Propostas de Temas para TCC 2026

Resumo: Com o crescente uso de dispositivos IoT em cidades inteligentes, surge a necessidade de gerenciar eficientemente os dados gerados por esses dispositivos sem comprometer a privacidade. O aprendizado federado, uma abordagem de aprendizado de máquina descentralizado, pode ser a chave para permitir a otimização de serviços públicos como iluminação pública, monitoramento de tráfego e segurança, sem a necessidade de centralizar os dados. Este trabalho investigaria a aplicação do aprendizado federado em uma rede de dispositivos IoT para otimizar o consumo de energia em sistemas de iluminação pública e a gestão do tráfego urbano, enquanto analisa os desafios regulatórios e de privacidade associados a políticas públicas de dados.

• Estudar como o aprendizado federado pode ser aplicado para melhorar a gestão de dados de IoT em cidades inteligentes.
• Propor uma solução de aprendizado federado para otimização de serviços públicos.
• Analisar as implicações de políticas públicas de proteção de dados na implementação dessa solução.

Resumo: A comunicação por luz visível (VLC) é uma tecnologia emergente que utiliza luz para transmitir dados, oferecendo uma alternativa eficiente para a conectividade em ambientes públicos. Esta tecnologia pode ser particularmente útil em áreas de baixa cobertura de rede ou em ambientes com alto tráfego de dados. O estudo propõe investigar a integração do VLC em redes IoT para melhorar a acessibilidade digital em espaços públicos como hospitais, escolas e áreas urbanas, com o objetivo de apoiar políticas públicas de inclusão digital e acessibilidade. A pesquisa abordaria a viabilidade técnica e regulamentar do VLC, além de sugerir modelos de implementação e integração com dispositivos IoT para otimizar os serviços públicos e sociais.

Objetivos:

• Investigar como a VLC pode ser integrada em redes IoT para melhorar a conectividade em ambientes públicos.
• Analisar os impactos dessa integração em políticas públicas de acessibilidade digital.
• Propor soluções para a implementação prática da tecnologia VLC com foco em inclusão digital.

Resumo: O monitoramento ambiental é um campo em que a IoT tem se mostrado altamente eficiente, com sensores distribuídos capazes de coletar dados em tempo real sobre a qualidade do ar, níveis de poluição, temperatura e umidade. No entanto, a centralização desses dados pode representar riscos de privacidade e segurança. O aprendizado federado surge como uma solução eficaz para permitir o treinamento de modelos de aprendizado de máquina sem a necessidade de compartilhar dados sensíveis. Este trabalho irá explorar o uso de aprendizado federado para otimizar sistemas de monitoramento ambiental em cidades, propondo soluções que preservem a privacidade dos dados e cumpram as regulamentações e políticas públicas ambientais.

Objetivos:

• Estudar o uso de aprendizado federado para análise e monitoramento de dados ambientais via IoT.
• Propor soluções para melhorar a eficácia dos sistemas de monitoramento em tempo real.
• Avaliar os desafios regulatórios e de privacidade em políticas públicas ambientais.

Resumo: A mobilidade urbana é um dos maiores desafios enfrentados pelas cidades modernas, com congestionamentos, poluição e ineficiência nos sistemas de transporte público. Tecnologias emergentes como IoT e VLC têm o potencial de transformar a mobilidade urbana, otimizando o tráfego, melhorando a comunicação entre veículos e pontos de transporte e aumentando a eficiência do uso de recursos. Este estudo irá investigar como IoT e VLC podem ser utilizados para implementar sistemas inteligentes de transporte (ITS) que melhorem a gestão do tráfego, a segurança e a acessibilidade, enquanto alinham-se com as políticas públicas de mobilidade urbana.

Objetivos:

• Analisar a integração de dispositivos IoT e VLC em sistemas inteligentes de transporte.
• Estudar como essas tecnologias podem ser utilizadas para otimizar o tráfego urbano e melhorar o transporte público.
• Avaliar as implicações de políticas públicas de mobilidade urbana na implementação dessas tecnologias.

