Borse di studio GARR: presentati i 10 nuovi progetti
Avviati i 10 progetti di ricerca all’avanguardia nel campo delle infrastrutture digitali, con applicazioni multidisciplinari
Si rinnova l’appuntamento con le borse di studio GARR che sono giunte all’undicesima edizione. Ma perché cogliere questa opportunità? Tutti i giovani talenti selezionati da GARR hanno evidenziato come questa occasione consenta loro di applicare le conoscenze acquisite durante gli studi universitari, immergersi nel campo della ricerca, collaborare su progetti innovativi, sviluppare competenze, creare network e integrarsi in una comunità di esperti delle infrastrutture digitali e dei servizi innovativi.
I progetti presentati, che spaziano dal machine learning al calcolo distribuito, dalla blockchain ai big data e che includono anche il digital twin, la cybersecurity e la gestione delle informazioni, promettono di apportare un significativo contributo al progresso tecnologico. Scopriamo i progetti dei protagonisti e il loro potenziale impatto sul futuro dell’innovazione digitale.
sos: Soil Observation System. A digital and open access alternative for soil data collection and management
Alessandro Auzzas (Università di Sassari)
Il suolo, che ospita il 25% della biodiversità terrestre, sarà cruciale per sostenere 10 miliardi di persone entro il 2050. È necessario pertanto pervenire ad un monitoraggio più accurato delle condizioni del terreno e delle pressioni ambientali che lo influenzano. Questo l’obiettivo dell’iniziativa SOS: sfruttare le tecnologie per sviluppare un sistema digitale open access innovativo per l’acquisizione, l’archiviazione e l’utilizzo dei dati sul suolo attraverso il potenziamento significativo della qualità e della quantità delle informazioni disponibili.
Sviluppo di tecnologie innovative basate su eBPF per load balancing e monitoraggio di servizi in grandi infrastrutture di calcolo distribuito
Luca Bassi (INFN CNAF)
Il suolo, che ospita il 25% della biodiversità terrestre, sarà cruciale per sostenere 10 miliardi di persone entro il 2050. È necessario pertanto pervenire ad un monitoraggio più accurato delle condizioni del terreno e delle pressioni ambientali che lo influenzano. Questo l’obiettivo dell’iniziativa SOS: sfruttare le tecnologie per sviluppare un sistema digitale open access innovativo per l’acquisizione, l’archiviazione e l’utilizzo dei dati sul suolo attraverso il potenziamento significativo della qualità e della quantità delle informazioni disponibili.
Un approccio unificante alla programmazione di dispositivi eterogenei nell’edge-cloud continuum
Angela Cortecchia (Università di Bologna)
Obiettivo del progetto è lo sviluppo di un approccio unificante per la programmazione dei dispositivi eterogenei nell’edge-cloud continuum utilizzando il paradigma di Aggregate Computing. Lo studio è volto a migliorare il coordinamento dei dispositivi IoT in contesti come le smart cities, semplificando la programmazione e trattando la rete come un unico dispositivo distribuito. Questo approccio mira a creare un’infrastruttura leggera e versatile che faciliti la gestione dei sistemi distribuiti eterogenei. Sarà implementata una standard library per agevolare l’implementazione di algoritmi noti, migliorando l’efficienza nella gestione di sistemi distribuiti complessi.
L’uso del machine learning nella previsione probabilistica degli eventi vulcanici dell’Etna
Giulio Domina (INGV, Osservatorio Etneo)
L’Etna, il vulcano più alto e attivo d’Europa, influenza la vita di un milione di persone e l’individuazione precoce dei fenomeni vulcanici è importante per salvaguardare la sicurezza, la salute pubblica e sostenere l’attività turistica. L’attività di ricerca si concentra sull’uso delle tecniche di machine learning nel sistema di previsione degli eventi vulcanologici dell’Etna. Si intende analizzare il contesto vulcanologico, integrando diversi tipi di dati (per es. segnali sismici e GPS), per arrivare a migliorare la capacità di individuare precocemente fenomeni vulcanici e da questo arrivare a costruire un modello predittivo in grado di classificare lo stato del vulcano in categorie come “eruzione imminente”, “allerta” o “riposo”.
