Como gerenciar de forma segura redes 5G/6G para otimizar o atendimento a requisitos de aplicações em sistemas inteligentes de transporte?

Fundamentos: simulação realística de redes veiculares

O ponto de partida foi entender como simular redes veiculares de forma fiel à realidade — com modelos de propagação de sinal, mobilidade de veículos e interferência. Publicado como capítulo de livro pela Springer, esse trabalho contribuiu para a compreensão dos fundamentos de simulação em redes veiculares.

Detectar congestionamentos com dados públicos

Usando dados de GPS dos ônibus do Rio de Janeiro (31 milhões de registros), selecionamos duas regiões com alto volume de tráfego — Lagoa Rodrigo de Freitas e Av. Ayrton Senna — e cruzamos os dados com registros de congestionamento publicados pela Prefeitura no X (antigo Twitter). Treinamos 6 classificadores de ML para detectar congestionamentos sem sensores dedicados.

A rede como sensor implícito

Descobrimos que mudanças no trânsito alteram o perfil de comunicação nos servidores de borda. Em vez de sensores caros, a própria rede de comunicação móvel pode funcionar como sensor implícito do contexto veicular — usando dados de telemetria já disponíveis na infraestrutura.

Um framework que prioriza o que importa

Construímos um framework baseado em SDN (Software-Defined Networking — redes de comunicação definidas por software), uma tecnologia que permite programar e reconfigurar a rede de forma centralizada e dinâmica. O framework organiza a rede em fatias dedicadas para cada tipo de aplicação (segurança, eficiência, entretenimento). Quando o trânsito muda, os algoritmos de controle redistribuem recursos automaticamente. Cenário com 158 veículos em emulação realística.

AIMS: classificar impacto antes que o problema aconteça

Criamos o AIMS (Adaptive and Intelligent Management of Slicing — Gerenciamento Adaptativo e Inteligente de Fatias) — um sistema que analisa telemetria da rede em tempo real e classifica o impacto sobre as fatias ativas em 4 níveis: Adequado, Alerta, Severo e Crítico. Em vez de esperar a rede falhar, o AIMS antecipa a degradação e fornece sinais para que reconfigurações proativas possam ser acionadas antes que o problema afete o usuário. A validação experimental concentrou-se na função de classificação de impacto das políticas de fatiamento da rede.

Aprendizado distribuído: cada ponto de acesso aprende localmente

Centralizar dados de todas as RSUs (Road-Side Units — unidades de borda instaladas ao longo das vias, que conectam veículos à rede) é caro e compromete privacidade. Com aprendizado federado, cada RSU treina com seus próprios dados e compartilha apenas o que aprendeu — não os dados brutos. Testamos com 3 RSUs ao longo de um corredor urbano, em cenários com dados heterogêneos entre os pontos.

Segurança da informação: proteger a inteligência distribuída

A distribuição do treinamento cria uma nova superfície de ataque: um nó comprometido pode executar envenenamento de modelo (model poisoning) combinando label-flipping direcionado com amplificação de gradientes. Na prática, o atacante manipula o classificador para que situações críticas sejam classificadas como normais — suprimindo todas as ações de resposta para aplicações safety-critical.

Diagnosticamos a vulnerabilidade em 144 configurações experimentais (3 arquiteturas neurais × 6 estratégias de agregação × múltiplos fatores de ataque) e avaliamos defesas de agregação Bizantino-robusta (Krum e Trimmed Mean). O resultado: sem defesa, a taxa de misclassificação atinge 100%; com Krum, cai a zero — demonstrando que a segurança da camada de agregação é requisito para implantação segura de IA distribuída em infraestrutura crítica.