Arquiteturas e Operações de Segurança para Sistemas de Aprendizado de Máquina: Modelagem de Ameaças, Hardening e Resposta a Incidentes em Ambientes de 2006

1. Introduction

A adoção de aprendizado de máquina (AM) em 2006 era motivada por demandas operacionais concretas, destacando-se a filtragem de spam baseada em modelos bayesianos e SVMs, a classificação de documentos textuais e os detectores de anomalias em redes (SAHAMI et al., 1998; JOACHIMS, 1998; GRAHAM, 2002). Em paralelo, a superfície de ataque dos ambientes que hospedavam tais sistemas refletia o estado da arte da segurança da informação naquele período: serviços expostos em pilhas LAMP, aplicações web suscetíveis a injeção de SQL e XSS, serviços de e-mail exploráveis por worms e redes protegidas por firewalls de perímetro e IDS baseados em assinaturas (OWASP, 2004; CHESWICK; BELLOVIN; RUBIN, 2003; ROESCH, 1999).

Os requisitos fundamentais de confidencialidade, integridade e disponibilidade (CIA) continuavam centrais; entretanto, a natureza estatística dos modelos exigia, adicionalmente, garantias sobre integridade de datasets, controle do processo de coleta, e vigilância contra ataques de evasão e envenenamento (DALVI et al., 2004; LOWD; MEEK, 2005; BARRENO et al., 2006). Ataques por “good-word” inserem termos com alta associação a ham em spams para reduzir a pontuação de suspeição, enquanto ataques de envenenamento introduzem exemplos rotulados de forma maliciosa no conjunto de treino, deslocando fronteiras de decisão (DALVI et al., 2004; LOWD; MEEK, 2005).

Propomos uma abordagem integrada que articula práticas clássicas de segurança — firewalls (iptables), IDS/IPS (Snort), gestão de chaves e criptografia (AES, RSA), integridade de arquivos (Tripwire, OSSEC), gestão de logs (NIST SP 800-92), e processos de resposta a incidentes (NIST SP 800-61) — com técnicas estatísticas robustas e controles específicos do ciclo de vida de modelos. As contribuições incluem: (i) um modelo de ameaças formal para sistemas de AM operando em infraestruturas de 2006; (ii) uma metodologia de hardening e operação segura em sete fases; (iii) uma implementação prática com Weka e SVMlight, e (iv) avaliação experimental de ataques de evasão e envenenamento, com recuperação de desempenho mediante defesas combinadas.

A análise histórica e experimental evidencia que, mesmo sem infraestruturas modernas, era possível em 2006 alcançar níveis satisfatórios de resiliência, desde que se combinassem práticas de engenharia de segurança com métodos de robustez estatística, governados por normas como ISO/IEC 17799:2005 e 27001:2005 (ISO/IEC, 2005; ISO/IEC, 2005b).

2. Background and Related Work

A segurança de redes e sistemas no início dos anos 2000 consolidou-se em torno de firewalls, segmentação de redes, e IDS baseados em assinaturas e anomalias (CHESWICK; BELLOVIN; RUBIN, 2003; ROESCH, 1999; PAXSON, 1999). Ferramentas como Nmap (FYODOR, 1997), Nessus, Snort e Metasploit compunham o ferramental de avaliação e teste de penetração (TENABLE, 2006; METASPLOIT, 2006). Em paralelo, incidentes emblemáticos como Code Red, Nimda e Slammer demonstraram quão rapidamente uma vulnerabilidade pode degradar a disponibilidade global (MOORE et al., 2003).

No domínio de AM, a filtragem de spam catalisou a adoção de classificadores probabilísticos e de margem (SAHAMI et al., 1998; JOACHIMS, 1998). Fóruns técnicos popularizaram filtros bayesianos práticos (GRAHAM, 2002). Obras posteriores investigaram a segurança de classificadores: Dalvi et al. modelaram um jogo de custo mínimo entre atacante e classificador (DALVI et al., 2004), enquanto Lowd e Meek formalizaram a engenharia reversa de classificadores lineares sob consultas (LOWD; MEEK, 2005). Barreno et al. questionaram sistematicamente se AM pode ser seguro, delineando taxonomias de ataques (BARRENO et al., 2006).

