Research / Paper Files

Paper Files

Os Paper Files são uma prática pessoal de estudo contínuo em cibersegurança que aplica o método científico como ferramenta de aprendizado. Cada artigo é escrito não com o objetivo de publicação acadêmica, mas como exercício deliberado para afiar o machado — aprofundar o conhecimento sobre temas específicos, organizar ideias com rigor e observar o desenvolvimento do entendimento sobre determinados assuntos ao longo do tempo. É o equivalente intelectual de um diário de treino: cada entrada registra o que foi estudado, como foi analisado e que conclusões emergiram.

Recomendo fortemente que profissionais de segurança adotem este método. Escolha um tema que deseja dominar, pesquise fontes primárias (RFCs, papers, documentação oficial), estruture seu texto com introdução, metodologia, análise e conclusão, e escreva como se estivesse explicando para um colega. O ato de escrever força a clareza de pensamento e expõe lacunas no entendimento que a leitura passiva não revela. Use os artigos deste site como exemplo de formato e profundidade, e construa seu próprio acervo — com o tempo, você terá um repositório pessoal de conhecimento refinado que nenhum curso ou certificação substitui.

DAI & ADAI · 2026

DAI · PT

DAI: uma LLM de domínio específico com autoridade excluída do modelo, verificação por capacidades disjuntas e recibos recomputáveis

DAI (Decripte Artificial Intelligence) é uma LLM própria de domínio específico inserida em uma arquitetura de defesa autônoma governada. É uma instância da categoria proposta ADAI, definida no paper complementar. O traba…

Ler o paper →ADAI · PT

Inteligência Artificial de Defesa Autônoma: um arcabouço de envelope e evidência para LLMs governadas que agem sobre infraestrutura de produção

ADAI (Autonomous Defensive Artificial Intelligence) é uma categoria proposta de defesa cibernética autônoma governada. O arcabouço especifica perímetros defendidos, efeitos delimitados, reversão declarada e verificação p…

Ler o paper →

Todos Detection DFIR AppSec DevSecOps AI Security IAM Cloud Containers IR Crypto Research Phishing Secrets

104 papers

AI Security

Arquitetura Formal para Segurança de Sistemas de Inteligência Artificial: Modelagem de Ameaças, Verificação Adversarial e Mitigação Robusta com Garantias Quantificáveis

A crescente incorporação de sistemas de Inteligência Artificial (IA) em infraestruturas críticas, serviços financeiros, plataformas digitais e ambientes industriais introduziu uma nova superfície de ataque cuja complexidade transcende os paradigmas tradicionais de segurança computacional. Modelos de aprendizado profundo são suscetíveis a ataques adversariais, envenenamento de dados, extração de modelos e inferência de atributos sensíveis, comprometendo confidencialidade, integridade e disponibilidade. Neste trabalho, propomos uma arquitetura formal integrada para segurança de IA que combina modelagem matemática de ameaças, verificação adversarial automatizada e mecanismos de mitigação robusta com garantias quantificáveis. Nossa metodologia unifica três componentes: (i) um modelo formal de adversário parametrizado por orçamento computacional e capacidade de acesso, (ii) um mecanismo de detecção de anomalias baseado em divergência estatística adaptativa, e (iii) um módulo de robustez certificada utilizando otimização convexa relaxada. Implementamos um protótipo em ambientes PyTorch e TensorFlow, avaliando-o em conjuntos CIFAR-10, ImageNet-subset e UNSW-NB15. Sob ataques PGD com $\epsilon = 8/255$, nosso método elevou a acurácia robusta de 32,4% (baseline) para 61,7%, com desvio padrão de 1,8%. Em cenários de envenenamento com 10% de dados corrompidos, reduzimos o impacto no erro de generalização em 47%. Demonstramos ainda redução de 63% na taxa de sucesso de ataques de extração de modelo. A análise de complexidade indica sobrecarga média de 18% em tempo de inferência, mantendo viabilidade operacional. Nossos resultados evidenciam que a integração sistemática de verificação formal e mitigação estatisticamente fundamentada constitui um avanço substancial na engenharia de segurança de IA, fornecendo garantias mensuráveis alinhadas às diretrizes do NIST AI Risk Management Framework.

