Cloud AutoDroid: uma Arquitetura de Backend para Executar Serviços de IA Generativa na Nuvem
Resumo
Apresentamos a Cloud AutoDroid: uma arquitetura de software distribuída, baseada em virtualização leve, que disponibiliza ferramentas de Inteligência Artificial (IA) como serviço de forma simplificada e escalável horizontalmente. A arquitetura é flexível, permitindo a execução e o monitoramento de serviços e infraestruturas de IA, tanto atuais quanto futuros. Demonstramos a viabilidade técnica da proposta por meio de uma implementação da Cloud AutoDroid e de um conjunto de testes funcionais. Além disso, avaliamos a aplicabilidade da Cloud AutoDroid através de um estudo de caso, aplicado no projeto Malware DataLab, fomentado pela Rede Nacional de Ensino e Pesquisa (RNP).
Palavras-chave:
engenharia de software, computação em nuvem, arquitetura de software, computação distribuída, virtualização
Referências
AI & Data Today (2023). Top 10 reasons why ai projects fail. [link].
Casola, K., Paim, K., Mansilha, R., and Kreutz, D. (2023). DroidAugmentor: uma ferramenta de treinamento e avaliação de cGANs para geração de dados sintéticos.
Hong, Y. S., No, J., and Kim, S. (2006). DNS-based load balancing in distributed web-server systems. In The Fourth IEEE Workshop on Software Technologies for Future Embedded and Ubiquitous Systems, and the Second International Workshop on Collaborative Computing, Integration, and Assurance (SEUS-WCCIA’06), pages 4–pp. IEEE.
Jones, M. (2015). Json web token (jwt). Internet Engineering Task Force (IETF) RFC, 7519.
Kouliaridis, V., Kambourakis, G., and Peng, T. (2020). Feature importance in android malware detection. In 2020 IEEE 19th International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom), pages 1449–1454. IEEE.
Laviola, L., Paim, K., Kreutz, D., and Mansilha, R. (2023). AutoDroid: disponibilizando a ferramenta DroidAugmentor como serviço. In Anais da XX Escola Regional de Redes de Computadores, pages 145–150, Porto Alegre, RS, Brasil. SBC.
Meijin, L., Zhiyang, F., Junfeng, W., Luyu, C., Qi, Z., Tao, Y., Yinwei, W., and Jiaxuan, G. (2022). A systematic overview of android malware detection. Applied Artificial Intelligence, 36(1):2007327.
Miranda, T. C., Gimenez, P.-F., Lalande, J.-F., Tong, V. V. T., and Wilke, P. (2022). Debiasing android malware datasets: How can i trust your results if your dataset is biased? IEEE Transactions on Information Forensics and Security, 17:2182–2197.
Nogueira, A., Paim, K., Bragança, H., Mansilha, R., and Kreutz, D. (2024a). Geração de dados sintéticos tabulares para detecção de malware android: um estudo de caso. In Anais do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 808–814, Porto Alegre, RS, Brasil. SBC.
Nogueira, A., Paim, K., Bragança, H., Mansilha, R., and Kreutz, D. (2024b). Malsyngen: redes neurais artificiais na geração de dados tabulares sintéticos para detecção de malware. In Anais Estendidos do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 129–136, Porto Alegre, RS, Brasil. SBC.
Wang, H., Si, J., Li, H., and Guo, Y. (2019). RmvDroid: Towards a reliable android malware dataset with app metadata. In 2019 IEEE/ACM 16th International Conference on Mining Software Repositories (MSR), pages 404–408.
Casola, K., Paim, K., Mansilha, R., and Kreutz, D. (2023). DroidAugmentor: uma ferramenta de treinamento e avaliação de cGANs para geração de dados sintéticos.
Hong, Y. S., No, J., and Kim, S. (2006). DNS-based load balancing in distributed web-server systems. In The Fourth IEEE Workshop on Software Technologies for Future Embedded and Ubiquitous Systems, and the Second International Workshop on Collaborative Computing, Integration, and Assurance (SEUS-WCCIA’06), pages 4–pp. IEEE.
Jones, M. (2015). Json web token (jwt). Internet Engineering Task Force (IETF) RFC, 7519.
Kouliaridis, V., Kambourakis, G., and Peng, T. (2020). Feature importance in android malware detection. In 2020 IEEE 19th International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom), pages 1449–1454. IEEE.
Laviola, L., Paim, K., Kreutz, D., and Mansilha, R. (2023). AutoDroid: disponibilizando a ferramenta DroidAugmentor como serviço. In Anais da XX Escola Regional de Redes de Computadores, pages 145–150, Porto Alegre, RS, Brasil. SBC.
Meijin, L., Zhiyang, F., Junfeng, W., Luyu, C., Qi, Z., Tao, Y., Yinwei, W., and Jiaxuan, G. (2022). A systematic overview of android malware detection. Applied Artificial Intelligence, 36(1):2007327.
Miranda, T. C., Gimenez, P.-F., Lalande, J.-F., Tong, V. V. T., and Wilke, P. (2022). Debiasing android malware datasets: How can i trust your results if your dataset is biased? IEEE Transactions on Information Forensics and Security, 17:2182–2197.
Nogueira, A., Paim, K., Bragança, H., Mansilha, R., and Kreutz, D. (2024a). Geração de dados sintéticos tabulares para detecção de malware android: um estudo de caso. In Anais do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 808–814, Porto Alegre, RS, Brasil. SBC.
Nogueira, A., Paim, K., Bragança, H., Mansilha, R., and Kreutz, D. (2024b). Malsyngen: redes neurais artificiais na geração de dados tabulares sintéticos para detecção de malware. In Anais Estendidos do XXIV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 129–136, Porto Alegre, RS, Brasil. SBC.
Wang, H., Si, J., Li, H., and Guo, Y. (2019). RmvDroid: Towards a reliable android malware dataset with app metadata. In 2019 IEEE/ACM 16th International Conference on Mining Software Repositories (MSR), pages 404–408.
Publicado
11/11/2024
Como Citar
LAVIOLA, Luiz Felipe; GASPAR DINIZ NOGUEIRA, Angelo; KREUTZ, Diego; BRANDÃO MANSILHA, Rodrigo.
Cloud AutoDroid: uma Arquitetura de Backend para Executar Serviços de IA Generativa na Nuvem. In: ESCOLA REGIONAL DE ENGENHARIA DE SOFTWARE (ERES), 8. , 2024, Santiago/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 258-267.
DOI: https://doi.org/10.5753/eres.2024.4302.
