• Informações do Trabalho

Titulo Aprendizado Federado Hierárquico na Camada Fog Subtítulo Uma abordagem Edge–Fog–Cloud para eficiência de comunicação Autor RODRIGO CAMPOS FIGUEIREDO Orientador VICTOR STROELE DE ANDRADE MENEZES Resumo O crescimento de dispositivos conectados à Internet das Coisas tem ampliado a coleta e o processamento de dados sensíveis, especialmente em aplicações de saúde digital e monitoramento contínuo. Modelos tradicionais de aprendizado de máquina, baseados em processamento centralizado na nuvem, apresentam limitações relacionadas à privacidade, à latência e ao custo de comunicação. Nesse contexto, o Aprendizado Federado surge como uma abordagem capaz de treinar modelos de forma distribuída, mantendo os dados brutos nos dispositivos de origem. Entretanto, a comunicação direta entre múltiplos clientes e um servidor central ainda pode gerar gargalos e manter elevada dependência da camada Cloud. Este trabalho propõe, implementa e avalia uma arquitetura de Aprendizado Federado Hierárquico baseada no paradigma Edge–Fog–Cloud, na qual a camada Fog realiza agregação parcial de modelos, mantém modelos regionais e reduz a comunicação direta entre os dispositivos Edge e a Cloud. O protótipo foi desenvolvido com Python, PyTorch, FastAPI e Docker, considerando cenários centralizado, federado plano e federado hierárquico. Os experimentos avaliaram acurácia, perda, tempo de execução, rounds até convergência e volume de comunicação entre as camadas. Os resultados indicaram que a arquitetura hierárquica preservou desempenho preditivo comparável ao do Aprendizado Federado plano, com acurácia final de 0,9000 no cenário hierárquico, 0,8800 no plano e 0,8800 no centralizado, valores próximos entre si em um conjunto de teste temporalmente disjunto do treino, ao mesmo tempo em que reduziu em 75% o tráfego direto com a Cloud. Como o rótulo de estresse foi derivado de uma das variáveis de entrada e a avaliação não contou com anotação clínica, a acurácia reflete a recuperação dessa regra pelo modelo e não a detecção clínica de estresse, de modo que a comparação entre cenários sustenta a viabilidade arquitetural, e não uma medida de capacidade diagnóstica. Assim, os resultados demonstram que a camada Fog pode atuar como componente ativo no treinamento federado, contribuindo para maior eficiência de comunicação e para a preservação dos dados brutos nos dispositivos de origem. Palavras-Chave Aprendizado Federado; Camada Fog; Arquitetura Edge-Fog-Cloud