Do ponto de vista de governança, ISO/IEC 17799:2005 e 27001:2005 orientavam políticas e controles (ISO/IEC, 2005; ISO/IEC, 2005b). A proteção criptográfica apoiava-se em AES (FIPS 197) e funções de hash da família SHA-2 (FIPS 180-2), notando-se a fragilização do SHA-1 a partir de 2005 (NIST, 2001; NIST, 2002). O tráfego seguro recorria a TLS 1.0 e IPsec (RFC 2246; RFC 2401), e a gestão de certificados a X.509 (RFC 3280) (DAIER et al., 1999; KENT; ATKINSON, 1998; HOUSTON et al., 2002). Na operação, gestão de logs e correlação tornaram-se prioritárias (NIST, 2006), com emprego de syslog-ng, SEC e coletoras centralizadas.

No cenário web, riscos de injeção de SQL e XSS eram bem documentados (OWASP, 2004; RFP, 2002). Instrumentos de detecção de alterações (Tripwire) e HIDS (OSSEC) viabilizavam controle de integridade e resposta local (KIM; SPAFFORD, 1994; CID, 2005). Para forense, manuais de referência guiavam a coleta e preservação de evidências (CASEY, 2001; CARRIER, 2005; FARMER; VENEMA, 2005).

Este corpus fundamenta a proposta de unir segurança tradicional de TI com salvaguardas estatísticas específicas do ciclo de dados e modelos, adequadas ao estado da técnica em 2006.

3. Threat Model and Problem Formalization

Consideramos um sistema de AM composto por:

• Conjunto de dados $D = {(x_i, y_i)}_{i=1}^n$, onde $x_i \in \mathbb{R}^d$ representa atributos (por exemplo, TF-IDF de tokens) e $y_i \in {0,1}$ o rótulo (spam/ham).
• Um classificador $f_\theta: \mathbb{R}^d \to {0,1}$ parametrizado por $\theta$ (por exemplo, Naive Bayes, SVM).
• Um pipeline de treinamento $P$ composto por coleta, pré-processamento (tokenização, stemming), ponderação (TF-IDF) e estimação de parâmetros.
• Uma interface de consulta (por exemplo, filtro anti-spam em MTA ou API HTTP interna).

Capacidades adversárias plausíveis em 2006:

1. Evasão (teste): o adversário manipula $x$ em tempo de consulta por meio de pequenas alterações semânticas (p.ex., inclusão de tokens “bons”), buscando $f_\theta(x’) \neq f_\theta(x)$ com custo $c(x,x’)$ limitado (DALVI et al., 2004; LOWD; MEEK, 2005).

2. Envenenamento (treino): o adversário injeta elementos em $D$ com rótulos falsos ou amostras sintéticas, induzindo deslocamento da fronteira de decisão (BARRENO et al., 2006).

3. Exploração de infraestrutura: o adversário explora falhas (injeção de SQL, XSS, buffer overflow) para manipular o banco de dados de treinamento, corromper arquivos de configuração, exfiltrar dados ou desabilitar controles (OWASP, 2004; CHESWICK; BELLOVIN; RUBIN, 2003).

O risco $R$ é modelado por $$ R = \sum_{i=1}^{m} P(A_i) \cdot I(A_i), $$ onde $A_i$ são cenários de ataque identificados por modelagem de ameaças e $I(A_i)$ é o impacto mensurado como degradação relativa na métrica $F_1$, i.e., $I(A_i) = \frac{F_1^\star - F_1(A_i)}{F_1^\star}$, sendo $F_1^\star$ a métrica em operação nominal.

Para classificadores lineares $f_\theta(x) = \mathrm{sign}(\theta^\top x + b)$, um atacante de evasão resolve $$ \min_{\delta} \ c(\delta) \ \ \text{sujeito a} \ \ \mathrm{sign}(\theta^\top (x+\delta) + b) \neq y, $$ onde $c(\delta)$ reflete custo de manipular atributos (DALVI et al., 2004). NaIVE Bayes multinomial estima $ P(y \mid x) \propto P(y)\prod_{j=1}^d P(t_j \mid y)^{x_j}, $ com suavização de Laplace, onde $x_j$ é a contagem/ponderação do token $t_j$ (SAHAMI et al., 1998). TF-IDF segue $ w_{t,d} = \mathrm{tf}_{t,d} \cdot \log \frac{N}{\mathrm{df}_t} $ (SALTON; BUCKLEY, 1988).

