Pesquisas em Andamento

Pesquisas atualmente em andamento, sendo conduzidas por Carlos Diego C. P., seus grupos de pesquisas e alunos dos programas de gradução e pós-graduação (Mestrado e Doutorado) em Ciências da Computação.

Data Integrity, Bias, Synthetic Data, and Provenance in Sensitive Domains: Toward a Data-Centric Trust Pipeline for Trustworthy AI

Área de Estudo

Integridade de Dados; Fairness e Viés Algorítmico; Dados Sintéticos; Proveniência e Governança de IA.

Objetivo da Pesquisa

Investigar como integridade, viés, geração sintética de dados e proveniência formam um ecossistema interdependente para a construção de sistemas de IA confiáveis, propondo o Data-Centric Trust Pipeline como modelo unificado para elevar transparência, interpretabilidade e responsabilização ao longo de todo o ciclo de vida dos dados. 

Linhas de Problemas de Pesquisa

1. Integridade de dados em ambientes sociotécnicos complexos

   • Problema: Como assegurar consistência, contextualização e completude dos dados quando grande parte dos datasets operacionais carece de metadados, padronização e documentação?

   • Justificativa: Falhas de integridade comprometem reprodutibilidade, auditabilidade e amplificam erros em modelos downstream. 

2. Persistência de viés mesmo com intervenções algorítmicas

   • Problema: Quais abordagens permitem mitigar disparidades de desempenho entre grupos demográficos quando métricas de fairness são insuficientemente documentadas ou incompletas?

   • Justificativa: Estudos mostram variações de 20–35% em erro entre grupos, revelando que fairness requer tratamento contínuo e integrado à cadeia de dados. 

3. Confiabilidade e riscos associados ao uso de dados sintéticos

   • Problema: Como validar autenticidade, representatividade e limites de uso de dados sintéticos, considerando que eles podem reproduzir vieses estruturais ou introduzir incertezas não detectáveis?

   • Justificativa: Dados sintéticos são artefatos epistemológicos; sem rastreabilidade, podem distorcer interpretações e prejudicar análises sensíveis. 

4. Proveniência como mecanismo de responsabilização

   • Problema: De que forma sistemas de proveniência podem evoluir de repositórios passivos para registros interpretativos que documentam não apenas transformações, mas também racionalidades e decisões humanas?

   • Justificativa: Proveniência é essencial para explicabilidade, auditoria e reconstrução histórica de decisões em pipelines de IA. 

Algumas referências

1. Schwabe, D., Becker, K., Seyferth, M., Klaß, A., & Schaeffter, T. (2024).
   The METRIC-framework for assessing data quality for trustworthy AI. npj Digital Medicine.

2. Buolamwini, J., & Gebru, T. (2018).
   Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification.

3. Hameed, M. A. S., Qureshi, A. M., & Kaushik, A. (2024).
   Bias Mitigation via Synthetic Data Generation. Electronics.

4. Ahmed, M., Dar, A., Helfert, M., Khan, A., & Kim, J. (2023).
   Data Provenance in Healthcare: Approaches, Challenges, and Future Directions. Sensors.

5. Longpre, S. et al. (2024).
   A Large-Scale Audit of Dataset Licensing and Attribution in AI. Patterns.

C2PF: An Architecture-Aware Conceptual Framework for Cloud Capacity Planning

Área de Estudo

Computação em Nuvem; Arquitetura de Software; Engenharia de Desempenho; Planejamento de Capacidade; Sistemas Distribuídos.

Objetivo da Pesquisa

Investigar como características arquiteturais, semântica de workloads e objetivos operacionais (SLO, PLO, RLO) podem ser integrados em um modelo conceitual unificado para planejamento de capacidade em nuvem, propondo o C2PF como um framework architecture-aware capaz de produzir decisões proativas, explicáveis e repetíveis. 

Linhas de Problemas de Pesquisa

1. Limitações de abordagens reativas e dependentes de histórico

   • Problema: Como superar a dependência de modelos reativos e heurísticos baseados exclusivamente em métricas históricas, que falham em capturar variação, concorrência e comportamento dinâmico de workloads?

   • Justificativa: A ausência de contexto arquitetural leva a previsões imprecisas, overprovisioning e respostas tardias a gargalos estruturais. 

