File carving com CNNs leves recupera arquivos por fragmento em hardware modesto
Recuperar arquivos sem os metadados do sistema de arquivos depende de classificar corretamente cada fragmento. Redes neurais leves com convoluções separáveis atingem 79% de acurácia no dataset FFT-75 com cerca de 100 mil parâmetros — eficientes o bastante para rodar em equipamentos limitados de laboratório.
File carving — recuperar arquivos quando os metadados do sistema de arquivos já se foram — depende de classificar corretamente cada fragmento órfão. O trabalho ataca esse problema com redes neurais convolucionais deliberadamente pequenas, usando convoluções separáveis em profundidade para cortar o custo computacional.
O resultado: cerca de 79% de acurácia no FFT-75, dataset de referência com 75 tipos de arquivo, usando na ordem de 100 mil parâmetros — ordens de grandeza menos que as arquiteturas anteriores de desempenho comparável. Isso significa classificação de fragmentos viável em estação de trabalho comum, sem GPU de datacenter.
Para o laboratório, é o tipo de avanço silencioso que muda o dia a dia: carving mais preciso significa menos falso positivo para revisar manualmente em casos de recuperação de mídia apagada ou danificada — justamente as horas mais tediosas do exame.