Este projeto visa a predição de eventos críticos no serviço eduroam, alertando seu administrador em nível da federação, e também em nível institucional, sobre anomalias relacionadas à autenticação de usuários. Com a utilização de técnicas de inteligência artificial e baseando-se na análise de grandes massas de dados de registros do serviço, tanto em modo offline quanto online. Algoritmos de aprendizado de máquina são aplicados a fim de identificar problemas relacionados à autenticação de usuários de instituições específicas e possíveis comportamentos anormais correlacionados à autenticação federada. Para alcançar este objetivo são utilizados como entrada os registros do serviço RADIUS no nível da federação eduroam de usuários em roaming.

Tradicionalmente, a autenticação de dispositivos se baseia no uso de criptografia e sofisticados protocolos. No entanto, essa abordagem apresenta custo e complexidade incompatíveis com diversos tipos de dispositivos de IoT. Isso torna muitos dispositivos de IoT vulneráveis a ataques de falsificação de identidade, especialmente através da comunicação sem fio. Para mitigar esse problema, propomos um serviço de autenticação externo aos dispositivos IoT que usa informações de diferentes camadas. Na camada física, a assinatura é identificada através de peculiaridades de cada transmissor de sinal de radiofrequência. Na camada de aplicação (ou serviço), a assinatura é definida através de um comportamento característico do serviço.

O monitoramento do desempenho de rede é tópicos de extrema relevância para a comunidade científica e a indústria de modo em geral. Mais recentemente, pesquisadores e empresas têm lançado esforços no uso de algoritmos de IA para a resolução de problemas relacionados aos tópicos citados. Porém, com o grande volume de dados e a necessidade ferramentas interatidas e eficientes, este projeto propõe a criação de uma ferramenta-protótipo, interativamente e de estrutura de dados eficiente, que faz uso dos algoritmos de IA do framework ML.NET para identificar padrões e previsões a partir de dados geo-temporais, oriundos do monitoramento dos roteadores em tempo real.

Os ambientes inteligentes atuais são compostos por dispositivos da Internet das Coisas (IoT) e de usuários finais (notebooks, tablets, etc) comunicando-se entre si e com a Internet. Os dispositivos IoT estão sujeitos a comportamentos anômalos (funcionamento fora do padrão), devido a vulnerabilidades de segurança ou mau funcionamento. Monitorar o comportamento destes dispositivos torna-se crucial para garantir um desempenho eficiente da rede. Neste contexto, este projeto visa desenvolver um sistema para monitoramento de tráfego e detecção de anomalias em ambientes inteligentes suportado por Inteligência Artificial (IA), gerando um perfil da rede e detectando possíveis anomalias através de um comportamento de tráfego fora do padrão previsto.

O projeto Teleoftalmo -UFRGS, efetua exames oftalmológicos em pacientes do Sistema Único de Saúde (SUS) via ferramenta própria de vídeo colaboração que permite a interação em tempo-real entre médicos especialistas e pacientes em centros remotos. Utilizando essa ferramenta, o médico especialista pode conversar com os pacientes e realizar exames oftalmológicos à distância. Entretanto, a crescente demanda exige soluções que agilizem a emissão de laudos. O presente projeto propõe o desenvolvimento de um aplicativo de Inteligência Artificial auxiliar que possa, a partir do processamento de imagens oftalmológicas, obter a classificação automática entre paciente Normal e com Catarata, agilizando a tomada de decisão do médico remoto.

A popularização de equipamentos de captura de vídeo e serviços para seu armazenamento e transmissão, possibilitou a produção de um massivo volume de dados de vídeo. O Youtube, por exemplo, registrou em 2014 upload de 72 horas de vídeo por minuto. Enquanto que em 2018, esse número subiu para 400 horas de vídeo por minuto. Esse cenário apresenta desafio de controle do tipo de conteúdo que é carregado para esses serviços de armazenamento videos. Por exemplo, serviços como o video@RNP, ICD e ITVRP constituem redes de compartilhamento vídeo que se focam em conteúdo educacional e possuem restrições a conteúdos impróprios. A classificação desse tipo de conteúdo requer uma análise automática desse volume de forma eficiente e prática. Métodos baseados em Deep Learning (DL) se tornaram o estado-da-arte em vários segmentos relacionados a análise automática de mídia. Este projeto tem como foco avaliar e desenvolver tais métodos de DL para detecção de conteúdo impróprio em cenas de vídeo.