Defesa de: Tese de Doutorado
Candidato(a): Bruna Toledo Guedes
Data: 3 de novembro de 2026, às 14h00
Local: Por videoconferência
Link para a defesa: https://meet.google.com/qug-gwco-wxo
Resumo
Dense Wireless Networks (DWN) são mais propensas a sofrer com o problema de terminais ocultos e, consequentemente, a um aumento nas colisões, pois suportam um grande número de estações em uma área geográfica limitada. Enquanto o mecanismo de Restricted Access Window (RAW) introduzido pelo padrão IEEE 802.11ah reduz os níveis de contenção separando os nós em grupos com períodos de transmissão para cada grupo, o acesso ao meio ainda é baseado em contenção e, portanto, o RAW pode continuar sofrendo colisões excessivas. O Algoritmo de Clusterização Espectral para RAW (SCRAW) mostrou potencial para encontrar grupos RAW mais eficientes para reduzir terminais ocultos, aumentando o desempenho da DWN. No entanto, um dos problemas que afetam sua implementação prática é o tempo de execução elevado. Nesta tese, foi desenvolvida uma abordagem heurística mais rápida, denominada Algoritmo de Clusterização Espectral Recursivo para RAW (R-SCRAW). A abordagem usa uma estratégia recursiva de divisão e conquista, substituindo o algoritmo K-Means utilizado no SCRAW por várias execuções de uma divisão binária mais simples. A principal contribuição é reduzir o tempo de execução do SCRAW, proposto anteriormente. Os resultados demonstram que o R-SCRAW proposto ainda supera significativamente o mecanismo RAW do IEEE 802.11ah em termos de taxa de colisão, vazão e atraso, enquanto tem desempenho próximo ao SCRAW, mas com tempo de execução muito menor. Esta tese também avalia a performance do algoritmo R-SCRAW em cenários com mobilidade usando duas estratégias de execução: uma invocação estática (executada uma vez na inicialização) e uma invocação dinâmica adaptativa (reexecutada sempre que o desempenho da rede se degrada além de um limite definido por δ). Resultados de simulações demonstram que é possível atingir desempenho superior em termos de taxa de colisão, vazão e atraso em relação a propostas do estado da arte quando o algoritmo R-SCRAW é invocado de forma dinâmica.
Abstract
Dense wireless network (DWN) scenarios are more likely to suffer from the hidden terminal problem and consequently an increase in collisions as they support a large number of stations in a limited geographic area. While the Restricted Access Window (RAW) mechanism introduced by the IEEE 802.11ah reduces the levels of contention by separating nodes into groups with exclusive transmission slots, it does not take hidden terminals into account; therefore, medium access remains contention-based, and the RAW may continue to suffer from excessive collisions. Recently, the Spectral Clustering RAW (SCRAW) algorithm showed potential in finding more efficient RAW groups to reduce hidden terminals, increasing DWN performance. However, one of the issues that affects its practical implementation is its high execution time. In this thesis, a faster approach was developed, named Recursive Spectral Clustering RAW (R-SCRAW). The approach employs a recursive divide-and-conquer strategy, replacing the K-Means algorithm used in SCRAW with multiple executions of a simpler binary split. The main contribution of this proposal is to reduce the execution time of the previously proposed SCRAW algorithm. Our results demonstrate that R-SCRAW still significantly outperforms the standard IEEE 802.11ah RAW grouping in terms of collision rate, throughput, and delay, while performing close to SCRAW, but with much lower execution time. This thesis also evaluates the performance of the R-SCRAW algorithm in mobility scenarios using two execution strategies: a static invocation (executed once at startup) and an adaptive dynamic invocation (re-executed whenever network performance degrades beyond a set threshold δ). Simulation results demonstrate that it is possible to achieve superior performance in terms of collision rate, throughput, and delay compared to state-of-the-art proposals when the R-SCRAW algorithm is invoked dynamically.
Banca Examinadora
- Prof. Célio Vinicius Neves de Albuquerque, UFF – Presidente
- Prof. Igor Monteiro Moraes, UFF
- Prof. Flávio Luiz Seixas, UFF
- Prof. Diego Gimenez Passos, ISEL
- Profa. Fernanda Gonçalves de Oliveira Passos, ISEL
- Prof. Vinicius Corrêa Ferreira, Universidade do Minho
- Prof. Miguel Elias Mitre Campista, UFRJ
Leitura Recomendada em Metodologia de Pesquisa
Para quem está iniciando ou revisando os fundamentos metodológicos de uma pesquisa em Ciência da Computação, seguem algumas referências clássicas e amplamente utilizadas em Mestrados e Doutorados da área:
- Wazlawick, R. S. (2017). Metodologia de Pesquisa para Ciência da Computação. Editora Campus/Elsevier.
- Creswell, J. W., & Creswell, J. D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. SAGE Publications.
- Yin, R. K. (2018). Case Study Research and Applications: Design and Methods. SAGE Publications.
- Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., & Wesslén, A. (2012). Experimentation in Software Engineering. Springer.
- Basili, V. R., Caldiera, G., & Rombach, H. D. (1994). The Goal Question Metric Approach. Encyclopedia of Software Engineering, Wiley.
- Glass, R. L., Ramesh, V., & Vessey, I. (2004). An Analysis of Research in Computing Disciplines. Communications of the ACM, 47(6).
- Shaw, M. (2003). Writing Good Software Engineering Research Papers. Proceedings of the 25th International Conference on Software Engineering (ICSE).
- Easterbrook, S., Singer, J., Storey, M.-A., & Damian, D. (2008). Selecting Empirical Methods for Software Engineering Research. In Guide to Advanced Empirical Software Engineering, Springer.
- Kitchenham, B., & Charters, S. (2007). Guidelines for Performing Systematic Literature Reviews in Software Engineering. EBSE Technical Report.
- Booth, W. C., Colomb, G. G., & Williams, J. M. (2016). The Craft of Research. University of Chicago Press.
Publicado por Maiquel Gomes — maiquelgomes.com.br

Graduado em Ciências Atuariais pela Universidade Federal Fluminense (UFF), Pós-Graduado em Inteligência Artificial, Pós-Graduado em Marketing Digital, Mestrando em IA no Instituto de Computação da UFF (nota máxima no CAPES). Palestrante e Professor de Inteligência Artificial e Linguagem de Programação; autor de livros, artigos e aplicativos.
Professor do Grupo de Trabalho em Inteligência Artificial da UFF (GT-IA/UFF), do Laboratório de Inovação, Tecnologia e Sustentabilidade (LITS/UFF), da Pós-Graduação na Universidade Estácio de Sá, entre outras iniciativas.
Conheça outros projetos:
💫 Apaixonado pela vida, pelas amizades, pelas viagens, pelos sorrisos, pela praia, pelas baladas, pela natureza, pelo jazz e pela tecnologia.