2. Ausência de modelos integrando arquitetura, workload e objetivos de serviço

   • Problema: De que forma combinar componentes arquiteturais, classificação funcional de workloads e objetivos de desempenho/fiabilidade para orientar decisões de capacidade de forma unificada?

   • Justificativa: Estudos indicam lacunas semânticas, temporais e cognitivas entre arquitetos, operadores e planejadores, dificultando previsões acuradas e planejamento contínuo. 

3. Impacto das decisões arquiteturais no comportamento de capacidade

   • Problema: Como formalizar e quantificar os efeitos de padrões de arquitetura (microservices, event-driven, serverless, service mesh) no consumo e nos limites de capacidade dos sistemas?

   • Justificativa: Pesquisas mostram que fatores arquiteturais podem adicionar até 30% de sobrecarga, alterando diretamente requisitos de escalabilidade, latência e resiliência. 

4. Padronização insuficiente para sizing e previsão de demanda

   • Problema: Como definir uma taxonomia abstrata de classes de sizing que correlaciona demanda computacional, características de capacidade e objetivos de serviço, garantindo repetibilidade?

   • Justificativa: A falta de padronização gera inconsistência entre equipes e impede automação eficaz em pipelines de DevOps e SRE. 

Algumas referências

• Pereira, C. D. C. (2023).
  Capacity Planning of Cloud Computing Workloads — Doctoral Dissertation, CESAR School.

• Pereira, C. D. C. (2025).
  Capacity Planning of Cloud Computing Workloads: Theoretical and Empirical Synthesis of Architecture-Aware Capacity Planning — IntechOpen.

• Richards, M., & Ford, N. (2020).
  Fundamentals of Software Architecture. O’Reilly Media.

• Lichtenthäler, R., Fritzsch, J., & Wirtz, G. (2023).
  Cloud-Native Architectural Characteristics and Their Impacts on Software Quality: A Validation Survey.

• Zhu, X. et al. (2023).
  Dissecting Overheads of Service Mesh Sidecars.

• Jamshidi, P., Ahmad, A., & Pahl, C. (2013).
  Cloud Migration Research: A Systematic Review.

• Gunther, N. (2010).
  Guerrilla Capacity Planning: A Tactical Approach to Planning for Highly Scalable Applications and Services.

• Amiri, M., & Mohammad-Khanli, L. (2017).
  Survey on Prediction Models for Cloud Resource Provisioning.

• Becker, S., Koziolek, H., & Reussner, R. (2011).
  Capacity Planning for Event-Based Systems Using Automated Performance Prediction..] 

From Cambridge to Recife: Investigating the Transferability of MIT’s Innovation Ecosystem to Emerging Markets

Área de Estudo

Ecossistemas de Inovação; Empreendedorismo Acadêmico; Transferência de Tecnologia; Governança Universitária; Educação Empreendedora.

Objetivo da Pesquisa

Investigar como os mecanismos institucionais, educacionais e culturais que estruturam o ecossistema de inovação do MIT podem ser analisados, comparados e adaptados a mercados emergentes, com foco no hub de inovação do Recife — Porto Digital e CESAR — a fim de identificar práticas transferíveis, limitações contextuais e oportunidades de convergência entre modelos de inovação.  

Linhas de Problemas de Pesquisa

1. Arquiteturas institucionais e governança da inovação

   • Problema: Quais componentes estruturais do ecossistema do MIT — como governança integrada entre universidade, mercado e governo — podem ser efetivamente adaptados ao contexto institucional brasileiro?

   • Justificativa: O MIT opera sob um modelo de coordenação madura (“triple helix”), enquanto ambientes emergentes sofrem com fragmentação institucional e menor continuidade de políticas. 

2. Educação empreendedora e formação de competências

   • Problema: Como elementos da educação empreendedora experiencial do MIT — interdisciplinaridade, prototipação contínua e aprendizagem baseada em experimentação — podem ser implementados em instituições brasileiras tradicionalmente conteudistas?

   • Justificativa: O distanciamento entre teoria e prática compromete a formação de competências empreendedoras essenciais à inovação sustentável. 

3. Transferência de tecnologia e papel dos docentes

   • Problema: De que forma o modelo de docentes do MIT — que atuam simultaneamente como pesquisadores e practitioners — influencia a criação de empresas e a disseminação de inovação, e como isso pode ser reproduzido em ecossistemas menos maduros?

