With the advent of the Internet of Things, billions of objects or devices are inserted into the global computer network, generating and processing data at a volume never imagined before. This paper proposes a way to collect and process local data through a data fusion technology called summarization. The main feature of the proposal is the local data fusion, through parameters provided by the application, ensuring the quality of data collected by the sensor node. In the evaluation, the sensor node was compared when performing the data summary with another that performed a continuous recording of the collected data. Two sets of nodes were created, one with a sensor node that analyzed the luminosity of the room, which in this case obtained a reduction of 97% in the volume of data generated, and another set that analyzed the temperature of the room, obtaining a reduction of 80% in the data volume. Through these tests, it has been proven that the local data fusion at the node can be used to reduce the volume of data generated, consequently decreasing the volume of messages generated by IoT environments.

In recent years, Hybrid TM (HyTM) has been proposed as a transactional memory approach that leverages on the advantages of both hardware (HTM) and software (STM) execution modes. HyTM assumes that concurrent transactions have very different phases and thus should run under different execution modes. Conversely, Phased Transactional Memory (PhTM) considers that concurrent transactions have similar phases, and thus all transactions could run under the same mode. In this paper we make the case for phase-based transactional systems using PhTM*, the first implementation of PhTM on modern HTM-ready processors. PhTM* novelty relies on avoiding unnecessary transitions to software mode. Experimental results using Broadwell's TSX reveal that, for the STAMP benchmark suite, PhTM* performs on average 1.68x better than PhTM, a previous phase-based TM, 2.08x better than HyTM-NOrec, a state-of-the-art HyTM, and 2.28x better than HyCO, the most recent hybrid system in the literature. We also show that STAMP applications do not exhibit hybrid behavior to justify the use of conventional hybrid systems, thus making PhTM* a better solution to those type of programs. Finally, we show for the first time that conventional hybrid systems do not perform better than phased-based system in a scenario with hybrid-behaved transactions.

We discuss the immediate need, challenges, and opportunities to transition into greener cloud computing platforms. Actions must be taken not only by the academy and the industry, but also by computer science practitioners from several areas, such as information systems, scheduling theory, distributed systems, HPC, computer architecture, and approximate computing, to cite a few.

Sistemas Tutores Inteligentes têm se destacado como ferramenta de apoio ao ensino, principalmente pela sua adaptação às condições do usuário e cenário de aplicação. Diante da situação pandêmica, as ferramentas de apoio ao ensino, como os tutores, devido a sua viabilidade de utilização remota, mostram-se como uma possibilidade de suporte aos professores e alunos. Este trabalho aborda uma proposta de adaptação de conteúdo para ensino, aplicando técnicas de inteligência artificial para geração de texto e processamento de linguagem natural. Além disso, este trabalho considerou a existência de diferentes estilos de aprendizagem, variáveis conforme a personalidade do estudante e seu modo de captar informação, capaz de influenciar no nível de aprendizado. Esta variação de estilos, seguindo um modelo definido na literatura, direciona o modo de adaptação do conteúdo a ser realizado, gerando um resultado adaptado a cada estilo de aprendizagem. O processo de geração de conteúdo personalizado permite um avanço na forma de uso de sistemas tutores no ensino, criando um formato de entrega direcionada de conteúdo com ganhos para o usuário do ambiente, gerando um resultado personalizado e conduzindo a uma aprendizagem mais efetiva. Como resultado se espera obter uma metodologia para geração de conteúdo baseados em estilos de aprendizagem pré-definidos, por meio de processamento automatizado de adaptação do conteúdo a partir de entrada inicial em formato único.