Pesquisa de Doutorado

Transpilação semântica de infraestrutura multicloud

Pipeline: extração via boto3 → ontologia OWL/RDF específica do provedor → tradução via um "pivot" ontológico agnóstico de provedor (com anotações de fidelidade exata/aproximada/perdas, não equivalência ingênua) → geração de Terraform executável no provedor de destino.

Ataca o vendor lock-in técnico de infraestrutura brownfield (já implantada) — a maior parte da literatura trata só de taxonomia ou casos greenfield/par-a-par.
Achado central: adicionar um 4º provedor de nuvem (Oracle Cloud) ao núcleo semântico exigiu zero linhas de código, habilitando as 12 direções de tradução possíveis — evidência empírica de custo de manutenção N+M em vez de N×(N−1).
Validado com contas reais AWS e GCP (não só sintético): 12/12 células de tradução passam em determinismo, compilabilidade e preservação de intenção.
Ferramenta própria (AWSEXTRACTOR): ~173 arquivos Python, ~85 módulos de extração, GUI PyQt5 + CLI.

AWS (boto3) GCP Azure OWL/RDF Terraform

O custo de transcodificação de vídeo multicloud

Mais de 600 encodes H.265 controlados em AWS + GCP, 2 regiões cada, 4 famílias de CPU (Intel e ARM), medindo custo-por-minuto-de-vídeo em qualidade perceptual igual (VMAF), não em bitrate/configuração igual.

Achado central, com nome próprio — o "Distribution-Encoder Tax": o build do libx265 empacotado nas distros Linux fica anos atrás do projeto upstream. Recompilar do código-fonte corta o tempo de encode HEVC em 4,92× no AWS Graviton3 e 4,72× no GCP Ampere Altra — mas só ~1,0× em 3 gerações de Intel.
Causa: o código vetorizado (NEON/SVE2) do ARM só amadureceu no upstream em 2024; o equivalente Intel (AVX) já tinha sido otimizado anos antes.
Consequência econômica: quem escolhe ARM pelo preço-hora mais baixo com o encoder padrão da distro paga até 12× mais por minuto codificado do que o necessário. Recompilando uma vez, a mesma máquina bate os serviços gerenciados equivalentes na mesma qualidade (VMAF 94,8).

AWS Graviton3 GCP Ampere Altra libx265 / FFmpeg VMAF

Desempenho e custo de instâncias multicloud

Framework de benchmarking multicloud que testa a premissa de que a contagem nominal de vCPU prevê desempenho ou custo-eficiência real.

Descoberta original (AWS EC2 T-family + codecs de vídeo): uma instância 8× maior é só 40,5% mais rápida, mas 18–20× mais cara — um cluster de instâncias pequenas otimizado supera a instância grande em velocidade e custo.
Generalização (AWS + GCP, Intel/AMD/ARM): throughput varia até 4,6× entre instâncias de mesma contagem de vCPU; um recomendador de instância por carga de trabalho economiza 20–61% vs. escolha ingênua.

AWS EC2 GCP Compute Docker ARM / x86

IaC generativa com contexto ontológico (LLM + OWL)

Investiga se enriquecer o prompt de um LLM com contexto ontológico OWL/RDF melhora a geração de Terraform a partir de linguagem natural.

Benchmark próprio IAC-EVAL (49 cenários, 6 níveis de complexidade), comparando Claude, GPT-4.1 e Gemini 2.0 Flash via BLEU e CodeBERTScore.

LLM evaluation OWL/RDF Terraform

Modelo de visão-linguagem como juiz de qualidade de vídeo

Usa modelos de visão-linguagem (Claude, GPT, Gemini) em modo zero-shot como juízes interpretáveis de vídeo comprimido, validado contra avaliação humana (MOS) num dataset público.

Os modelos superam métricas clássicas frame-a-frame (PSNR/SSIM/LPIPS) e nomeiam corretamente o artefato visual dominante (blocking vs. blur vs. ringing), embora ainda percam para VMAF em vídeo completo.

Vision-Language Models Codecs de vídeo

Predição de interrupção de instâncias Spot

Engenharia de features temporais (janelas móveis de 1 a 24h sobre um ano de snapshots de spot da AWS a cada 5 minutos, 2,8 milhões de pontos) para superar o estado da arte na predição de interrupção de instâncias spot.

Resultado preliminar de 90,7% de acurácia — cerca de +24% em relação à melhor baseline publicada.