https://hdl.handle.net/ripcmb/30252 Wed, 01 Apr 2026 18:44:03 GMT 2026-04-01T18:44:03Z https://hdl.handle.net/ripcmb/848015 Título: Governança de dados em Sistemas-de-Sistemas por meio de dados de proveniência Autor(es): Almeida, Jessica Louise Monçôres de Abstract: The growing use of Systems of Systems (SoS), characterized by the integration of autonomous systems that cooperate to achieve superior capabilities, has created new challenges in data governance, especially in complex and distributed contexts. The main difficulty lies in data traceability, quality, and integrity. Since information generated by one system is often reused by others, the absence of effective control mechanisms compromises the reliability and auditability of the data life cycle. In this context, this dissertation pro- poses the PROVGov-SoS approach as a solution based on provenance data management, with the goal of structuring the information flow among systems so as to make the origin and transformations of data visible through the capture, persistence, and querying of provenance data modeled according to the W3C PROV standard. By enabling users and agents to understand the information life cycle, PROVGov-SoS strengthens transparency, accountability, and data security in interconnected environments. The approach was eva- luated through a feasibility study in a real SoS, and the results demonstrated its ability to provide explanatory views of data flows, support the analysis of information trajectories, and facilitate the identification of inconsistencies. Descrição: O crescimento do uso de Sistemas-de-Sistemas (SoS), caracterizados pela integração de sistemas autônomos que cooperam para alcançar capacidades superiores, tem gerado novos desafios na governança de dados, especialmente em contextos complexos e distribuídos. A principal dificuldade reside na rastreabilidade, qualidade e integridade dos dados. Uma vez que informações geradas por um sistema são frequentemente reutilizadas por outros, a ausência de mecanismos eficazes de controle compromete a confiabilidade e a auditoria do ciclo de vida dos dados. Nesse contexto, esta dissertação propõe a abordagem PROVGov-SoS como uma solução baseada na gerência de dados de proveniência, com o objetivo de estruturar o fluxo informacional entre os sistemas de modo a tornar visível a origem e as transformações dos dados, por meio da captura, persistência e consulta a dados de proveniência modelados conforme o padrão W3C PROV. Ao permitir que usuários e agentes compreendam o ciclo de vida da informação, a PROVGov-SoS fortalece a transparência, a responsabilização e a segurança dos dados em ambientes interconectados. A abordagem foi avaliada por meio de um estudo de viabilidade em um SoS real e os resultados demonstraram sua capacidade de oferecer visões explicativas sobre o fluxo de dados, apoiar a análise da trajetória das informações e facilitar a identificação de inconsistências. Tipo: masterThesis Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/ripcmb/848015 2025-01-01T00:00:00Z https://hdl.handle.net/ripcmb/847947 Título: Detecção de adulteração de identificador em dados AIS: um método utilizando previsão de trajetórias e classificação Autor(es): Ramos, Julio Cesar Medeiros dos Anjos Descrição: Os sistemas de monitoramento marítimo são amplamente utilizados por autoridades em todo o mundo, com objetivos que vão desde a segurança da navegação até o combate a crimes como o tráfico internacional de drogas. Esses sistemas processam grandes volumes de informações obtidas por diversos sensores e embarcações, o que torna inviável a análise manual por operadores humanos. Por isso, algoritmos computacionais são essenciais para automatizar o processamento e a interpretação desses dados. Na última década, técnicas de aprendizado de máquina têm sido amplamente adotadas para melhorar ainda mais esses sistemas. Cientes da existência do monitoramento, embarcações envolvidas em atividades ilícitas frequentemente adulteram suas identificações ou interrompem temporariamente a transmissão dos dados do sistema Automatic Identification System (AIS), visando enganar os sistemas de vigilância e ocultar suas atividades. Neste contexto, este trabalho propõe uma solução baseada em dados AIS para detectar embarcações que adulteraram suas identificações e estimar suas trajetórias reais. A abordagem proposta é dividida em duas etapas principais. Na primeira, utiliza-se um algoritmo de Deep Learning para prever as trajetórias das embarcações. Na segunda etapa, algoritmos de classificação (Random Forest, SVM e um método desenvolvido pela Marinha do Brasil) são empregados para determinar se trajetórias associadas a identificadores diferentes correspondem, na verdade, a uma mesma embarcação. A solução foi validada usando cinco conjuntos de dados distintos, provenientes de regiões geográficas variadas, permitindo uma avaliação abrangente do desempenho das técnicas propostas. Tipo: masterThesis Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/ripcmb/847947 2025-01-01T00:00:00Z https://hdl.handle.net/ripcmb/847900 Título: Avaliação de desempenho de algoritmos de criptografia pós-quântica em sistemas de votação pela internet Autor(es): Oliveira, Rafael da Silva Descrição: A evolução das tecnologias da informação e comunicação tem impactado significativamente os processos eleitorais, impulsionando a adoção de sistemas eletrônicos de votação. A proteçãodosdadosnessecontextodependeamplamentedousodacriptografia.Noentanto, a segurança desses sistemas é uma preocupação crescente, especialmente diante do avanço da computação quântica, que ameaça os algoritmos criptográficos clássicos. Nesse cenário, este trabalho propõe utilizar algoritmos resilientes a ataques quânticos para garantir os requisitos de autenticidade, confidencialidade, integridade e anonimato durante as fases de votação e apuração de um sistema de votação online. Para verificar a viabilidade dessa proposta, são analisadas diferentes abordagens criptográficas, incluindo esquemas de criptografia homomórfica, funções de hash e assinaturas digitais. Além disso, é realizada uma simulação computacional para avaliar o desempenho dos algoritmos utilizados e sua aplicabilidade em eleições de grande escala. Os resultados obtidos demonstram que a solução proposta pode atender as demandas de segurança pós-quântica, preservando a confiabilidade e a transparência do processo eleitoral. Dessa forma, este estudo contribui para o avanço de novas abordagens criptográficas que garantam a segurança do voto eletrônico diante da iminente evolução dos computadores quânticos. Tipo: masterThesis Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/ripcmb/847900 2025-01-01T00:00:00Z https://hdl.handle.net/ripcmb/847896 Título: Estudo do uso de inteligência artificial na análise de inquéritos sobre acidente ou fatos da navegação Autor(es): Costa, Josimar Canejo Descrição: Diversas estratégias podem ser adotadas para melhorar os serviços prestados pelo Tribunal Marítimo, como o uso de ferramentas de gestão de processos para organizar, controlar e otimizar fluxos de trabalho; e da aplicação de Inteligência Artificial (IA) na automatização de tarefas burocráticas, como triagem de inquéritos, análise de documentos e classificação de dados, reduzindo prazos e aumentando a eficiência organizacional. Além disso, a IA possibilita a análise de grandes volumes de dados, identificando padrões e gerando insights que orientam decisões mais precisas. Essa tecnologia permite que os servidores se dediquem a atividades estratégicas, como a avaliação de casos complexos, tornando o TM mais ágil, transparente e eficiente, alinhado às necessidades de uma administração pública moderna. Desta forma, o presente projeto de pesquisa tem como objetivo principal estudar o uso da IA na análise de Inquéritos Sobre Acidentes ou Fatos da Navegação (IAFN), visando à otimização do processo atual. O trabalho busca explorar como a IA pode automatizar atividades burocráticas, como a triagem, análise de documentos e identificação de erros nas informações dos inquéritos. Tipo: masterThesis Sat, 01 Mar 2025 00:00:00 GMT https://hdl.handle.net/ripcmb/847896 2025-03-01T00:00:00Z