O objetivo defensivo, seguindo a formulação robusta, é escolher $\theta$ e políticas operacionais $\pi$ (limitação de atributos, validação e auditoria) que maximizem a performance esperada sob uma família admissível de perturbações $\Delta$ e contaminações $\mathcal{C}$: $$ \max_{\theta,\ \pi} \ \min_{\delta \in \Delta,\ C\in \mathcal{C}} \ \mathbb{E}{(x,y)\sim D\oplus C} \big[\ell(f\theta(\pi(x+\delta)), y)\big], $$ onde $\ell$ é a perda 0-1 ou sua suavização logística, e $D\oplus C$ denota o conjunto de treino afetado pela contaminação.

4. Proposed Methodology

Estruturamos uma metodologia em sete fases coerente com o estado tecnológico de 2006, unindo controles técnicos, processos e salvaguardas estatísticas.

1. Inventário de Ativos de AM

• Catalogar datasets, scripts, binários (Weka, SVMlight), bibliotecas (Java 1.5, glibc), MTA (Postfix) e componentes de banco (MySQL 5.0).
• Registrar versões e checksums ($\mathrm{SHA}\text{-}256$) de artefatos e dependências, mantendo manifestos assinados (GPG) (NIST, 2002).
• Empregar ferramentas de auditoria de integridade (Tripwire, OSSEC) para monitorar alterações críticas (KIM; SPAFFORD, 1994; CID, 2005).

2. Modelagem de Ameaças

• Aplicar STRIDE para categorias de ameaça (spoofing, tampering, repudiation, information disclosure, denial of service, elevation of privilege) e árvores de ataque para decomposição hierárquica (SWIDERSKI; SNYDER, 2004; SCHNEIER, 1999).
• Vincular cada cenário $A_i$ a controles preventivos, detectivos e responsivos.

3. Hardening de Infraestrutura

• Filtragem de pacotes e segmentação com iptables; reforço de kernel via sysctl (NIST, 2002).
• Servidores de aplicação com Apache + mod_security para inspeção de requisições HTTP (RISTIC, 2005).
• Minimização de privilégios (chroot/jaulas, separação de usuário), autenticação por chaves SSH e políticas de rotação.
• Políticas de e-mail (Postfix) com validações antirrelay e integração de filtros na cadeia MTA.

4. Proteção de Dados

• Versionamento de datasets e configurações com Subversion (SVN), exigindo commits assinados com GPG (ISO/IEC, 2005b).
• Hashes $\mathrm{SHA}\text{-}256$ e assinaturas digitais para verificar integridade antes do treino; backups offline cifrados com AES (FIPS 197) (NIST, 2001; NIST, 2002).
• Controle de acesso estrito (POSIX ACLs), imutabilidade seletiva (chattr +i) em conjuntos de treino estáveis.

5. Robustez Estatística

• Limitação de atributos por mensagem (cap nos tokens mais discriminativos), normalização e stemming (PORTER, 1980).
• Detecção de outliers por estatísticas robustas (mediana e MAD) e filtros de frequência mínima por token.
• Validação cruzada e holdout; rejeição ativa de lote de treino com divergência anômala em distribuições de tokens.
• Para Naive Bayes, suavização reforçada e “freezing” de probabilidades de tokens de alto ganho durante re-treino incremental; para SVMs, margem reforçada por ponderação de custos assimétricos.

6. Monitoramento e Correlação

• Centralização de logs (syslog-ng), normalização, rotação (logrotate) e correlação por SEC/Prelude; alarmes em Nagios (NIST, 2006; NAGIOS, 2006).
• IDS de rede (Snort) com regras para SQLi/XSS e IDS de host (OSSEC) para alterações de arquivos e elevação de privilégios (ROESCH, 1999; CID, 2005).

7. Resposta a Incidentes

• Processo conforme NIST SP 800-61: preparação, detecção/Análise, contenção, erradicação, recuperação e lições aprendidas (NIST, 2004).
• Preservação de evidências com ferramentas forenses (EnCase/FTK), cadeia de custódia e análise de sistema de arquivos (CASEY, 2001; CARRIER, 2005; FARMER; VENEMA, 2005).

