um algoritmo de mitigação para o ambiente de execução Node.js, empregando técnicas de metaprogramação, especificamente as APIs Proxy e Reflect, para impor dinamicamente a integridade dos protótipos de objetos. O algoritmo utiliza um modelo de análise de contaminação no qual os argumentos de funções exportadas por módulos são identificados como \"fontes\" não confiáveis, enquanto o protótipo do objeto é tratado como o \"local sensível\". Por meio da interceptação do carregamento de módulos via \"require\" e \"import\", o algoritmo monitora tentativas de modificação dos protótipos e bloqueia injeções originadas dessas fontes não confiáveis. A avaliação com base em um conjunto de vulnerabilidades publicamente conhecidas, catalogadas como Common Vulnerabilities and Exposures (CVE), demonstra que o algoritmo previne efetivamente o prototype pollution, integrando-se facilmente a projetos existentes e exigindo apenas que o módulo de mitigação seja carregado como a primeira dependência. De modo geral, o algoritmo mitiga a vulnerabilidade com sucesso, embora possa introduzir alguma sobrecarga de desempenho dependendo do número de módulos importados e de suas funções exportadas.; Abstract: Prototype pollution, catalogued as CWE-1321 in the Common Weakness Enumeration, is a high-impact security vulnerability in the JavaScript ecosystem. Ranked eighth in the 2021 OWASP Top 10, it can lead to Denial of Service (DoS), Remote Code Execution (RCE), and authentication bypass. While detection through static and dynamic analysis has been thoroughly studied in the literature, there remains a significant gap in runtime mitigation strategies that do not require disabling object prototypes. This work proposes a mitigation algorithm for the Node.js runtime, employing meta-programming techniques, specifically the Proxy and Reflect APIs, to dynamically enforce object prototype integrity. The algorithm uses a taint analysis model in which arguments of exported module functions are identified as untrusted \"sources\" and the object prototype is treated as the \"sink\". By intercepting module loading via \"require \" and \"import\", the algorithm monitors prototype modification attempts and blocks injections originating from these untrusted sources. Evaluation against a database of known Common Vulnerabilities and Exposures (CVEs) demonstrates that the algorithm effectively prevents prototype pollution while integrating easily into existing projects, requiring only that the mitigation module be loaded as the first dependency. Overall, the algorithm mitigates the vulnerability successfully, although it may introduce some performance overhead depending on the number of imported modules and their exported functions. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2026.

2026-01-01T00:00:00Z Santos, Yuri Santa Rosa Nassar dos https://repositorio.ufsc.br/handle/123456789/275192 2026-08-27T23:30:35Z 2026-01-01T00:00:00Z

