Explorando Sistemas Descentralizados de Qualidade de Experiência com Preservação de Privacidade

• Processo: 24/19769-7
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de maio de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Jó Ueyama
• Beneficiário: Rodrigo Dutra Garcia
• Supervisor: Bhaskar Krishnamachari
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Southern California (USC), Estados Unidos
• Vinculado à bolsa: 23/15919-1 - Investigando Estratégias de Segurança e Privacidade em Redes 6G por meio de Mecanismos de Governança Baseados em Blockchain, BP.DR
• Assunto(s): Blockchain Privacidade Segurança
• Palavra(s)-Chave do Pesquisador: Blockchain | privacidade | Qualidade de Experiência | 6G | Segurança

Resumo

O desenvolvimento das redes 6G apresentará desafios significativos para garantir a privacidade dos dados e manter uma alta Qualidade de Experiência (QoE) para os usuários. Embora essenciais para a tomada de decisões, os modelos de aprendizado de máquina centralizados apresentam riscos de segurança devido à necessidade de processar dados sensíveis em servidores centrais. Além disso, esses modelos carecem de transparência, dificultando a compreensão das experiências de outros usuários e impedindo que os provedores de serviços entendam a QoE geral e as condições da rede. Essa falta de transparência pode prejudicar a confiança e dificultar os esforços para melhorar a qualidade do serviço. Esta pesquisa propõe um sistema descentralizado baseado em blockchain que permite aos usuários contribuir ativamente para melhorar o sistema de QoE, protegendo dados sensíveis dentro de uma infraestrutura publicamente transparente. Adicionalmente, esta pesquisa explorará abordagens de aprendizado descentralizado para treinar modelos de aprendizado de máquina em dados de QoE distribuídos, garantindo que a privacidade do usuário seja mantida durante todo o processo.