5. Implementation

Ambiente

• Sistema operacional: Debian GNU/Linux 3.1 (sarge) e Red Hat Enterprise Linux 4, kernel 2.6.
• Aplicações: Apache HTTP Server 2.0 + mod_security, Postfix 2.2, MySQL 5.0.
• Ferramentas de AM: Weka 3.4 (CLI), SVMlight 6.01.
• Segurança: iptables, Snort 2.4, OSSEC-HIDS 1.0, Tripwire 2.x, syslog-ng 1.6, SEC 2.x, Nagios 2.x.

Dados e Modelos

• Corpora: SpamAssassin Public Corpus (ham/spam) e subconjunto do Enron Email Dataset com rótulos sintéticos (SAHAMI et al., 1998; GRAHAM, 2002).
• Pré-processamento: tokenização simples, lowercasing, stemming de Porter, remoção de stopwords; TF-IDF (SALTON; BUCKLEY, 1988).
• Classificadores: Naive Bayes multinomial e SVM linear (SVMlight) (JOACHIMS, 1998).

Automação

• Crontab para reprocessamento diário com validação de integridade e commit SVN assinado:

0 2    /usr/local/bin/pipeline_retreino.sh >> /var/log/ml_retreino.log 2>&1

• Script com verificação de assinaturas e hashes:

gpg --verify dataset.manifest.sig dataset.manifest &&
sha256sum -c dataset.manifest &&
java -Xmx512m -cp weka.jar weka.filters.unsupervised.attribute.StringToWordVector \
  -i corpus_train.arff -o corpus_train_tfidf.arff &&
svm_learn -c 1.0 corpus_train_svm.txt model.svm

Hardening de Rede e Aplicação

• Regras iptables mínimas:

iptables -P INPUT DROP
iptables -A INPUT -m state --state ESTABLISHED,RELATED -j ACCEPT
iptables -A INPUT -p tcp --dport 22 -s 192.0.2.0/24 -j ACCEPT
iptables -A INPUT -p tcp --dport 25 -j ACCEPT
iptables -A INPUT -p tcp --dport 80 -j ACCEPT
iptables -A INPUT -p tcp --dport 3306 -s 198.51.100.10 -j ACCEPT

• Exemplo de regra Snort para SQL injection:

alert tcp $EXTERNAL_NET any -> $HTTP_SERVERS $HTTP_PORTS \
(msg:"WEB-ATTACK SQL injection attempt"; flow:to_server,established; \
content:"' OR 1=1 --"; nocase; classtype:web-application-attack; sid:1000001; rev:1;)

• Sanitização de entrada com prepared statements (PHP mysqli, MySQL 5.0):

$mysqli = new mysqli("localhost", "u_seguro", "senha_forte", "ml_feedback");
$stmt = $mysqli->prepare("INSERT INTO feedback (msg_id, label) VALUES (?, ?)");
$stmt->bind_param("is", $msg_id, $label); // $label ∈ {'spam','ham'}
$stmt->execute();

Integridade e Logs

• Política de arquivo imutável para snapshot de treino:

chattr +i /ml/datasets/snapshot_2006-06-01.arff

• Tripwire: exemplo de política para diretório de modelos:

(
  rulename = "Modelos-ML",
  severity = 100
)
{
  /ml/models/ -> $(SEC_BIN) ;
}

• Logrotate:

/var/log/ml_retreino.log {
  weekly
  rotate 8
  compress
  missingok
  notifempty
  create 0640 root adm
}

6. Experimental Evaluation

Metodologia

• Conjunto de treino: 30.000 mensagens (60% ham, 40% spam). Conjunto de teste: 10.000 mensagens estratificadas.
• Métricas: acurácia, precisão, recall e $F_1 = \frac{2 \cdot \mathrm{prec} \cdot \mathrm{rec}}{\mathrm{prec} + \mathrm{rec}}$.
• Cenários: (i) baseline; (ii) evasão (good-word), (iii) envenenamento (3% e 5% de contaminação), (iv) exploração da infraestrutura (injeção de SQL simulada para troca de rótulos), (v) defesas ativas.

Ataques de Evasão

• Good-word: Para cada spam no teste, inserimos até $k=15$ tokens de alta probabilidade condicional $P(t\mid \mathrm{ham})$ e baixa $P(t\mid \mathrm{spam})$, respeitando custo $c(\delta) \leq k$.
• Resultados (Naive Bayes multinomial):
  • Baseline: acurácia 95,1%, $F_1$ (spam) 94,0%.
  • Good-word ($k=10$): $F_1$ cai para 78,3% (−15,7 pp).
  • Good-word ($k=15$): $F_1$ cai para 72,9% (−21,1 pp).
• Resultados (SVM linear):
  • Baseline: acurácia 96,2%, $F_1$ 95,3%.
  • Good-word ($k=15$): $F_1$ cai para 79,8% (−15,5 pp).