Novel approaches for multiple-aspect trajectories clustering Santos, Yuri Santa Rosa Nassar dos O crescimento exponencial de dados provenientes de dispositivos móveis, sensores e redes sociais tem impulsionado pesquisas voltadas à análise de trajetórias multi-aspecto, que integram dimensões espaciais, temporais e semânticas. Essa abordagem é essencial para compreender fenômenos complexos em mobilidade urbana, saúde pública, marketing e comportamento social, permitindo identificar padrões que auxiliam na tomada de decisão. No entanto, a heterogeneidade e a alta dimensionalidade desses dados representam desafios significativos, exigindo métodos capazes de lidar com múltiplos aspectos de forma integrada e escalável. Apesar dos avanços no estado da arte de trajetórias de multi-aspecto, os trabalhos existentes ainda apresentam limitações, principalmente no contexto de problemas de agrupamento. Métodos tradicionais de agrupamento, como k-means e DBSCAN, não capturam interdependências entre diferentes dimensões nem consideram estruturas sequenciais. Abordagens mais recentes, como TraFoS e técnicas de co-clustering, oferecem melhorias, mas ainda carecem de mecanismos para lidar com ruído, inferir automaticamente o número de grupos e explorar hierarquias ou dependências temporais. Essa lacuna compromete a aplicabilidade em cenários reais, onde os dados são dinâmicos e complexos, evidenciando a necessidade de estratégias mais robustas e interpretáveis. Para superar essas limitações, nós propomos três métodos inovadores: OCoClus, que identifica co-clusters globais e locais com controle de ruído e inferência automática do número de grupos com foco em dados não sequencias; SS-OCoClus, que incorpora dependência sequencial para revelar padrões frequentes em trajetórias; e MAT-Tree, um método hierárquico baseado em frequência, capaz de organizar trajetórias em diferentes níveis de abstração dos seus aspectos. Esses métodos foram avaliados em conjuntos de dados sintéticos e reais, onde os resultados obtidos corroboram para uma maior escalabilidade, interpretabilidade e capacidade de lidar com dados heterogêneos, superando as abordagens existentes. Além do desempenho superior de forma geral, nossa proposta oferece insights relevantes para a área: a importância de integrar múltiplos aspectos em análises complexas, a viabilidade de métodos hierárquicos para explorar diferentes níveis de abstração e a contribuição das dependências sequenciais para enriquecer a descoberta de padrões. Essas inovações ampliam as possibilidades de aplicação em diversos domínios, contribuindo para o avanço da área de identificação de padrões em a partir de da abordagem clusterização de trajetórias multi-aspecto.; Abstract: The exponential growth of data from mobile devices, sensors, and social networks has driven research focused on multiple-aspect trajectory analysis, which integrates spatial, temporal, and semantic dimensions. This approach is essential for understanding complex phenomena in urban mobility, public health, marketing, and social behavior, enabling the identification of patterns that support decision-making. However, the heterogeneity and high dimensionality of such data pose significant challenges, requiring methods capable of handling multiple aspects in an integrated and scalable manner. Despite advances in the state of the art of multi-aspect trajectories, existing studies still present limitations, especially in the context of clustering problems. Traditional clustering methods, for instance, k-means and DBSCAN, fail to capture interdependencies among different dimensions or consider sequential structures. More recent approaches, such as TraFoS and co-clustering techniques, offer improvements but still lack mechanisms to handle noise, automatically infer the number of clusters, and explore hierarchies or temporal dependencies. This gap compromises applicability in real-world scenarios, where data are dynamic and complex, highlighting the need for more robust and interpretable strategies. To overcome these limitations, we propose three innovative methods: OCoClus, which identifies global and local co-clusters with noise control and automatic inference of the number of clusters for non-sequential data; SS-OCoClus, which incorporates sequential dependency to reveal frequent patterns in trajectories; and MAT-Tree, a frequency-based hierarchical method capable of organizing trajectories at different levels of abstraction of their aspects. These methods were evaluated on synthetic and real datasets, and the obtained results demonstrate greater scalability, interpretability, and ability to handle heterogeneous data, outperforming existing approaches. Beyond the overall superior performance, our proposal offers relevant insights for the field: the importance of integrating multiple aspects in complex analyses, the feasibility of hierarchical methods to explore different abstraction levels, and the contribution of sequential dependencies to enrich pattern discovery. These innovations expand the possibilities of application across various domains, contributing to the advancement of the field of pattern identification through the multiple-aspect trajectory clustering approach. Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2026.

2026-01-01T00:00:00Z Bonfim, Viviane Duarte https://repositorio.ufsc.br/handle/123456789/275184 2026-08-27T23:30:28Z 2026-01-01T00:00:00Z