Unparameterized characterization of big data samples
Annalisa Feliziani (INFN, Sezione di Pisa)
Con l’obiettivo di scoprire nuovi fenomeni fisici o particelle al di là del modello standard, come la materia oscura, il progetto si concentra sullo sviluppo di una metodologia non parametrizzata per analizzare i big data prodotti dagli esperimenti condotti presso il Large Hadron Collider del CERN. Utilizzando i dati degli esperimenti CMS e PPS, il focus sarà su piccole anomalie ricorrenti, simulazioni e l’analisi di particelle varie e della missing energy. L’obiettivo finale è creare un metodo standardizzato per l’analisi di grandi quantità di dati in fisica delle particelle, capace di rivelare fenomeni nuovi senza i limiti delle teorie esistenti.
SINCERO: Sistema Nazionale di Certificazione Digitale per le Competenze Universitarie tramite tecnologia blockchain
Antonino Iaria (Università di Pisa)
SINCERO ha l’obiettivo di creare un sistema nazionale di certificazione digitale per le competenze universitarie basato su blockchain, per aumentare la sinergia degli atenei, facilitare la comunicazione cross-universitaria e ridurre la burocrazia attuale. Utilizzando blockchain e la rete GARR, il progetto intende fornire una piattaforma sicura e trasparente per la registrazione, condivisione e verifica delle credenziali universitarie, standardizzando la gestione delle competenze accademiche a livello nazionale.
CREDO: a friendly Customizable, REproducible, DOcker file generator for bioinformatics applications
Eliseo Martelli (Università di Torino)
Il progetto si propone di migliorare la riproducibilità in ambienti bioinformatici attraverso lo sviluppo di un generatore di Dockerfile personalizzabile e user-friendly, la gestione efficace delle dipendenze software e l’adesione ai principi FAIR per migliorare accessibilità e riutilizzo. CREDO mira a fornire uno strumento che semplifichi la creazione di ambienti containerizzati riproducibili, con l’obiettivo di evolversi in un servizio ospitato da GARR per la comunità scientifica.
Enhancing digital twin transmission model enabling optical network infrastructure as a service
Enrico Miotto (Politecnico di Torino)
L’attività di studio mira a migliorare e potenziare il modello di trasmissione del digital twin per le reti ottiche, con l’obiettivo di abilitare l’infrastruttura di rete ottica come servizio (Network as a Service). Gli obiettivi specifici includono: migliorare il modello di trasmissione considerando aspetti come la perdita dipendente dalla polarizzazione e le fibre multibanda, implementare questi miglioramenti nel software GNPy e testarli in laboratorio, ed esplorare la fattibilità di utilizzare reti ottiche per servizi non di trasporto dati come il sensing ottico e la distribuzione di chiavi quantistiche. Per affrontare le sfide attuali delle reti ottiche come la crescita del traffico dati e la necessità di maggiore efficienza energetica, il progetto punta ad ottimizzare e condividere l’infrastruttura di rete, introducendo apertura e disaggregazione.
Sistema integrato di sicurezza informatica per la gestione proattiva delle minacce
Nicolò Thei (Università di Parma)
Per migliorare la sicurezza informatica nell’ambiente universitario, l’iniziativa mira a sviluppare un sistema integrato dinamico e proattivo. Gli obiettivi includono il monitoraggio continuo e automatizzato dei dati da diverse fonti, l’analisi tramite un sistema SIEM (Security Information & Event Management) basato su Elasticsearch, l’automazione delle risposte alle minacce con tecnologie SOAR (Security Orchestration, Automation and Response) e la generazione di report sulla sicurezza. Questo approccio è volto a ottimizzare la gestione delle minacce informatiche in un contesto universitario, migliorando l’efficienza, riducendo i tempi di risposta e minimizzando gli errori.
Machine learning applicato all’astrofisica stellare
Francesco Turini (Università di Pisa)
L’attività si propone di sviluppare e applicare tecniche di machine learning per identificare stelle appartenenti ad ammassi stellari, riconoscere diverse popolazioni stellari all’interno degli ammassi, classificare queste popolazioni e determinare caratteristiche di singole stelle. L’obiettivo è migliorare l’analisi di grandi set di dati astronomici, superando le limitazioni degli approcci attuali e approfondendo la comprensione della struttura ed evoluzione degli ammassi stellari.
Dai un voto da 1 a 5, ne terremo conto per scrivere i prossimi articoli.
Voto attuale:
Telegram