Bruno Aquiles de Lima
Olá, meu nome é Bruno Aquiles de Lima, sou estudante de Ciência da Computação na UFPR.
Tenho como principais interesses as áreas de redes de computadores, segurança computacional, machine learning e bancos de dados.
Aqui você pode conferir um pouco mais sobre mim, minhas habilidades e meus projetos.
(clique no badge)
Meu foco é expandir e aplicar meus conhecimentos para criar soluções robustas e inovadoras. Busco constantemente aprender algo novo e me desafiar, explorando diferentes tecnologias e desenvolvendo projetos pessoais nos mais variados temas. Gosto de estar sempre testando ideias e aprimorando minhas habilidades no processo.
Fiz uma iniciação científica na área de machine learning no laboratório DSBD (Data Science and Big Data) na UFPR. Lá, obtive várias habilidades na área de ML e em desenvolvimento de projetos no geral, como trabalho em equipe, organização, planejamento e comunicação.
Tenho um forte compromisso com meu desenvolvimento profissional e sempre direciono meus esforços para aprimorar minhas habilidades de forma consistente. Busco evoluir com propósito, alinhando meu aprendizado a objetivos claros para maximizar minha produtividade e impacto.
"My Own Super Server" é um jogo onde os componentes de um servidor se transformam em uma cidade. A placa-mãe é a "terra", e os componentes como RAM e CPU são "construções" conectadas por barramentos, ou melhor, estradas cheias de tráfego de dados. Cidadãos circulam por essas estradas carregando pacotes de dados, alguns deles são vírus que introduzem um pouco de caos, carregando dados infectados (o que seria uma futura mecânica de jogo interessante).
O projeto implementa um sistema de streaming de vídeo usando raw sockets, onde um cliente pode escolher e baixar vídeos de um servidor para reprodução. Baseado no protocolo Kermit, ele utiliza uma janela deslizante go-back N para controle de fluxo no envio dos arquivos e para mensagens de controle, como solicitações e respostas, utiliza um modelo de "para-espera". O cliente exibe uma lista de vídeos disponíveis e, após o download completo, o arquivo é reproduzido localmente. Mensagens de erro, controle e confirmação são integradas ao protocolo, assegurando a integridade da comunicação com verificação de CRC-8 e tratamento de timeouts.
Implementação de uma biblioteca de alocação dinâmica de memória em assembly AMD64. A estratégia de alocação é baseada em achar o maior bloco livre que caiba o pedido do usuário (worst fit) e, se possível, dividir o bloco em dois, um para o pedido e outro bloco livre com o restante, caso não ache um bloco livre grande o suficiente, ele aloca mais memória na heap.
Foram desenvolvidos no Logisim Evolution, inclui três processadores baseados na arquitetura MIPS, cada um com características distintas. O MicoX1 é um processador de 32 bits simplificado, sem memória RAM, que inclui somadores e shifters implementados manualmente. O Sagui é um processador de 8 bits, também baseado em MIPS, mas que incorpora uma memória RAM para armazenamento de dados. Por último, o SIMD é um processador que realiza operações vetoriais de 8 bits, com uma arquitetura composta por quatro núcleos para operações vetoriais e um núcleo adicional para operações escalares, cada núcleo equipado com sua própria memória RAM.
Esse projeto tem o objetivo de classificar vagas de estacionamento como ocupadas ou vazias. Foi usado como database a Parking Lot Database (PKLot). Empregou-se LBP (Local Binary Patterns) para a extração de features e KNN (K-Nearest Neighbors) para a classificação. Foram feitos diversos experimentos, variando os conjuntos de treino e teste entre os subsets da PKLot para avaliar a acurácia da classificação.
Simulação de uma cidade representada por uma matriz, onde os heróis, os quais têm atributos como poderes, idade e paciência, se movem entre os locais dessa cidade, com o tempo de deslocamento baseado na velocidade de cada um. O trabalho envolveu a criação de estruturas como conjuntos, filas e uma fila de eventos futuros. Missões acontecem periodicamente, e os heróis que estiverem no mesmo local e tiverem os poderes exigidos podem participar delas e ganhar experiência.
Este projeto implementa e compara métodos para a classificação de nove tipos de texturas de plantas, usando o dataset macroscopic0.zip da base FSD-M. A extração de características foi feita com LBP e duas CNNs: uma criada no PyTorch e a VGG16 pré-treinada. Para a classificação, foram utilizados os classificadores KNN e MLP. As combinações entre os métodos de extração e classificadores foram avaliadas para entender o impacto dessas escolhas no desempenho da classificação, considerando precisão e eficiência. O projeto também aborda a importância de ajustes no processamento das imagens e no tamanho dos vetores de características.
O Vina++ é um arquivador que guarda arquivos em sequência usando uma estrutura de registros. Ele tem algumas funcionalidades como adicionar, remover, atualizar, reposicionar, extrair individualmente ou todos os arquivos de uma vez e mostrar metadados dos arquivos empacotados.