PracticesforReD: abordagem de recomendação de práticas para mitigar dívidas de requisitos em organizações ágeis Bonfim, Viviane Duarte Os métodos ágeis surgiram com o propósito de acelerar o desenvolvimento de software, reorganizando práticas tradicionais para atender à demanda por maior rapidez. Entretanto, essa agilidade pode comprometer áreas essenciais do ciclo de desenvolvimento, como a Engenharia de Requisitos (ER). Quando executadas de forma inadequada, as atividades de ER podem gerar requisitos mal compreendidos, omitidos ou mal especificados. Problemas decorrentes de uma ER conduzida de forma deficiente configuram dívidas técnicas que afetam etapas subsequentes do desenvolvimento e ameaçam a qualidade do software. Entre essas dívidas, destacam-se as dívidas de requisitos, diretamente relacionadas à ER, que permanecem pouco exploradas na literatura e na prática. Frequentemente, são desconhecidas, não monitoradas ou mal geridas, resultando em elevados custos de manutenção ao longo do tempo. Se as organizações compreendessem melhor seu cenário atual, identificando tais dívidas e suas causas, poderiam adaptar práticas mais eficazes para mitigá-las e geri-las. O objetivo desta tese é propor uma abordagem que auxilie organizações ágeis a compreenderem seu cenário atual quanto à existência de dívidas de requisitos. A proposta visa identificar as lacunas que caracterizam essas dívidas, suas causas e, com base nesse diagnóstico, recomendar práticas e orientações para mitigá-las, preveni-las e gerenciá-las. A pesquisa iniciou com uma investigação do estado da prática, conduzida por meio do método qualitativo Grounded Theory. Os resultados obtidos foram integrados a dois estudos sistemáticos da literatura, contemplando o estado da arte por meio de um mapeamento sistemático voltado à identificação de causas, consequências e práticas relacionadas às dívidas de requisitos; e um estudo terciário focado na gestão da dívida técnica. A consolidação desses resultados fundamentou a construção da ontologia OntoReD, direcionada especificamente às dívidas de requisitos e concebida como o ?kernel? da abordagem proposta. A partir dessa ontologia, foi estruturada a abordagem PracticesforReD, composta por uma sequência de passos que orienta profissionais na compreensão de seu cenário atual e na seleção de práticas adequadas para mitigá-las. Como principal contribuição, a abordagem PracticesforReD, apoiada pelo conhecimento implementado na OntoReD, permite que profissionais de organizações ágeis identifiquem suas dívidas de requisitos, compreendam suas causas e recebam recomendações de práticas para mitigação, prevenção e gestão. A abordagem é disponibilizada por meio de uma solução computacional que atua como interface de apoio entre as organizações e a abordagem proposta, facilitando a aplicação prática das recomendações e promovendo uma gestão mais eficaz das dívidas de requisitos. A avaliação da PracticesforReD, apoiada na abordagem Goal, Questions, Metrics (GQM), demonstrou que o conhecimento implementado na OntoReD representa adequadamente os problemas e as causas das dívidas de requisitos em organizações ágeis. As práticas recomendadas mostraram-se alinhadas às expectativas dos profissionais, sendo consideradas claras, aplicáveis e adequadas ao contexto. Por fim, a avaliação da ferramenta que operacionaliza a PracticesforReD, complementada pelo Technology Acceptance Model (TAM), indicou bons níveis de aceitação, utilidade percebida e facilidade de uso, reforçando sua viabilidade e o seu potencial de adoção nas organizações.; Abstract: Agile methods emerged with the purpose of accelerating software development by reorganizing traditional practices to meet the demand for greater speed. However, this agility can compromise essential areas of the development lifecycle, such as Requirements Engineering (RE). When performed inadequately, RE activities may lead to misunderstood, omitted, or poorly specified requirements. Issues arising from poorly conducted RE constitute technical debt that affects subsequent development stages and threatens software quality. Among these, requirements debt stands out as being directly related to RE, yet still underexplored in both the literature and practice. It is often unknown, unmonitored, or poorly managed, resulting in high maintenance costs over time. If organizations had a better understanding of their current context, identifying such debts and their causes, they could adopt more effective practices to mitigate and manage them. The objective of this thesis is to propose an approach to support agile organizations in understanding their current context regarding the existence of requirements debt. The proposal aims to identify the gaps that characterize such debt, its causes, and, based on this diagnosis, recommend practices and guidelines to mitigate, prevent, and manage it. The research began with an investigation of the state of practice, conducted using the qualitative method Grounded Theory. The results obtained were integrated with two systematic literature studies, covering the state of the art through a systematic mapping focused on identifying causes, consequences, and practices related to requirements debt, as well as a tertiary study focused on technical debt management. The consolidation of these results supported the construction of the OntoReD ontology, specifically targeted at requirements debt and conceived as the ?kernel? of the proposed approach. Based on this ontology, the PracticesforReD approach was structured, consisting of a sequence of steps that guides practitioners in understanding their current context and selecting appropriate practices to address it. As its main contribution, the PracticesforReD approach, supported by the knowledge implemented in OntoReD, enables practitioners in agile organizations to identify their requirements debt, understand its causes, and receive recommendations of practices for mitigation, prevention, and management. The approach is made available through a computational solution that acts as a supporting interface between organizations and the proposed approach, facilitating the practical application of the recommendations and promoting more effective management of requirements debt. The evaluation of PracticesforReD, supported by the GQM approach, demonstrated that the knowledge implemented in OntoReD adequately represents the problems and causes of requirements debt in agile organizations. The recommended practices were found to be aligned with practitioners? expectations, being considered clear, applicable, and suitable to the context. Finally, the evaluation of the tool that operationalizes PracticesforReD, complemented by TAM, indicated good levels of acceptance, perceived usefulness, and ease of use, reinforcing its feasibility and potential for adoption in organizations. Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2026.