2007-08-09Read paper →AI Security

Arquitetura Formal para Segurança de Sistemas de Inteligência Artificial: Um Modelo Unificado de Defesa Contra Ataques Adversariais, Envenenamento e Extração de Modelos

A crescente integração de sistemas de Inteligência Artificial (IA) em infraestruturas críticas, serviços financeiros, plataformas de saúde e ambientes industriais tem ampliado significativamente a superfície de ataque cibernético. Modelos de aprendizado de máquina (ML) e aprendizado profundo (DL) introduzem vulnerabilidades específicas, incluindo ataques adversariais, envenenamento de dados e extração de modelos, que não são adequadamente mitigadas por mecanismos tradicionais de segurança da informação. Neste trabalho, propomos uma arquitetura formal unificada para segurança de IA, integrando mecanismos de robustez estatística, detecção de anomalias em tempo de execução e garantias criptográficas. Nossa metodologia combina (i) regularização adversarial adaptativa, (ii) detecção probabilística baseada em divergência de distribuições e (iii) mecanismos de prova de integridade utilizando funções hash autenticadas e verificação remota. Formalizamos o problema sob um modelo de ameaça paramétrico e demonstramos que nossa abordagem reduz a taxa de sucesso de ataques adversariais de 78,4% para 12,7% em cenários de caixa branca e de 64,2% para 18,9% em cenários de caixa preta. Em ataques de envenenamento com taxa de contaminação de 10%, observamos redução do impacto na acurácia de 22,5% para 4,3%. A sobrecarga computacional média foi de 11,6% em inferência e 18,2% em treinamento. Avaliamos o sistema em três conjuntos de dados amplamente utilizados (CIFAR-10, ImageNet-Subset e UNSW-NB15) e comparamos contra defesas de referência, incluindo adversarial training clássico e mecanismos baseados em detecção estatística isolada. Os resultados demonstram superioridade estatisticamente significativa (p < 0,01) em robustez e estabilidade. Concluímos que a segurança de IA deve ser tratada como disciplina formal com propriedades verificáveis, e não como extensão ad hoc da segurança tradicional.

2007-08-02Read paper →AI Security

Arquitetura Formalmente Verificável para Segurança de Modelos de Aprendizado de Máquina sob Ataques Adaptativos: Um Framework Integrado de Robustez, Monitoramento e Garantias Criptográficas

A crescente integração de modelos de aprendizado de máquina (ML) em infraestruturas críticas introduziu uma nova superfície de ataque no ecossistema de segurança cibernética. Ataques adversariais, envenenamento de dados, extração de modelos e inferência de atributos demonstraram a fragilidade de sistemas baseados em inteligência artificial, com impactos documentados em setores financeiro, de saúde e defesa. Neste trabalho, propomos uma arquitetura integrada e formalmente fundamentada para segurança de modelos de ML sob adversários adaptativos, combinando robustez adversarial certificada, detecção de desvios comportamentais em tempo de execução e garantias criptográficas de integridade e confidencialidade. Nossa metodologia articula três componentes principais: (i) treinamento robusto com regularização Lipschitz e certificação probabilística; (ii) monitoramento online baseado em modelagem estatística de distribuições latentes e detecção de anomalias via testes sequenciais; e (iii) encapsulamento criptográfico com atestação remota e computação confidencial. Formalizamos o modelo de ameaça com capacidades alinhadas ao MITRE ATT&CK (T1565, T1190, T1027) e definimos propriedades de segurança mensuráveis. Avaliamos a arquitetura em três conjuntos de dados (CIFAR-10, UNSW-NB15 e MIMIC-III) e dois cenários reais de detecção de intrusão. Em comparação com baselines de robustez adversarial (PGD-training) e detecção isolada, nosso framework reduziu a taxa de sucesso de ataques adversariais de 78,4% para 21,7%, detectou 93,2% dos ataques de envenenamento com taxa de falso positivo de 3,8%, e manteve overhead computacional médio de 11,6%. Demonstramos que a integração sistemática de mecanismos formais e operacionais oferece ganhos substanciais em resiliência sistêmica, estabelecendo diretrizes concretas para o desenvolvimento seguro de sistemas de IA em ambientes de alto risco.

2007-07-26Read paper →AI Security