   • Justificativa: A ausência de docentes com atuação híbrida limita a capacidade de transpor pesquisa aplicada para o mercado. 

4. Adaptação cultural e dinâmica de colaboração

   • Problema: Como diferenças culturais entre Cambridge e Recife influenciam a transferência de práticas de inovação, especialmente em dimensões como tolerância ao risco, colaboração interdisciplinar e criação de redes?

   • Justificativa: Ecossistemas de inovação dependem de cultura, incentivos e comportamentos coletivos — elementos que não se transferem mecanicamente. 

Algumas referências

1. Aulet, B. (2013).
   Disciplined Entrepreneurship: 24 Steps to a Successful Startup.

2. Murray, F. (2004).
   The role of academic inventors in entrepreneurial firms.

3. Roberts, E. B., Murray, F., & Kim, J. D. (2019).
   Entrepreneurship and innovation at MIT.

4. Etzkowitz, H. (2008).
   The Triple Helix: University-Industry-Government Innovation in Action.

5. Audretsch, D. B., & Feldman, M. P. (1996).
   Innovative clusters and the industry life cycle.

Algoritmos otimizados de escalonamento para Kubernetes: Uma revisão sistemática da literatura

Área de Pesquisa

Computação em Nuvem; Engenharia de Software; Sistemas Distribuídos; Cloud Native.

Objetivo da Pesquisa

Analisar criticamente os algoritmos de escalonamento otimizados propostos na literatura para Kubernetes, com foco em sua aplicabilidade, benefícios e desafios em diferentes contextos de uso, como computação geral, inteligência artificial e edge computing.

Linhas de Problemas de Pesquisa

1. Eficiência de algoritmos otimizados em ambientes reais

   • Problema: Como os algoritmos de escalonamento otimizados se comportam em ambientes de produção em comparação com os testes experimentais descritos na literatura?

   • Justificativa: A maioria dos estudos analisados foi conduzida em ambientes controlados, e há lacuna quanto à aplicabilidade prática e à escalabilidade dos algoritmos.

2. Escalonamento multicritério para ambientes heterogêneos

   • Problema: De que forma algoritmos multicritério podem melhorar a alocação de recursos em clusters heterogêneos (CPU/GPU, edge/cloud)?

   • Justificativa: Mapeamento de abordagens que incluem variáveis como uso de GPU, latência de rede e consumo energético, mas a eficácia combinada ainda é incerta.

3. Integração de técnicas de aprendizado de máquina em algoritmos de escalonamento

   • Problema: Quais modelos de aprendizado de máquina são mais eficazes na previsão de demanda e na adaptação dinâmica de escalonamento em clusters Kubernetes?

   • Justificativa: Muitos estudos usam LSTM, PSO ou modelos genéticos, mas faltam comparações sistemáticas sobre qual abordagem entrega melhor QoS e custo-benefício.

Algumas referências

1. Ahmed, G. et al. (2021).
   KubCG: A dynamic Kubernetes scheduler for heterogeneous clusters.
   Software: Practice and Experience, 51(2), 213–234.
   https://onlinelibrary.wiley.com/doi/abs/10.1002/spe.2898

2. Harichane, I.; Makhlouf, S. A.; Belalem, G. (2022).
   KubeSC-RTP: Smart scheduler for Kubernetes platform on CPU-GPU heterogeneous systems.
   Concurrency and Computation: Practice and Experience, 34(21), e7108.
   https://doi.org/10.1002/cpe.7108

3. Carvalho, M.; Macedo, D. F. (2023).
   Container Scheduling in Co-Located Environments Using QoE Awareness.
   IEEE Transactions on Network and Service Management, 20(3), 3247–3260.
   https://doi.org/10.1109/TNSM.2023.3244090

4. Chiang, M.-C. et al. (2023).
   Dynamic Resource Management for Machine Learning Pipeline Workloads.
   SN Computer Science, 4(5).
   https://doi.org/10.1007/s42979-023-02101-8

5. Menouer, T. (2021).
   KCSS: Kubernetes container scheduling strategy.
   Journal of Supercomputing, 77(8), 4267–4293.
   https://doi.org/10.1007/s11227-020-03427-3