Olga Nikolaevna Goussevskaia


Áreas de Pesquisa:
Formação Acadêmica:

Doutora, ETH Zurich, Suiça, 2009

Sala: 6320
Ramal: 7583
olga@dcc.ufmg.br

Página pessoal     Lattes    Google scholar 


Informações resumidas do Currículo Lattes

Currículo Lattes atualizado em 24/07/2023

ORCID: https://orcid.org/0000-0001-5676-4972

Nome em citações bibliográficas: GOUSSEVSKAIA, O;Goussevskaia, Olga;Goussevskaia, O.;GOUSSEVSKAYA, OLGA


Projetos de pesquisa em andamento

2018 a AtualFapemig Universal: Algoritmos e Sistemas Distribuídos com Aplicações em Datacenters e Internet das Coisas
O principal objetivo deste projeto de pesquisa consiste em contribuições científicas, tecnológicas e de inovação na área de algoritmos e sistemas distribuídos, com aplicações em dois contextos principais: Datacenters e Internet das Coisas. Dentro da primeira vertente, iremos estudar algoritmos distribuídos para interconexões reconfiguráveis em datacenters. Na segunda vertente, iremos estudar e propor novos algoritmos para Internet Protocol and Low-power Wireless Personal Area Networks (LoWPAN). Pretendemos avançar o estado da arte nas áreas acima, tanto na vertente teórica, buscando um entendimento mais aprofundado da complexidade computacional dos problemas envolvidos e desenvolvimento de algoritmos eficientes e corretos nos modelos propostos, assim como na vertente prática, avaliando a aplicabilidade de resultados teóricos em cenários encontrados na prática e desenvolvendo aplicativos inovadores. Juntamente com as contribuições para o desenvolvimento científico, tecnológico e de inovação, investiremos o máximo de esforços para a formação de recursos humanos, buscando atrair cada vez mais alunos para a área da computação e ciência em geral e orientando alunos desde iniciação científica até o nível de doutorado.
Integrantes: Olga Nikolaevna Goussevskaia (coordenador).
2018 a AtualConteúdo Patrocinado e Dinâmica de Influência no Instagram
A publicidade na Internet vem crescendo constantemente há anos, e 2019 é o ano previsto para marcar a primeira vez em que o dinheiro gasto em publicidade digital (cerca de US$129 bilhões) ultrapassará os gastos em empresas tradicionais de publicidade, como televisão, rádio e imprensa. Os anúncios on-line são mais eficientes e fáceis de avaliar do que a mídia tradicional, e poucas empresas agora podem subreviver sem anúncios que são comprados de forma automatizada usando algoritmos. Para ajudar a maximizar a cobertura de potenciais consumidores, um influenciador pode ser empregado. O marketing de influência é uma forma relativamente nova de publicidade, na qual um usuário de mídia social com um público amplo e engajado é pago para postar nas redes sociais com ou sobre uma marca ou produtos. O marketing de influenciadores é especialmente popular no Instagram. Neste projeto, nos concentramos na caracterização do conteúdo patrocinado e na análise da dinâmica de influência no Instagram. Buscamos respostas para perguntas, como: Como as postagens de propaganda impactam o engajamento do público? Como esse impacto (positivo ou negativo) pode ser otimizado? Quais fatores são relevantes para o sucesso de um influenciador ao longo do tempo? Nossas contribuições são em três vertentes. Coletamos um conjunto de dados de grande escala de perfis de usuários do Instagram e analisamos como o conteúdo patrocinado e a estratégia de publicidade podem afetar não apenas o público do anunciante, mas também o sucesso de um usuário no contexto do marketing de influência. Por exemplo, analisamos quando e com que frequência as postagens de anúncios aparecem nas linhas do tempo dos usuários e como diferentes estratégias de canais de anúncios afetam o envolvimento do público. Em segundo lugar, propomos métricas para medir o sucesso de estratégias de posicionamento de anúncios no contexto de uma linha do tempo do usuário. Por fim, analisamos como essas métricas se correlacionam com diferentes fatores, como volume de postagens, frequência de anúncios, número e presença de hashtags, tempo de postagem e número de seguidores e também a importância de diferentes recursos na previsão dessas métricas. Nosso objetivo é entender como e quando é interessante para um determinado perfil de usuário fazer uso de conteúdo de propaganda para monetização e quando não é. Embora as empresas e as marcas estejam interessadas em alcançar o maior público possível, mantendo custos mínimos, os usuários de mídias sociais devem estar cientes de como esse tipo de conteúdo afeta seus seguidores e até que ponto isso representa uma ameaça ao público geral do perfil do usuário. Nossos resultados são um primeiro passo para entender como o conteúdo patrocinado (divulgado) impacta a dinâmica do influenciador no Instagram. Eles podem fornecer diretrizes para colocação de publicidade e estratégias para os usuários aumentarem a influência e a renda do conteúdo patrocinado ao longo do tempo de maneira sustentável.
Integrantes: Olga Nikolaevna Goussevskaia (coordenador), DE OLIVEIRA, LUCAS MACHADO, Andre Lustosa Motta.
2017 a AtualTopologias auto-ajustáveis concorrentes e distribuídas para redes de computadores
Este trabalho revisita o problema fundamental de projetar uma topologia de rede ideal para interconectar um conjunto de nós, por exemplo, top-of-the-rack switches em um datacenter ou pares de nós em uma rede ponto a ponto. No entanto, diferentemente da maioria dos trabalhos existentes no projeto de redes, consideramos o problema de projetar topologias de rede dinâmcas que se ajustam automaticamente de acordo com o padrão de tráfego que elas servem. Atualmente, essas redes orientadas à demanda recebem muita atenção, especialmente no contexto de datacenters, devido às tecnologias emergentes que suportam uma reconfiguração rápida da topologia física. No entanto, ainda não possuímos hoje uma boa compreensão dos desafios algorítmicos subjacentes às redes dinamicamente reconfiguráveis. Neste trabalho apresentamos a primeira rede autoajustável totalmente distribuída e comprovadamente eficiente. Nossa rede, entitulada DiSplayNet, depende de algoritmos que realizam ajustes descentralizados e concorrentes na topologia para suportar as mudanças na demanda. Propomos duas métricas naturais para avaliar o desempenho de redes distribuídas auto-ajustáveis, o trabalho amortizado (o custo de roteamento e ajuste da rede) e o makespan (o tempo que leva para atender a um conjunto de pe- didos de comunicação). Nós apresentamos uma análise formal rigorosa da corretude e do desempenho da DiSplayNet, o que pode ser visto como uma generalização interes- sante de análises conhecidas para estruturas de dados sequenciais auto-ajustáveis. De fato, como nossa análise também se aplica ao caso especial de tais estruturas de dados, ela fornece as primeiras percepções sobre o desempenho paralelo de tais estruturas de dados clássicas. Este trabalho também relata resultados de simulações extensivas que esclarecem as oportunidades e limitações de se aproveitar da localidade espacial e temporal, bem como da concorrência em redes auto-ajustáveis.
Integrantes: Olga Nikolaevna Goussevskaia (coordenador), Bruna Soares Peres, Otavio Augusto de Oliveira Souza, Stefan Schmid, AVIN, CHEN, CAIO ALVES CALDEIRA.