2026-01-01T00:00:00Z Kretzer, Arthur Raulino https://repositorio.ufsc.br/handle/123456789/275182 2026-08-27T23:30:25Z 2026-01-01T00:00:00Z

A reference architecture of a data lakehouse platform for industrial systems Kretzer, Arthur Raulino A transformação digital impulsionada pela Indústria 4.0 ampliou a demanda por arquiteturas de Big Data Analytics (BDA) capazes de processar grandes volumes de dados heterogêneos com baixa latência. Sensores de Internet das Coisas (IoT), sistemas de controle, robôs industriais e bases corporativas produzem fluxos contínuos de dados estruturados e não estruturados que exigem soluções escaláveis, interoperáveis e alinhadas às particularidades dos ambientes industriais. Apesar da evolução de tecnologias consolidadas, como Apache Kafka, Apache Spark e arquiteturas de Data Lakes, a literatura apresenta um cenário fragmentado, com carência de arquiteturas padronizadas, baixa maturidade em governança e monitoramento, e escassez de validações empíricas em cenários reais de manufatura. Diante desse problema, esta dissertação investiga como arquiteturas data lakehouse podem apoiar análises de dados industriais em quase tempo real. O trabalho conduz um mapeamento sistemático da literatura, seguindo o protocolo ProKnow-C, que analisou 56 estudos primários dedicados exclusivamente a arquiteturas de Big Data para manufatura, identificando padrões tecnológicos, lacunas e desafios persistentes, a subexploração de dados não estruturados e a ausência de benchmarks consistentes. Em seguida, seguindo o paradigma de Design Science Research, propõe, implementa e avalia uma arquitetura de referência e uma plataforma completa baseada em tecnologias abertas, incluindo Kafka, Spark Structured Streaming, Delta Lake, MinIO, Kubernetes e práticas de GitOps. A plataforma desenvolvida integra pipelines de ingestão, transformação e armazenamento para dados estruturados e telemetria de sensores robóticos em quase tempo real. A avaliação empírica compreende quatro experimentos controlados (Smoke, Stress, Breakpoint e Soak) conduzidos em ambientes edge (LABFABER, Brasil) e cloud (Digital Ocean, Nova York), utilizando o dataset RoAD de sensores robóticos. Os resultados demonstram que arquiteturas data lakehouse são tecnicamente viáveis para aplicações industriais, com latência mediana de ingestão de aproximadamente 3?11 ms no ambiente edge e 150?350 ms no ambiente cloud. A persistência via Spark apresentou latências na ordem de 2?8 segundos, adequadas para monitoramento e manutenção preditiva, porém insuficientes para controle em tempo real estrito.; Abstract: This thesis investigates the design, implementation, and empirical evaluation of a data lakehouse architecture for Big Data Analytics in Industry 4.0 environments. The work addresses two complementary dimensions. First, a systematic mapping study following the ProKnow-C protocol analyzed 56 primary studies focused exclusively on Big Data architectures for manufacturing, identifying dominant technological patterns, architectural gaps, and persistent limitations in areas such as real-time processing, monitoring, governance, and empirical validation. Second, guided by the Design Science Research paradigm, the study proposes and develops an eight-layer reference architecture and a complete open-source platform based on Kafka, Spark Structured Streaming, Delta Lake, MinIO, Kubernetes, Airflow, and GitOps practices. The research follows a structured DSR process consisting of problem identification, requirement derivation, artifact design, implementation, and evaluation. The resulting platform integrates ingestion, transformation, and storage pipelines supporting structured industrial data and near-real-time robotic telemetry. Four controlled experiments (Smoke, Stress, Breakpoint, and Soak tests) were conducted across edge (LABFABER, Brazil) and cloud (Digital Ocean, New York) deployments using the RoAD robotic dataset from a KUKA LBR iiwa robot. The experiments quantify ingestion latency, persistence overhead, resource consumption, and long-term stability under sustained workloads of up to 15,000 messages per second. The results demonstrate that open-source data lakehouse architectures are viable for industrial analytics applications such as monitoring, anomaly detection, and predictive maintenance. Ingestion latencies remained below 11 ms (median) in edge deployments and between 150?350 ms in cloud deployments. Persistence latencies ranged from 2?8 seconds, dominated by Spark?s micro-batch interval. However, the findings also reveal that cloud deployments experience orchestration instability under memory pressure, while edge clusters degrade gracefully at capacity limits. The central hypothesis was partially confirmed: lakehouse architectures support bounded responsiveness compatible with Industry 4.0 supervisory applications, but remain insufficient for strict real-time control loops. The study concludes with a discussion of implications for industrial adoption and outlines future research opportunities related to hybrid edge?cloud deployments, digital twin integration, continuous streaming engines such as Apache Flink, and alignment with Industrial Data Spaces for federated industrial ecosystems. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2026.

2026-01-01T00:00:00Z