Será defendida no dia 6 de agosto de 2026, às 10:00 horas, por videoconferência, a Dissertação de Mestrado intitulada “Optimizing Global Federated Learning: A Serverless Hierarchical Approach with Region-Aware Placement”, do candidato ao título de Mestre em Computação – Matheus Marotti Pereira.

Link para defesa: https://meet.google.com/gdt-urjm-tau

Resumo:

A adoção em larga escala de modelos de Machine Learning (ML) enfrenta crescentes desafios de escalabilidade e privacidade, impulsionados pelo aumento do volume de dados gerados e por rigorosas regulamentações de proteção de dados. O Aprendizado Federado (FL) mitiga esses riscos ao manter os dados nos dispositivos locais e transmitir apenas os pesos dos modelos. No entanto, escalar o FL para clientes distribuídos globalmente introduz latência de comunicação e gargalos em redes transcontinentais. Embora o Aprendizado Federado Hierárquico (HFL) reduza essa carga por meio de agregações intermediárias na borda (edge), sua implantação em ambientes tradicionais de Computação em Nuvem normalmente depende de máquinas virtuais persistentes (always-on) de Infraestrutura como Serviço (IaaS). Isso cria um gargalo operacional: a natureza intermitente dos ciclos de treinamento do FL deixa esses recursos provisionados ociosos por longos períodos, resultando em altos custos de infraestrutura e sobrecarga de gerenciamento. Para solucionar essas ineficiências, esta dissertação utiliza o paradigma de Computação Serverless para propor uma arquitetura de HFL Serverless. Ao abstrair o gerenciamento subjacente dos servidores e executar tarefas em contêineres efêmeros e acionados por eventos, essa abordagem atinge um modelo de execução totalmente baseado no uso (pay-per-use) que escala nativamente para zero. Nossa arquitetura é orquestrada por meio de workflows gerenciados em nuvem, eliminando os custos de infraestrutura ociosa ao mesmo tempo em que reduz a carga de gerenciamento da orquestração persistente. Além disso, introduzimos um método de otimização sensível à região (region-aware) para alocar estrategicamente o servidor global de parâmetros, ponderando a latência de rede intercontinental, os custos de transferência de saída de dados (egress costs) e as tarifas regionais de computação. A avaliação empírica foi conduzida por meio de implantações reais no Google Cloud Platform (GCP) utilizando benchmarks padrão (MNIST, CIFAR-10) e um estudo de caso geoespacial em escala global (So2Sat) distribuído em quatro continentes. Os resultados demonstram que nossa abordagem hierárquica serverless reduz os custos de infraestrutura em mais de 93% em comparação a casos base não hierárquicos (planos), principalmente pela minimização do tráfego de rede inter-regional. Ademais, a seleção otimizada de região alcançou uma redução total de 40,6% no tempo de treinamento em relação ao caso base plano, superando a alocação geográfica intuitiva em uma margem adicional de 11,6%. Simulações calibradas expandiram a análise para 2.048 clientes, mostrando uma redução de 29,7% no tempo de comunicação intercontinental, confirmando a viabilidade e a eficiência da arquitetura proposta para cenários em escala global.

Abstract:

The widespread adoption of Machine Learning (ML) models faces increasing scalability and privacy challenges, driven by the increased volume of generated data and strict data protection regulations. Federated Learning (FL) mitigates these risks by keeping data on local devices and transmitting only model weights. However, scaling FL to globally distributed clients introduces communication latency and transcontinental network bottlenecks. While Hierarchical Federated Learning (HFL) reduces this burden through intermediate edge aggregations, its deployment in traditional Cloud Computing environments typically relies on persistent (always-on) Infrastructure-as-a-Service (IaaS) virtual machines. This creates an operational bottleneck: the intermittent nature of FL training cycles leaves these provisioned resources idle for extended periods, resulting in high infrastructure costs and management overhead. To address these inefficiencies, this dissertation leverages the Serverless Computing paradigm to propose a Serverless HFL architecture. By abstracting underlying server management and executing tasks in ephemeral, event-triggered containers, this approach achieves a fully pay-per-use execution model that inherently scales to zero. Our architecture is orchestrated via managed cloud workflows, eliminating idle infrastructure costs while reducing the management burden of persistent orchestration. Furthermore, we introduce a region-aware optimization method to strategically place the global parameter server by balancing inter-continental network latency, data egress costs, and regional computation pricing. Empirical evaluation was conducted through real-world deployments on the Google Cloud Platform (GCP) using standard benchmarks (MNIST, CIFAR-10) and a world-scale geospatial case study (So2Sat) distributed across four continents. The results demonstrate that our hierarchical serverless approach reduces infrastructure costs by over 93% compared to non-hierarchical (flat) baselines, primarily by minimizing inter-regional network egress traffic. Moreover, the optimized region selection achieved a total reduction of 40.6% in training time relative to the flat baseline, outperforming intuitive geographic placement by an additional 11.6%. Calibrated simulations expanded the analysis to 2,048 clients, showing a 29.7% reduction in intercontinental communication time, confirming the viability and efficiency of the proposed architecture for global-scale scenarios.

Banca examinadora:

Profa. Lúcia Maria de Assumpção Drummond, UFF

Profa. Flavia Cristina Bernardini, UFF

Prof. Claude Martin Tadonki, Mines ParisTech – PSL/CRI