DSpace Collection:https://repositorio.ufu.br/handle/123456789/179032026-08-28T05:37:54Z2026-08-28T05:37:54ZSistema agroclimático para previsão de safras para pequenos e médios agricultoreshttps://repositorio.ufu.br/handle/123456789/498652026-08-27T06:21:30Z2026-07-23T00:00:00ZTitle: Sistema agroclimático para previsão de safras para pequenos e médios agricultores
Abstract: This work presents PredAgro, a web platform designed to support the agricultural planning of small and medium-sized producers, with a focus on climate risk analysis and productivity estimation. The proposal stems from the need to offer an accessible, explainable, and low-cost solution capable of integrating agrometeorological data, rural property records, and crop-specific agronomic rules. The solution was developed with a React front-end, Node.js back-end, and Firebase persistence, utilizing Firestore for storage and Firebase Authentication for user access. For the climate component, queries were integrated with Open-Meteo—a free, opensource platform for short-term weather forecasting and historical series. In the platform, short-term forecasting supports the field weather view, while agricultural planning uses historical climatology as the basis for the analyzed cycle. The system implements farm and plot registration, geographic mapping, planning by crop and period, risk assessment by category, and the generation of an estimated productivity range. The results demonstrate that the platform produces consistent analyses according to the provided climate scenario, indicating increased risk and reduced estimated productivity in adverse situations, such as drought or intense rainfall, and greater stability in conditions closer to ideal cultivation ranges (according to the specific crop). It is concluded that the proposal fulfills the objective of offering a functional basis for decision support in the agricultural context through an agroclimatic system based on agronomic rules, crop parameters, and historical climatology for planning. Short-term weather forecasting is used only for the field weather view, while the planning report relies entirely on historical climatology.2026-07-23T00:00:00ZSeleção de atributos para monitoração de Cloud-Networks: uma Análise do compromisso entre desempenho preditivo e complexidade computacionalhttps://repositorio.ufu.br/handle/123456789/496842026-08-20T06:25:05Z2026-03-27T00:00:00ZTitle: Seleção de atributos para monitoração de Cloud-Networks: uma Análise do compromisso entre desempenho preditivo e complexidade computacional2026-03-27T00:00:00ZRelatório técnico profissional - gestão de projetos ágeis no mercado de trabalhohttps://repositorio.ufu.br/handle/123456789/496482026-08-19T06:23:08Z2026-04-30T00:00:00ZTitle: Relatório técnico profissional - gestão de projetos ágeis no mercado de trabalho2026-04-30T00:00:00ZA hybrid CNN-LSTM architecture for malware behavioral analysis via API call sequenceshttps://repositorio.ufu.br/handle/123456789/496172026-08-19T06:21:00Z2026-05-06T00:00:00ZTitle: A hybrid CNN-LSTM architecture for malware behavioral analysis via API call sequences
Abstract: A detecção e classificação de softwares maliciosos através da análise comportamental de chamadas de Interface de Programação de Aplicações (API) permanece um desafio proeminente na cibersegurança. No entanto, a complexidade estrutural das ameaças modernas e o imenso ruído semântico embutido em longas sequências de execução frequentemente dificultam a precisão dos modelos preditivos tradicionais. Redes neurais puramente recorrentes, como as arquiteturas base Long Short-Term Memory (LSTM), frequentemente sofrem com a saturação do gradiente contextual e severos erros de classificação cruzada ao processar essas sequências não filtradas, particularmente em conjuntos de dados que exibem assimetria estrutural inerente. Para solucionar esse déficit representacional, esta pesquisa propõe e avalia empiricamente uma arquitetura híbrida de aprendizado profundo (CNN-LSTM) para a categorização multiclasse de malwares. O modelo proposto integra Redes Neurais Convolucionais 1D (CNN) como uma fase preliminar de filtragem espacial para extrair assinaturas comportamentais localizadas (n-gramas), seguidas por um bloco LSTM Bidirecional (Bi-LSTM) para mapear a narrativa temporal da execução. Além disso, uma penalização algorítmica de pesos de classe é aplicada para otimizar o aprendizado em famílias sub-representadas e altamente complexas. A avaliação experimental, comparada a um modelo de referência LSTM de camada única rigorosamente replicado, demonstra a superioridade arquitetural da abordagem híbrida. A CNN-LSTM alcançou uma acurácia global de 67,1% — superando o teto de 61,0% da linha de base — enquanto reduziu drasticamente o tempo de treinamento computacional de 407 minutos para apenas 12,4 minutos. Ao isolar efetivamente o ruído semântico, a extração de características espaciais
gerou melhorias relativas substanciais no F1-Score em famílias complexas, como Dropper (+31,9%) e Vírus (+21,9%). Estas descobertas empíricas validam de forma definitiva que a redução da dimensionalidade espacial prévia à inferência temporal previne a saturação da memória, estabelecendo a hibridização CNN-LSTM como um paradigma altamente viável, computacionalmente eficiente e robusto para a classificação de ameaças em cenários reais.2026-05-06T00:00:00Z