Neste projeto serão explorados e implementados algoritmos de IA Multiview que tenham a capacidade de gerar níveis de incerteza em suas previsões de tal forma que seja possível quantificar o quão confiável é uma determinada previsão. Dessa forma, caso se saiba que uma previsão não é confiável, um especialista pode ser notificado para tomar a decisão final. Algoritmos de IA multiview com quantificação de confiabilidade serão testados em diferentes cenários relevantes para sistemas ISP, IXP e IoT, incluindo detecção de anomalias e ataques a dispositivos. Especificamente, buscaremos combinar características específicas de protocolo, estatísticas baseadas em fluxos, conteúdos e comportamentos em nível de pacote, com o objetivo de construir representações multivisualização mais eficientes e discriminativas para tarefas de aprendizagem supervisionada.
O projeto RedLLM-Integrator propõe uma solução para fortalecer as capacidades dos Centros de Operações de Segurança (SOCs) na América Latina através da integração progressiva e ética de ferramentas explicativas de inteligência artificial em seus processos existentes. Em vez de treinar um novo modelo do zero – o que implica custos elevados, dependência tecnológica e conhecimento avançado em infraestrutura de IA – a proposta centra-se em aproveitar arquiteturas já estabelecidas, como Retrieval-Augmented Generation (RAG) e Large Language Models (LLMs) pré-treinados para apoiar a simulação ofensiva, a identificação de vulnerabilidades e a geração de recomendações compreensíveis em ambientes de segurança digital.
Diversos projetos de pesquisa e desenvolvimento tecnológico são baseados em técnicas de Inteligência Artificial (IA), modelos estatísticos, mineração de dados, dente outros. Estas abordagens necessitam de dados a fim de subsidiar a implementação das soluções tecnológicas. Dentro desse contexto, este projeto visa desenvolver uma plataforma para disponibilização de dados para pesquisa e desenvolvimento tecnológico. Adicionalmente, esta solução será integrada com um ambiente de nuvem, habilitando uma maior capacidade de recursos computacionais (armazenamento e processamento) e disponibilidade. Portanto, o projeto terá as seguintes atividades: (I) Revisão sistemática das leis de privacidade e implementação de técnicas de anonimização; (II) Desenvolvimento de uma API para recepção dos dados; (IV) Realização a anonimização dos dados; (V) Disponibilização dos dados anonimizados em uma plataforma aberta; e, (VI) Implantar a solução em ambiente de nuvem.
O “Laboratório de Internet em Cartagena Rural” é uma iniciativa piloto da Aditum, ISA Impact, o Programa de Inovação de Impacto da ISA Intercambio Eléctrica S.A. E.S.P. e Airband (programa de RSE da Microsoft) com o objetivo de eliminar a exclusão digital na América Latina, onde mais de 80 milhões de pessoas em áreas rurais não têm acesso à Internet fixa, limitando drasticamente o seu desenvolvimento humano e, em particular, as possibilidades de mobilidade social.
O “Laboratório de Internet em Cartagena Rural” é nosso piloto na comunidade de Arroio Grande, Cartagena de Indias, onde conseguimos conectar com sucesso mais de 300 residências e diversas instituições, incluindo 3 instituições de ensino, 4 postos de saúde e cerca de 30 comércios e empreendimentos. Esta implantação permitiu-nos validar a viabilidade técnica e económica das nossas hipóteses, bem como a sua capacidade de gerar um impacto tangível na qualidade de vida, na educação, nas oportunidades económicas e na superação da pobreza nas comunidades beneficiadas. Graças a isso, o laboratório de internet em Cartagena Rural se posiciona como um catalisador para a inclusão digital sustentável e escalável na região.