Resumo: O monitoramento remoto de pacientes utilizando dispositivos IoT tem o potencial de transformar a saúde pública, permitindo o acompanhamento de condições de saúde em tempo real e a detecção precoce de doenças. Com o aprendizado federado, é possível treinar modelos de inteligência artificial que analisam os dados de saúde de forma descentralizada, preservando a privacidade do paciente. Este trabalho investigará como a combinação de IoT e aprendizado federado pode melhorar o monitoramento remoto de pacientes, apoiando políticas públicas de saúde digital e aumentando o acesso à saúde em áreas remotas ou com recursos limitados.

Objetivos:

• Estudar a integração de IoT e aprendizado federado em sistemas de monitoramento remoto de pacientes.
• Avaliar os impactos dessa abordagem em políticas públicas de saúde digital e acesso a cuidados médicos.
• Propor soluções para a implementação eficaz de sistemas de monitoramento remoto com foco em saúde pública.

Resumo: A VLC oferece uma solução inovadora para comunicação sem fio em ambientes fechados e públicos, utilizando luz visível para transmitir dados. Em ambientes urbanos, como aeroportos, estações de metrô e prédios públicos, o VLC pode ser usado para expandir a cobertura da rede de comunicação sem fio, especialmente em áreas densamente povoadas ou com alta demanda de conectividade. Este trabalho irá explorar como o VLC pode ser implementado em redes IoT para melhorar a conectividade e a comunicação em ambientes públicos, ao mesmo tempo em que analisa as implicações legais e regulamentares relacionadas ao uso de luz visível para transmissão de dados.

Objetivos:

• Investigar as vantagens e desafios da implementação de VLC em redes IoT em ambientes públicos.
• Analisar o impacto de políticas regulatórias sobre o uso de VLC em ambientes urbanos.
• Propor modelos de integração de VLC para melhorar a conectividade em espaços públicos.

Resumo: Este trabalho investiga como o aprendizado federado pode ser aplicado em dispositivos móveis na borda de redes ópticas, abordando a alocação eficiente de recursos e a otimização do tráfego de dados. A comunicação eficiente entre dispositivos móveis e a rede de borda é fundamental para melhorar o desempenho do aprendizado em tempo real, garantindo que os modelos possam ser treinados de maneira eficiente enquanto os dispositivos móveis se mantêm conectados e com mínima latência.

Objetivos:

• Analisar o impacto da latência e do tráfego de dados nas redes ópticas de borda em sistemas de aprendizado federado.
• Propor uma arquitetura de rede de borda otimizada para comunicação entre dispositivos móveis no aprendizado federado.
• Avaliar a eficiência de diferentes técnicas de alocação de recursos em redes ópticas para suportar aprendizado federado em múltiplos dispositivos móveis.
• Propor estratégias para reduzir o tráfego de dados entre dispositivos móveis e a borda para melhorar a eficiência do aprendizado.

Resumo: Este estudo foca na aplicação de redes ópticas para aumentar a resiliência de ambientes de aprendizado federado, especialmente em cenários onde falhas de clientes ou falhas de comunicação podem interromper o processo de treinamento. A pesquisa explora estratégias de proteção de caminhos dedicados em redes ópticas para garantir a continuidade do aprendizado federado, mesmo em situações de falhas de comunicação.

Objetivos:

• Investigar métodos de proteção de caminhos dedicados em redes ópticas para suportar a continuidade do aprendizado federado.
• Desenvolver um modelo de rede resiliente para aprendizado federado que minimize as falhas de comunicação e falhas de clientes.
• Avaliar o desempenho do aprendizado federado em redes ópticas com diferentes estratégias de proteção.
• Implementar mecanismos para recuperação de falhas em tempo real durante o processo de treinamento federado.

Resumo: Este trabalho examina como a latência nas redes ópticas de borda impacta o desempenho do aprendizado federado, com foco em reduzir essa latência para melhorar o tempo de treinamento dos modelos. Em cenários de aprendizado federado, a latência pode afetar a comunicação entre os dispositivos e a borda, retardando o processo de agregação dos modelos e a atualização dos pesos, o que pode prejudicar a eficiência do sistema.

Objetivos:

• Analisar como a latência nas redes ópticas de borda afeta o desempenho do aprendizado federado.
• Propor métodos para reduzir a latência em redes ópticas de borda sem comprometer a eficiência do sistema.
• Avaliar as métricas de desempenho do aprendizado federado em relação a diferentes níveis de latência nas redes de borda.
• Desenvolver algoritmos para otimizar a comunicação entre dispositivos e a borda, minimizando a latência.

