Cookies
O website necessita de alguns cookies e outros recursos semelhantes para funcionar. Caso o permita, o INESC TEC irá utilizar cookies para recolher dados sobre as suas visitas, contribuindo, assim, para estatísticas agregadas que permitem melhorar o nosso serviço. Ver mais
Aceitar Rejeitar
  • Menu
Factos & Números
000
Apresentação

Laboratório de Software Confiável

O HASLab dedica-se à criação e à implementação de sistemas de software confiável, i.e., software correto e resiliente perante falhas e ataques.

De forma a cumprir este grande objetivo, o HASLab opera em três grandes áreas - Cibersegurança, Sistemas Distribuídos e Engenharia de Software.

Engenharia de Software - são explorados métodos, técnicas e ferramentas para o desenvolvimento de software, podendo este ser integrado nas funcionalidades internas de determinados componentes, na sua configuração junto de outros componentes, e também na interação com o utilizador.

Sistemas Distribuídos - com vista a melhorar a confiabilidade e a escalabilidade de software, explorando as propriedades inerentes à distribuição e à replicação de sistemas computacionais.

Cibersegurança - de forma a minimizar a vulnerabilidade dos componentes de software a ataques, com recurso à implementação de estruturas e de protocolos criptográficos com propriedades de segurança formalmente comprovadas.

Através de uma abordagem multidisciplinar que assenta em princípios teóricos comprovados, o HASLab visa disponibilizar soluções - fundamentos teóricos, métodos, linguagens, ferramentas - para o desenvolvimento de sistemas TIC abrangentes, dando garantias aos seus proprietários e utilizadores. Os grandes domínios de aplicação da investigação desenvolvida no HASLab incluem o desenvolvimento de sistemas de software cruciais para garantir a segurança e a proteção, a operacionalização de infraestruturas da nuvem seguras, e a gestão e o tratamento de big data, tendo em conta as questões da privacidade.

Últimas Notícias

Investigadores do INESC TEC distinguidos em conferência internacional de engenharia de software

O artigo “Schema-guided Testing of Message-oriented Systems”, escrito em co-autoria por Alcino Cunha e Nuno Macedo, investigadores do INESC TEC, e André Santos, engenheiro do CoLAB VORTEX, foi o vencedor do prémio Best Paper Award na 17ª edição da conferência internacional ENASE – Conference on Evaluation of Novel Approaches to Software Engineering.

05 maio 2022

Investigação INESC TEC permite realizar estudos científicos nos supercomputadores de forma mais rápida

A investigação desenvolvida por investigadores do INESC TEC, João Paulo e Ricardo Macedo, tem como objetivo garantir que os cientistas que utilizam supercomputadores consigam realizar os estudos científicos, em áreas como medicina, ciências naturais, alterações climáticas e outras, de forma mais rápida. Os resultados do trabalho de investigação foram apresentados no final de fevereiro numa das mais importantes conferências a nível mundial na área dos sistemas de armazenamento, a USENIX FAST.

11 março 2022

Nova ferramenta reduz o custo dos robôs e aumenta a sua fiabilidade e segurança

Seja para limpar as nossas casas, fabricar produtos ou até mesmo desativar bombas, a robótica é cada vez mais utilizada, pois executa tarefas de forma mais rápida e eficiente. Foi com o objetivo de desenvolver aplicações robóticas com mais qualidade, segurança e, consequentemente, custos inferiores, que o Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência (INESC TEC) desenvolveu, no âmbito do projeto SAFER – Safety verification for robotic software, a ferramenta HAROS.

09 fevereiro 2022

Projeto que pretende melhorar o desenvolvimento de software confiável tem assinatura INESC TEC

O Laboratório de Software Confiável (HASLab) do INESC TEC é o coordenador do projeto SpecRep (Constraint-based Specification Repair), que pretende promover a correta especificação formal de componentes de software, necessária para o desenvolvimento de software confiável.