Ataques de Envenenamento

• Contaminação por rótulo: Injeção de 3% de spams rotulados como ham no treino; com 5%, intensificação do viés.
• Resultados (Naive Bayes):
  • 3%: $F_1$ 83,4% (−10,6 pp).
  • 5%: $F_1$ 76,9% (−17,1 pp).
• Resultados (SVM):
  • 3%: $F_1$ 85,1% (−10,2 pp).
  • 5%: $F_1$ 78,8% (−16,5 pp).

Exploração de Infraestrutura

• Simulamos injeção de SQL em portal de feedback que alimenta rótulos, revertendo 8% de rótulos de spam para ham. Sem controles, $F_1$ reduz em 12,8 pp após dois ciclos de re-treino.

Defesas e Recuperação

• Política de robustez estatística:
  • Cap de atributos por mensagem (máx. 200 tokens), filtros de frequência mínima (df ≥ 3), congelamento de 50 tokens de maior ganho para Naive Bayes, validação cruzada com rejeição se divergência de distribuição de tokens exceder limiar baseado em MAD.
• Controles operacionais:
  • Verificação de integridade por SHA-256 e GPG de datasets; commits SVN assinados; ACLs e chattr +i em snapshots; regras mod_security para bloquear padrões de SQLi; Snort com assinaturas web; limitação de taxa no portal de feedback (mod_evasive).
• Resultados com defesa:
  • Evasão ($k=15$): $F_1$ recupera para 87,6% (Naive Bayes, +14,7 pp) e 89,1% (SVM, +9,3 pp).
  • Envenenamento (5%): $F_1$ recupera para 88,4% (Naive Bayes, +11,5 pp) e 89,7% (SVM, +10,9 pp) após rejeição de lote contaminado e re-treino com congelamento de tokens.
  • Injeção de SQL: impacto residual 2,9 pp após restauração a partir de backup assinado e revisão de rótulos.

Overhead

• Tempo de pré-processamento com verificação de integridade e validações adicionais aumentou em ~28% (de 22 min para 28 min por ciclo noturno).
• Carga operacional incrementada por gestão de chaves GPG e revisão de commits, considerada aceitável à luz da recuperação de desempenho.

7. Case Study

Cenário Um portal interno permitia que analistas reclassificassem mensagens ambíguas via formulário web. A aplicação PHP inseria rótulos em tabela MySQL (ml_feedback). Um atacante explorou falha de validação de entrada para injetar SQL, alternando rótulos de spam para ham em larga escala (OWASP, 2004; RFP, 2002).

Código vulnerável (uso inseguro de concatenação):

$msg_id = $_GET['msg_id'];
$label = $_GET['label']; // esperado: 'spam' ou 'ham'
$query = "UPDATE feedback SET label='$label' WHERE msg_id=$msg_id";
$mysqli->query($query);

Exploração detectada

• Alertas Snort com padrão “’ OR 1=1 --”.
• Aumento súbito de UPDATEs em slow query log do MySQL.
• Divergência estatística (MAD) na distribuição de rótulos detectada pelo pipeline de validação.

Resposta

• Contenção: bloqueio de IPs de origem no iptables; ativação de regra mod_security; suspensão do portal.
• Erradicação: correção do código com prepared statements; revisão de privilégios no MySQL (princípio do menor privilégio).
• Recuperação: restauração do snapshot assinado do dataset; replay de rótulos válidos a partir de logs assinados.
• Lições aprendidas: auditoria de segurança no SDLC, inclusão de testes de injeção no pré-deploy, configuração de OSSEC para monitorar alterações no diretório da aplicação.

Código corrigido:

$mysqli = new mysqli("localhost", "u_seguro", "senha_forte", "ml_feedback");
if (!in_array($label, array('spam','ham'), true)) { exit; }
$stmt = $mysqli->prepare("UPDATE feedback SET label=? WHERE msg_id=?");
$stmt->bind_param("si", $label, $msg_id);
$stmt->execute();

Resultado

• O $F_1$ retornou de 81,7% (pós-ataque) para 94,2% após restauração e re-treino; impacto residual atribuído a mensagens envenenadas previamente, mitigadas por rejeição de lote e congelamento de tokens.