Este projeto propõe avaliar a viabilidade, o impacto no desempenho e as boas práticas para a integração de algoritmos pós-quânticos nos protocolos DNSSEC e TLS, dois pilares fundamentais da segurança da Internet. O DNSSEC será o foco principal, uma vez que emprega intensivamente criptografia de chave pública para a assinatura digital das respostas DNS, sendo um excelente cenário para medir os efeitos práticos da adoção da PQC em larga escala. O projeto também investigará o uso de algoritmos pós-quânticos no handshake do protocolo TLS, que utiliza criptografia de chave pública para o intercâmbio de chaves e a autenticação de servidores. A metodologia do projeto combinará simulações computacionais e a montagem de redes físicas protótipo, incluindo dispositivos de Internet das Coisas (IoT), para avaliar o impacto da PQC em cenários com restrições de recursos. Métricas como latência, throughput, consumo de CPU e memória serão monitoradas para quantificar os efeitos da adoção dos novos algoritmos.
Este projeto busca identificar, mapear e analisar infraestrutura maliciosa ativa na América Latina, com foco em servidores de comando e controle (C2) ligados a malware e ameaças cibernéticas. Através de uma combinação de técnicas automatizadas e análise manual utilizando ferramentas como Shodan e Censys, serão recolhidos indicadores de compromisso (IOC), impressões digitais e dados de rede para permitir que esses servidores sejam localizados em cinco países-chave da região. O objetivo é obter uma visão técnica do cenário de ameaças latino-americano, identificar tendências por país, ASN ou ISP e compreender melhor a superfície de ataque em nossas redes. O projeto irá gerar uma metodologia replicável, um relatório técnico de resultados e um workshop aberto para laboratórios de ameaças e comunidades técnicas na região, promovendo a investigação local e capacidades de monitorização. Todo o trabalho será desenvolvido pela equipe ZoqueLabs, que possui experiência em ameaças digitais, OSINT e análise de infraestrutura.
Para melhorar a segurança das redes definidas por software, uma das abordagens mais utilizadas tem sido o desenvolvimento de sistemas de detecção de intrusão (IDS) baseados em aprendizado de máquina (ML) e modelos de aprendizado profundo (DL) que são implantados no plano de controle. Porém, dada a forma de funcionamento desta abordagem, que é reativa e depende do envio de informações dos dispositivos do plano de dados para o plano de controle, são geradas limitações na escalabilidade da solução.
Apesar das vantagens que a programabilidade do plano de dados oferece para detecção de anomalias usando modelos ML/DL, a implementação desta abordagem não é trivial. Os switches programáveis enfrentam desafios devido às suas restrições de memória e capacidades de processamento e armazenamento. Por isso, os modelos implementados no plano de dados devem atender à condição de terem baixo consumo de recursos computacionais, mantendo alta precisão na detecção de anomalias. Como abordagem para enfrentar os desafios representados por essas limitações, foi recentemente proposta a utilização do chamado Tiny Machine Learning – TinyML. TinyML é um paradigma que facilita o uso de ML em dispositivos com processamento limitado e baixa capacidade de memória.
Este projeto propõe a implementação de técnicas de ML/DL compactadas desenvolvidas utilizando TinyML para a detecção de ataques DoS e DDoS em switches programáveis de uma rede definida por software. O objetivo é validar o funcionamento dessas técnicas de ML/DL no plano de dados, comparando métricas como precisão na detecção de anomalias e consumo de recursos nos switches.
A denegação de serviço distribuída (DDoS) é uma ameaça frequente às redes de computadores devido à interrupção dos serviços que oferecem. Essa interrupção resulta em instabilidade e/ou inoperabilidade da rede. Existem diferentes tipos de ataques DDoS, cada um com um modo de operação diferente, de modo que sua detecção se tornou uma tarefa difícil para sistemas de monitoramento e controle de redes.
O empilhamento conjunto de modelos de Aprendizado de Máquina (ML) consiste no estabelecimento de uma arquitetura de duas camadas, onde a camada 0 (modelos base) consiste em dois ou mais algoritmos de aprendizagem diferentes que são treinados com o mesmo conjunto de dados, e uma camada 1 (metamodelo), que é treinado da melhor forma a partir das previsões dos modelos base para estabelecer a previsão final.