24 janeiro 2022

Sustainable HPC: arrancou o novo projeto que pretende tornar a operação dos supercomputadores mais sustentável

O projeto Sustainable HPC, resultado de uma candidatura (aprovada) ao Fundo de Apoio à Inovação e ao Fundo de Eficiência Energética, envolvendo o INESC TEC e o INEGI, já arrancou.

25 novembro 2021

007

Projetos Selecionados

BringTrust

Strengthening CI/CD Pipeline Cybersecurity and Safeguarding the Intellectual Property

2025-2028

DisaggregatedHPC

Towards energy-efficient, software-managed resource disaggregation in HPC infrastructures

2025-2026

InfraGov

InfraGov: A Public Framework for Reliable and Secure IT Infrastructure

2025-2026

VeriFixer

VeriFixer: Automated Repair for Verification-Aware Programming Languages

2025-2026

ENSCOMP4

Ensino de Ciência da Computação nas Escolas 4

2024-2025

PFAI4_5eD

Programa de Formação Avançada Industria 4 - 5a edição

2024-2024

QuantELM

QuantELM: from Ultrafast optical processors to Quantum Extreme Learning Machines with integrated optics

2023-2024

Equipa
001

Laboratório

CLOUDinha

Publicações

HASLab Publicações

Ler todas as publicações

2025

Revisiting the Security and Privacy of FIDO2

Autores
Barbosa, M; Boldyreva, A; Chen, S; Cheng, K; Esquível, L;

Publicação
IACR Cryptol. ePrint Arch.

Abstract

2025

NoIC: PAKE from KEM without Ideal Ciphers

Autores
Arriaga, A; Barbosa, M; Jarecki, S;

Publicação
IACR Cryptol. ePrint Arch.

Abstract

2024

Exploring Frama-C Resources by Verifying Space Software

Autores
Busquim e Silva, RA; Arai, NN; Burgareli, LA; Parente de Oliveira, JM; Sousa Pinto, J;

Publicação
Computer Science Foundations and Applied Logic

Abstract

2024

Performance and explainability of feature selection-boosted tree-based classifiers for COVID-19 detection

Autores
Rufino, J; Ramírez, JM; Aguilar, J; Baquero, C; Champati, J; Frey, D; Lillo, RE; Fernández Anta, A;

Publicação
HELIYON

Abstract
In this paper, we evaluate the performance and analyze the explainability of machine learning models boosted by feature selection in predicting COVID-19-positive cases from self-reported information. In essence, this work describes a methodology to identify COVID-19 infections that considers the large amount of information collected by the University of Maryland Global COVID-19 Trends and Impact Survey (UMD-CTIS). More precisely, this methodology performs a feature selection stage based on the recursive feature elimination (RFE) method to reduce the number of input variables without compromising detection accuracy. A tree-based supervised machine learning model is then optimized with the selected features to detect COVID-19-active cases. In contrast to previous approaches that use a limited set of selected symptoms, the proposed approach builds the detection engine considering a broad range of features including self-reported symptoms, local community information, vaccination acceptance, and isolation measures, among others. To implement the methodology, three different supervised classifiers were used: random forests (RF), light gradient boosting (LGB), and extreme gradient boosting (XGB). Based on data collected from the UMD-CTIS, we evaluated the detection performance of the methodology for four countries (Brazil, Canada, Japan, and South Africa) and two periods (2020 and 2021). The proposed approach was assessed in terms of various quality metrics: F1-score, sensitivity, specificity, precision, receiver operating characteristic (ROC), and area under the ROC curve (AUC). This work also shows the normalized daily incidence curves obtained by the proposed approach for the four countries. Finally, we perform an explainability analysis using Shapley values and feature importance to determine the relevance of each feature and the corresponding contribution for each country and each country/year.

2024

Pondering the Ugly Underbelly, and Whether Images Are Real

Autores
Hill, RK; Baquero, C;

Publicação
Commun. ACM

Abstract
[No abstract available]

Factos & Números

1Contratados de I&D

2020

21Investigadores Séniores

2016

0Capítulos de livros

2020

Contactos