8. Discussion

Os resultados confirmam que controles tradicionais sem salvaguardas estatísticas deixam lacunas exploráveis por atacantes adaptativos (DALVI et al., 2004; LOWD; MEEK, 2005). Em 2006, a ausência de orquestradores modernos não impedia uma operação segura: combinando proteção de perímetro (iptables), inspeção (mod_security, Snort), integridade (Tripwire/OSSEC), gestão de logs (syslog-ng, SEC) e processos formais (ISO/IEC 27001; NIST SP 800-61), é possível reduzir substancialmente o impacto de ataques nos modelos.

Operacionalmente, destacam-se três trade-offs:

• Robustez estatística versus custo computacional: validações e congelamentos de parâmetros aumentam o tempo de treino em ~28%, aceitável diante de recuperações de 9–18 pp em $F_1$.
• Restrição de funcionalidade versus segurança: limitação de taxa e de atributos modera a experiência do usuário/eficiência de classificação, porém dificulta engenharia reversa (LOWD; MEEK, 2005).
• Rigor criptográfico versus agilidade: gestão de chaves GPG, assinaturas e verificação de hashes requerem disciplina processual e automação via scripts.

Na dimensão de governança, a aderência a ISO/IEC 17799 e 27001 fornece arcabouço de política e auditoria (ISO/IEC, 2005; ISO/IEC, 2005b). A gestão de incidentes conforme NIST SP 800-61 e de logs segundo NIST SP 800-92 suportam detecção e resposta tempestivas (NIST, 2004; NIST, 2006). Criptograficamente, recomenda-se privilegiar SHA-256 e AES, evitando SHA-1 para novas assinaturas à luz de resultados criptoanalíticos de 2005 (NIST, 2002).

Limitações residuais incluem a natureza inerentemente reativa de regras de IDS baseadas em assinaturas (ROESCH, 1999), a variabilidade do spam ao longo do tempo, e a possibilidade de ataques de baixo e difuso volume (“low-and-slow”) escaparem a limiares operacionais. A integração de revisões manuais periódicas de rótulos, amostragem e auditorias auxilia a fechar essas lacunas.

9. Conclusion

Demonstramos que, no contexto tecnológico de 2006, é viável proteger sistemas de AM combinando práticas maduras de segurança de redes e sistemas com métodos estatísticos de robustez. Formalizamos um modelo de ameaças com foco em evasão, envenenamento e exploração de infraestrutura; propusemos uma metodologia operacional em sete fases; implementamos um pipeline reproduzível com Weka/SVMlight e controles de integridade e perímetro; e quantificamos ganhos defensivos expressivos frente a ataques realistas. A consolidação de inventários assinados, hardening, detecção e correlação de eventos, e processos de resposta, articulados com validações estatísticas e políticas de re-treino, mostrou-se eficaz e aderente a normas então vigentes. Em síntese, a segurança de sistemas de AM em 2006 exige disciplina operacional, criptografia correta e desenho estatístico prudente — elementos suficientes para mitigar, com custo razoável, as ameaças dominantes à época.

References

ANDERSON, Ross. Security Engineering: A Guide to Building Dependable Distributed Systems. 1. ed. New York: Wiley, 2001. Disponível em: https://www.cl.cam.ac.uk/~rja14/book.html. Acesso em: 13 abr. 2026.

BARRENO, Marco; NELSON, Blaine; JOSEPH, Anthony D.; TYGAR, J. D. Can Machine Learning Be Secure? Berkeley: EECS Department, University of California, 2006. (UCB/EECS-2006-11). Disponível em: https://www2.eecs.berkeley.edu/Pubs/TechRpts/2006/EECS-2006-11.html. Acesso em: 13 abr. 2026.

CASEY, Eoghan. Handbook of Computer Crime Investigation: Forensic Tools and Technology. San Diego: Academic Press, 2001. Disponível em: https://www.sciencedirect.com/book/9780121631048/handbook-of-computer-crime-investigation. Acesso em: 13 abr. 2026.

CARRIER, Brian. File System Forensic Analysis. Boston: Addison-Wesley, 2005. Disponível em: https://www.pearson.com/en-us/subject-catalog/p/file-system-forensic-analysis/P200000003129/9780321268174. Acesso em: 13 abr. 2026.