Projetos de desenvolvimento em andamento

Veja todos os projetos no Currículo Lattes

Últimas publicações

Artigos em periódicos

Randomized distributed self-adjusting tree networks
2023. Computer Networks.
CBNet: Demand-aware tree topologies for Reconfigurable Datacenter Networks
2022. Computer Networks.
Distributed Self-Adjusting Tree Networks
2021. IEEE TRANSACTIONS ON CLOUD COMPUTING.
Matrix: Multihop Address allocation and dynamic any-To-any Routing for 6LoWPAN
2018. Computer Networks.
Mixtape
2017. ACM Transactions on Multimedia Computing Communications and Applications.

Trabalhos completos em congressos

OpticNet: Self-Adjusting Networks for ToR-Matching-ToR Optical Switching Architectures
2023. IEEE International Conference on Computer Communications (INFOCOM).
Characterizing Sponsored Content in Facebook and Instagram
2022. Proceedings of the 33rd ACM Conference on Hypertext and Social Media (HT ?22).
(Best Paper) Redes Auto-Reconfiguráveis Randomizadas para Comunicação Distribuída em Datacenters
2022. 40º Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.
CBNet: Minimizing Adjustments in Concurrent Demand-Aware Tree Networks
2021. 2021 IEEE International Parallel and Distributed Processing Symposium (IPDPS).
Sequence-Based Word Embeddings for Effective Text Classification (https://doi.org/10.1007/978-3-030-80599-9_12)
2021. Sequence-Based Word Embeddings for Effective Text Classification..
Mixture Variational Autoencoder of Boltzmann Machines for Text Processing (https://doi.org/10.1007/978-3-030-80599-9_5)
2021. Natural Language Processing and Information Systems. NLDB 2021..
Sponsored content and user engagement dynamics on Instagram
2020. SAC '20: The 35th ACM/SIGAPP Symposium on Applied Computing.
FlatNet: Uma Rede Auto-Reconfigurável Distribuída e Concorrente com Topologia em Árvore Binária
2020. Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos.
Topic trends and user engagement on Instagram
2020. 2020 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology (WIIAT).
Distributed Self-Adjusting Tree Networks
2019. IEEE INFOCOM 2019 IEEE Conference on Computer Communications.
Capacity of Arbitrary Wireless Networks
2009. IEEE INFOCOM.
Complexity in geometric SINR
2007. ACM International Symposium on Mobile Ad Hoc Networking and Computing (MOBIHOC).

Resumos expandidos em congressos

Profiling ISIS Supporters on Twitter
2017. 23rd Brazillian Symposium on Multimedia and the Web.

Resumos em congressos


Veja todas as publicações no Currículo Lattes

Orientações em andamento

Mestrado

Doutorado

Otávio Augusto de Oliveira Souza. Distributed Self-Adjusting Networks. Início: 2020. Universidade Federal de Minas Gerais (Orientador principal)

Veja todas as orientações no Currículo Lattes

Acesso por PERFIL

Pular para o conteúdo