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: 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 · PTInteligência 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 →101 papers
Arquitetura Formal para Detecção e Mitigação Adaptativa de Ataques Multiestágio em Ambientes Cloud-Native Baseada em Modelagem Probabilística e Telemetria Distribuída
A crescente adoção de infraestruturas cloud-native introduziu um paradigma operacional altamente dinâmico, elástico e distribuído, ampliando significativamente a superfície de ataque organizacional. Incidentes recentes envolvendo comprometimento de credenciais, exploração de APIs expostas e movimentos laterais em ambientes Kubernetes evidenciam limitações estruturais dos mecanismos tradicionais de detecção. Neste trabalho, propomos uma arquitetura formal para detecção e mitigação adaptativa de ataques multiestágio em ambientes de nuvem pública e híbrida, fundamentada em modelagem probabilística bayesiana e correlação de telemetria distribuída em múltiplos planos (controle, dados e identidade). Nossa metodologia integra grafos de dependência entre recursos cloud, modelagem de caminhos de ataque baseada em MITRE ATT&CK e inferência probabilística dinâmica para estimar risco condicional em tempo real. Implementamos um protótipo funcional sobre AWS e Kubernetes, coletando 3,2 bilhões de eventos ao longo de 45 dias, incluindo logs de CloudTrail, VPC Flow Logs, eBPF e auditoria do API Server. Avaliamos o sistema contra três baselines (SIEM baseado em regras, IDS estatístico e modelo isolado de aprendizado supervisionado). Os resultados demonstram redução de 47,3% na taxa de falsos positivos, aumento de 31,8% na detecção precoce de movimentos laterais e latência média de inferência inferior a 280 ms sob carga de 25.000 eventos/s. Além disso, a mitigação automatizada reduziu o tempo médio de contenção de 42 minutos para 6,8 minutos. Concluímos que a combinação de modelagem formal de dependências cloud com inferência probabilística contextual oferece ganhos substanciais em precisão e resiliência operacional, estabelecendo fundamentos para sistemas autônomos de defesa adaptativa em ambientes cloud-native de larga escala.
Read paper →CloudModelagem Operacional de Ameaças e Detecção Baseada em Telemetria para Ambientes Multi‑Cloud: Estratégias Práticas de Defesa em Infraestruturas IaaS, PaaS e Kubernetes (2025)
A computação em nuvem tornou‑se o substrato operacional dominante para infraestrutura corporativa, serviços digitais e plataformas de inteligência artificial. Em 2025, ambientes multi‑cloud e híbridos combinando AWS, Microsoft Azure e Google Cloud Platform (GCP) são comuns, enquanto arquiteturas cloud‑native baseadas em contêineres, Kubernetes e funções serverless ampliam significativamente a superfície de ataque. Este artigo apresenta uma análise operacional de segurança em cloud focada na modelagem de ameaças, na formalização de riscos e na implementação prática de mecanismos de detecção e resposta baseados em telemetria. A pesquisa examina vetores de ataque recorrentes observados em operações de red teaming e incident response entre 2021 e 2025, incluindo abuso de identidades IAM, exfiltração via APIs cloud, comprometimento de workloads em Kubernetes e exploração de configurações incorretas em armazenamento e redes virtuais. Propomos um modelo formal de avaliação de risco adaptado para ambientes cloud que combina métricas de exposição, privilégio e observabilidade, expresso matematicamente para permitir priorização automatizada de mitigação. A metodologia inclui coleta de telemetria nativa (CloudTrail, Azure Activity Logs, GCP Audit Logs), instrumentação de runtime com eBPF e detecção comportamental baseada em regras alinhadas ao framework MITRE ATT&CK for Cloud. O estudo descreve uma implementação prática utilizando ferramentas amplamente adotadas até 2025, incluindo Falco, ScoutSuite, kube‑bench e pipelines de análise em SIEM. Avaliamos experimentalmente a abordagem em um ambiente multi‑cloud simulado contendo workloads Kubernetes e serviços serverless, demonstrando redução significativa no tempo médio de detecção (MTTD) e melhoria na priorização de riscos. Também apresentamos um estudo de caso realista baseado em padrões observados em incidentes públicos envolvendo credenciais expostas e abuso de APIs cloud. Os resultados indicam que a combinação de modelagem formal de risco com telemetria granular e controles Zero Trust fornece ganhos substanciais na resiliência operacional de ambientes cloud. O trabalho contribui com um framework prático para equipes de segurança ofensiva e defensiva que operam em infraestruturas cloud complexas, alinhado ao estado da arte do ecossistema de segurança até 2025.
Read paper →CloudUma Arquitetura Formal para Detecção e Contenção Adaptativa de Ameaças em Ambientes Multi-Cloud Baseada em Grafos Temporais e Políticas Verificáveis
A adoção de estratégias multi-cloud e híbridas consolidou-se como prática dominante em setores críticos, ampliando a complexidade semântica e operacional dos mecanismos de controle de acesso e monitoramento de segurança. A heterogeneidade entre AWS IAM, Microsoft Entra ID/Azure RBAC, Google Cloud IAM e modelos RBAC/ABAC em Kubernetes, combinada à federação de identidades, pipelines CI/CD e integrações orientadas a APIs, introduz dependências temporais e transversais que não são capturadas por análises locais de políticas. Relatórios recentes indicam que o uso indevido de credenciais válidas permanece como vetor predominante de incidentes, frequentemente explorando composições legítimas de permissões. Propomos uma arquitetura formal para detecção e contenção adaptativa de ameaças baseada em grafos temporais de privilégio e verificação automática de políticas via SMT. Formalizamos o ambiente multi-cloud como um sistema dinâmico $G_t = (V_t, E_t, \tau_t, w_t, \ell_t)$, definindo caminhos de comprometimento, risco temporal acumulado e o problema dual de detecção e contenção como instâncias de alcançabilidade e corte mínimo sob restrições funcionais. Demonstramos propriedades de correção parcial e redução a fluxo máximo para contenção mínima. Apresentamos um algoritmo incremental com análise de complexidade amortizada sublinear sob hipóteses de esparsidade e localidade temporal. A contenção é validada por codificação de invariantes organizacionais em lógica de primeira ordem decidível, resolvida por SMT. Implementamos protótipo em Kubernetes 1.29 com backend de grafo e integração com OPA e taxonomias MITRE ATT&CK. Avaliações empíricas com logs reais anonimizados e cenários sintéticos mostram redução estatisticamente significativa no tempo de detecção em comparação a abordagens baseadas exclusivamente em correlação. Estudos de caso nos setores financeiro e de saúde ilustram a capacidade de bloquear cadeias de ataque preservando requisitos funcionais. A proposta contribui para a convergência entre segurança baseada em identidade, verificação formal e resposta automatizada em ecossistemas multi-cloud contemporâneos.
Read paper →CloudDetecção Formalmente Verificável de Desvios de Configuração e Cadeias de Ataque em Ambientes Multi‑Nuvem Baseada em Grafos de Dependência e Inferência Probabilística
1. Introduction
Read paper →CloudUma Arquitetura Formalmente Verificável para Detecção e Mitigação de Movimentação Lateral em Ambientes Multi-Cloud Baseada em Telemetria Distribuída, Verificação Temporal e Análise Composicional
1. Introduction
Read paper →