Banca de QUALIFICAÇÃO: ALEXANDRE TAMBRA CARMO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : ALEXANDRE TAMBRA CARMO
Data: 21/08/2026
HORA: 09:00
LOCAL: https://conferenciaweb.rnp.br/webconf/gustavo-11
TÍTULO:

Detecção e Classificação Multiclasse de Falhas em Redes Ópticas Utilizando Machine Learning e Engenharia de Features de Séries Temporais

 

PÁGINAS: 40
RESUMO:

A gerência de falhas é uma função crítica em redes de comunicação óptica, pois a operação com margens reduzidas para maximizar a utilização de recursos aumenta o risco de degradações graduais (soft failures) evoluírem para falhas abruptas (hard failures). Este trabalho de qualificação propõe uma metodologia de detecção e classificação multiclasse de falhas em redes ópticas baseada em aprendizado de máquina e engenharia de features de séries temporais. Três conjuntos de dados heterogêneos de telemetria óptica (falhas abruptas, falhas suaves e qualidade de transmissão de lightpaths) foram unificados, tratados por imputação iterativa (MICE) e ampliados por técnicas de aumento de dados (SMOTE e ruído gaussiano), resultando em uma base de 5.000.000 de amostras rotuladas em quatro classes: operação normal, falha de laser de cavidade externa (ECL), falha de amplificador a fibra dopada com érbio (EDFA) e degradação por interferência não linear (NLI). Ressalta-se que, nesta etapa da pesquisa, uma parcela expressiva dessa base é constituída por dados simulados (gerados por aumento de dados), ao passo que uma base de telemetria real encontra-se em construção para, progressivamente, substituir a porção sintética. A partir de sete grandezas físicas brutas, foram derivadas 100 features temporais (janelas deslizantes, atrasos, tendências e codificação cíclica de tempo), das quais 50 foram selecionadas por importância. Quatro modelos foram comparados: Random Forest, Random Forest com seleção de features, um modelo otimizado por AutoML (LightGBM) e uma rede neural recorrente LSTM. O melhor resultado foi obtido pelo Random Forest com features selecionadas, com F1-Score macro de 0,9624, confirmado por validação cruzada estratificada de cinco dobras (desvio padrão de 0,0001). A análise de importância de features e os valores SHAP revelaram que as grandezas de potência óptica (potência do lightpath e corrente do laser) foram os preditores mais discriminantes, contrariando o padrão da literatura de detecção binária, em que a taxa de erro de bit (BER) costuma dominar. Os resultados parciais demonstram a viabilidade da abordagem e apontam direções para a consolidação da dissertação.

 

MEMBROS DA BANCA:
Presidente - Interno ao Programa - 2566275 - GUSTAVO SOUSA PAVANI
Membro Titular - Examinador(a) Interno ao Programa - 1603840 - JOAO HENRIQUE KLEINSCHMIDT
Membro Titular - Examinador(a) Interno ao Programa - 1669196 - LUIZ HENRIQUE BONANI DO NASCIMENTO
Membro Suplente - Examinador(a) Interno ao Programa - 2196309 - CARLOS ALBERTO KAMIENSKI