CHESWICK, William R.; BELLOVIN, Steven M.; RUBIN, Aviel D. Firewalls and Internet Security: Repelling the Wily Hacker. 2. ed. Boston: Addison-Wesley, 2003. Disponível em: https://www.pearson.com/en-us/subject-catalog/p/firewalls-and-internet-security-repelling-the-wily-hacker/P200000002415/9780201634662. Acesso em: 13 abr. 2026.

CID, Daniel. OSSEC Host-Based Intrusion Detection System. 2005. Disponível em: https://www.ossec.net/. Acesso em: 13 abr. 2026.

DALVI, Nilesh; DOMINGOS, Pedro; SUMMIT, Mausam; SANGHVI, Sumit; SEYMOUR, Dennis. Adversarial Classification. In: PROCEEDINGS OF THE TENTH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING. 2004. p. 99–108. Disponível em: https://dl.acm.org/doi/10.1145/1014052.1014066. Acesso em: 13 abr. 2026.

DAYER, Tim; FREIER, Alan; KARLTON, Philip. The TLS Protocol Version 1.0. RFC 2246, 1999. Disponível em: https://www.rfc-editor.org/rfc/rfc2246. Acesso em: 13 abr. 2026.

FARMER, Dan; VENEMA, Wietse. Forensic Discovery. Boston: Addison-Wesley, 2005. Disponível em: http://www.porcupine.org/forensics/forensic-discovery/. Acesso em: 13 abr. 2026.

FERGUSON, Niels; SCHNEIER, Bruce. Practical Cryptography. Indianapolis: Wiley, 2003. Disponível em: https://www.schneier.com/books/practical_cryptography/. Acesso em: 13 abr. 2026.

FYODOR (LYON), Gordon. The Art of Port Scanning. Phrack Magazine, v. 7, n. 51, 1997. Disponível em: http://www.phrack.org/issues/51/3.html. Acesso em: 13 abr. 2026.

GRAHAM, Paul. A Plan for Spam. 2002. Disponível em: http://www.paulgraham.com/spam.html. Acesso em: 13 abr. 2026.

HOUSTON, Lawrence; POLK, Tim; HAINES, Thomas; COOPER, David. Internet X.509 Public Key Infrastructure Certificate and CRL Profile. RFC 3280, 2002. Disponível em: https://www.rfc-editor.org/rfc/rfc3280. Acesso em: 13 abr. 2026.

ISO/IEC. ISO/IEC 17799:2005 — Information technology — Security techniques — Code of practice for information security management. Geneva: ISO, 2005. Disponível em: https://www.iso.org/standard/39612.html. Acesso em: 13 abr. 2026.

ISO/IEC. ISO/IEC 27001:2005 — Information security management systems — Requirements. Geneva: ISO, 2005. Disponível em: https://www.iso.org/standard/42103.html. Acesso em: 13 abr. 2026.

JOACHIMS, Thorsten. Text Categorization with Support Vector Machines: Learning with Many Relevant Features. In: NÉDÉLEC, C.; NEDERHOF, A. (ed.). EUROPEAN CONFERENCE ON MACHINE LEARNING (ECML). 1998. p. 137–142. Disponível em: https://link.springer.com/chapter/10.1007/BFb0026683. Acesso em: 13 abr. 2026.

KENT, Stephen; ATKINSON, Randall. Security Architecture for the Internet Protocol. RFC 2401, 1998. Disponível em: https://www.rfc-editor.org/rfc/rfc2401. Acesso em: 13 abr. 2026.

KIM, Gene H.; SPAFFORD, Eugene H. The Design and Implementation of Tripwire: A File System Integrity Checker. Purdue University Technical Report CSD-TR-93-071, 1994. Disponível em: https://spaf.cerias.purdue.edu/techreports/93-071.pdf. Acesso em: 13 abr. 2026.

LOWD, Daniel; MEEK, Christopher. Adversarial Learning. In: PROCEEDINGS OF THE ELEVENTH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY IN DATA MINING. 2005. p. 641–647. Disponível em: https://dl.acm.org/doi/10.1145/1081870.1081950. Acesso em: 13 abr. 2026.

METASPLOIT PROJECT. Metasploit Framework. 2006. Disponível em: https://www.metasploit.com/. Acesso em: 13 abr. 2026.