Este trabalho baseia-se na exploração e seleção de um conjunto de dados que representa eventos de ataque DDoS e na realização do seu tratamento numa fase de pré-processamento, resultando em conjuntos de dados de treino, validação e teste. Posteriormente, na camada 0, serão criadas instâncias de um conjunto de modelos de ML para treiná-los, uma vez treinados, as previsões são feitas no conjunto de validação. Finalmente, os modelos básicos fazem previsões sobre o conjunto de dados de teste. Essas previsões alimentam o metamodelo para fazer as previsões finais e, consequentemente, obter as métricas do modelo joint stacked, como exatidão, precisão, recall, pontuação F1, matriz de confusão e ROC-AUC, entre outras. Ao longo do treinamento dos modelos serão testadas diferentes configurações e escolhidos os hiperparâmetros que apresentarem melhor resultado com base nas métricas propostas.
InteliGente é uma iniciativa inovadora dedicada a integrar IA na educação, promovendo a equidade e personalizando experiências de aprendizagem para diversas necessidades dos alunos. Ao capacitar os estudantes para desenvolverem soluções de IA para o bem social, estamos a promover a educação, a democratizar a IA e a abordar as disparidades no acesso à tecnologia, especialmente em regiões como o Sul Global. A principal inovação do projeto reside na integração de metodologias ativas de aprendizagem com foco em IA.
Adicionalmente, o projeto aplica uma abordagem de aprendizagem baseada em problemas, onde os alunos são desafiados a desenvolver soluções de IA para problemas reais, promovendo a aprendizagem prática e aplicando conhecimentos teóricos. Este método melhora a compreensão dos alunos sobre IA e desenvolve habilidades cruciais, como pensamento crítico, resolução de problemas e trabalho em equipe. As principais competências desenvolvidas no projeto incluem argumentação, comunicação, conhecimento, empatia, planejamento, organização, trabalho em equipa, responsabilidade, cidadania e pensamento científico, crítico e criativo. Além disso, o InteliGente visa incentivar os participantes a desenvolver soluções que se alinhem com os Objetivos de Desenvolvimento Sustentável (ODS), como (ODS 3) Boa saúde e bem-estar; (ODS 4) Educação de qualidade; (ODS 5) Igualdade de género; (ODS 10) Redução das desigualdades; e (ODS 13) Ação Climática.
PSYDEH trabalha com mulheres rurais e indígenas na região de Sierra Otomí-Tepehua-Nahua, em Hidalgo, onde enfrentam sérios desafios socioeconômicos. A PSYDEH implementa atualmente dois programas de campo interligados. A Rede Sierra Madre é um programa cooperativo de incubação e escola de liderança comunitária. Tech for All é um programa de inclusão digital que aborda as disparidades socioeconómicas no acesso à eletricidade, tecnologia e ferramentas online nas comunidades isoladas onde trabalhamos.
Neste contexto, a PSYDEH propõe um projecto que se baseia na nossa programação central que liga o empoderamento económico das mulheres à inclusão digital para aumentar a capacidade dos membros de utilizarem ferramentas da Internet para desenvolverem, comercializarem e venderem os seus têxteis e conceberem uma rota turística sustentável que proporcione serviços económicos e benefícios sociais para a região. As principais atividades do projeto incluem a construção de dois centros de recursos digitais adicionais na região, a realização de oficinas básicas de habilidades em TI e um curso intensivo de empreendedorismo digital com duração de dois meses, o apoio às cooperativas no desenvolvimento de estratégias de marca e marketing, e o desenvolvimento de uma plataforma regional de vendas on-line onde as mulheres podem vender seus produtos. Envolvem também a promoção online de uma rota piloto de turismo sustentável e a expansão dessa rota através da utilização de sistemas de pagamento online, software de design digital e marketing nas redes sociais.