Resumo: O estudo investiga como as redes ópticas inteligentes, com tecnologias como multiplexação espacial, espectral e modulação dinâmica, podem ser utilizadas para melhorar a comunicação entre os nós de borda em ambientes de aprendizado federado. A eficiência na troca de dados entre clientes e a borda é crucial para a otimização do treinamento dos modelos federados, permitindo o uso eficiente dos recursos disponíveis.

Objetivos:

• Investigar a aplicação de redes ópticas inteligentes para melhorar a comunicação em sistemas de aprendizado federado.
• Analisar como a multiplexação espacial e a modulação dinâmica podem otimizar a troca de dados entre dispositivos de borda.
• Propor um modelo de rede inteligente para suportar a comunicação em tempo real para aprendizado federado.
• Avaliar o impacto da eficiência espectral das redes ópticas inteligentes no desempenho do aprendizado federado.

Resumo: Este trabalho foca na utilização de redes ópticas de alta capacidade para suportar a crescente demanda de dados gerados por dispositivos IoT em ambientes de aprendizado federado. A integração das redes ópticas com o aprendizado federado pode proporcionar maior eficiência na alocação de largura de banda e recursos de rede, garantindo que os modelos sejam treinados de maneira eficiente, mesmo em cenários de alto volume de dados.

Objetivos:

• Explorar como redes ópticas de alta capacidade podem suportar o aprendizado federado em ambientes IoT.
• Propor modelos para a alocação eficiente de recursos em redes ópticas de borda para aprendizado federado.
• Analisar a escalabilidade do aprendizado federado em redes ópticas de alta capacidade.
• Avaliar o impacto de diferentes técnicas de comunicação sobre o desempenho do aprendizado federado em IoT.

Resumo: Este estudo investiga novos algoritmos de agregação para aprendizado federado que garantem o controle de qualidade de serviço (QoS) em redes ópticas de borda. O foco é garantir que o processo de agregação de modelos não seja prejudicado por variações na QoS, como latência e largura de banda, o que pode impactar negativamente a eficiência do aprendizado federado.

Objetivos:

• Desenvolver algoritmos de agregação eficientes para aprendizado federado em redes ópticas de borda.
• Garantir que os algoritmos de agregação mantenham a qualidade de serviço (QoS) durante o processo de comunicação.
• Estudar os efeitos de diferentes níveis de QoS sobre o desempenho do aprendizado federado.
• Propor soluções para mitigar problemas de QoS em redes de borda que afetam o treinamento de modelos.

Resumo: Este trabalho foca no gerenciamento dinâmico de recursos em redes ópticas de borda para suportar o aprendizado federado em cenários de alta mobilidade, como carros autônomos ou drones. A mobilidade constante dos dispositivos pode dificultar a alocação eficiente de recursos, o que demanda novas abordagens para garantir que o aprendizado federado seja realizado de maneira eficiente e resiliente.

Objetivos:

• Estudar o impacto da mobilidade dos dispositivos no gerenciamento de recursos em redes ópticas de borda para aprendizado federado.
• Propor métodos de gerenciamento dinâmico de recursos que adaptem a rede às mudanças de localização dos dispositivos móveis.
• Analisar a eficiência do aprendizado federado em ambientes de alta mobilidade.
• Avaliar o desempenho do modelo de aprendizado federado em cenários de mobilidade elevada e baixa.

Resumo: Este estudo investiga como a multiplexação espacial pode ser usada para acelerar a transmissão de dados entre os nós da borda em sistemas de aprendizado federado. O objetivo é reduzir o tempo de treinamento dos modelos federados ao otimizar a alocação de recursos e a comunicação, utilizando técnicas avançadas de multiplexação espacial em redes ópticas.

Objetivos:

• Analisar como a multiplexação espacial pode melhorar a eficiência da comunicação em aprendizado federado. Propor métodos para aplicar multiplexação espacial de forma eficaz em redes ópticas de borda para acelerar o aprendizado federado. Avaliar o impacto da multiplexação espacial no desempenho e tempo de treinamento de modelos federados. Estudar a integração de multiplexação espacial com outras técnicas de otimização de comunicação em redes de borda.