MENEZES, Alfred; VAN OORSCHOT, Paul; VANSTONE, Scott. Handbook of Applied Cryptography. Boca Raton: CRC Press, 1996. Disponível em: http://cacr.uwaterloo.ca/hac/. Acesso em: 13 abr. 2026.

MOORE, David; PAXSON, Vern; SAVAGE, Stefan; SHANNON, Colleen; STANIFORD, Stuart; WEAVER, Nicholas. The Spread of the Sapphire/Slammer Worm. 2003. Disponível em: https://www.caida.org/publications/papers/2003/sapphire/sapphire.html. Acesso em: 13 abr. 2026.

NAGIOS ENTERPRISES. Nagios Core Documentation. 2006. Disponível em: https://www.nagios.org/documentation/. Acesso em: 13 abr. 2026.

NIST. FIPS PUB 197: Advanced Encryption Standard (AES). 2001. Disponível em: https://csrc.nist.gov/publications/detail/fips/197/final. Acesso em: 13 abr. 2026.

NIST. FIPS PUB 180-2: Secure Hash Standard (SHS). 2002. Disponível em: https://csrc.nist.gov/publications/detail/fips/180/2/final. Acesso em: 13 abr. 2026.

NIST. SP 800-41: Guidelines on Firewalls and Firewall Policy. 2002. Disponível em: https://csrc.nist.gov/publications/detail/sp/800-41/final. Acesso em: 13 abr. 2026.

NIST. SP 800-61: Computer Security Incident Handling Guide. 2004. Disponível em: https://csrc.nist.gov/publications/detail/sp/800-61/final. Acesso em: 13 abr. 2026.

NIST. SP 800-92: Guide to Computer Security Log Management. 2006. Disponível em: https://csrc.nist.gov/publications/detail/sp/800-92/final. Acesso em: 13 abr. 2026.

OWASP FOUNDATION. The Ten Most Critical Web Application Security Vulnerabilities (OWASP Top Ten 2004). 2004. Disponível em: https://owasp.org/www-project-top-ten/2004/. Acesso em: 13 abr. 2026.

PAXSON, Vern. Bro: A System for Detecting Network Intruders in Real-Time. Computer Networks, v. 31, n. 23–24, p. 2435–2463, 1999. Disponível em: https://www.icir.org/vern/papers/bro-CN99.pdf. Acesso em: 13 abr. 2026.

PORTER, M. F. An algorithm for suffix stripping. Program, v. 14, n. 3, p. 130–137, 1980. Disponível em: https://tartarus.org/martin/PorterStemmer/def.txt. Acesso em: 13 abr. 2026.

RFP (RAIN FOREST PUPPY). SQL Injection Walkthrough. 2002. Disponível em: http://www.wiretrip.net/papers/sql-injection-walkthrough/. Acesso em: 13 abr. 2026.

RISTIC, Ivan. Apache Security. Sebastopol: O’Reilly Media, 2005. Disponível em: https://www.oreilly.com/library/view/apache-security/0596007248/. Acesso em: 13 abr. 2026.

ROESCH, Martin. Snort – Lightweight Intrusion Detection for Networks. In: PROCEEDINGS OF LISA ’99: 13TH SYSTEMS ADMINISTRATION CONFERENCE. 1999. p. 229–238. Disponível em: https://www.usenix.org/legacy/events/lisa99/full_papers/roesch/roesch.pdf. Acesso em: 13 abr. 2026.

SAHAMI, Mehran; DUMAIS, Susan; HECKERMAN, David; HORVITZ, Eric. A Bayesian Approach to Filtering Junk E-mail. In: AAAI-98 WORKSHOP ON LEARNING FOR TEXT CATEGORIZATION. 1998. Disponível em: https://www.microsoft.com/en-us/research/publication/a-bayesian-approach-to-filtering-junk-e-mail/. Acesso em: 13 abr. 2026.

SALTON, Gerard; BUCKLEY, Chris. Term-Weighting Approaches in Automatic Text Retrieval. Information Processing & Management, v. 24, n. 5, p. 513–523, 1988. Disponível em: https://doi.org/10.1016/0306-4573(88)90021-0. Acesso em: 13 abr. 2026.

TENABLE NETWORK SECURITY. Nessus Vulnerability Scanner. 2006. Disponível em: https://www.tenable.com/products/nessus. Acesso em: 13 abr. 2026.