Federated Forensics propoe arquitetura para investigacoes periciais multi-agencia sem violar fronteiras jurisdicionais
O artigo 'Federated Forensics' propoe uma arquitetura de tres camadas que permite a agencias de investigacao de diferentes paises treinarem modelos analiticos em conjunto sem centralizar dados, respeitando regras de jurisdicao e governanca. A camada intermediaria atua como uma fronteira que bloqueia atualizacoes de modelo de cruzarem limites nao autorizados, mesmo usando-as localmente.
Investigacoes forenses digitais sao cada vez mais transnacionais: um caso de malware, fraude ou exfiltracao de dados frequentemente envolve evidencias e amostras espalhadas por agencias de diferentes paises, cada uma sujeita a regras proprias de compartilhamento de dados e cadeia de custodia. O aprendizado federado (Federated Learning) e atraente nesse cenario porque permite treinar um modelo conjunto sem que os dados brutos saiam de cada agencia — mas os autores apontam que nenhum framework de FL existente aplica, de fato, as regras de jurisdicao, governanca e responsabilizacao que esse tipo de cooperacao pericial exige.
A partir de sete requisitos levantados com base nessas restricoes juridicas, os autores desenham o 'Federated Forensics', uma arquitetura de referencia de tres camadas. A diferenca central em relacao a desenhos hierarquicos de FL existentes esta na camada intermediaria, posicionada exatamente na fronteira jurisdicional: ela pode usar uma atualizacao de modelo localmente (para beneficiar a agencia que a gerou) mas bloqueia essa mesma atualizacao de atravessar a fronteira para outras agencias, caso as regras de compartilhamento nao permitam. E, na pratica, um gate de politica que decide, atualizacao por atualizacao, o que pode ou nao ser agregado ao modelo global compartilhado.
Os autores validaram o prototipo numa tarefa de classificacao de familias de malware distribuida entre agencias simuladas. O gate de politica bloqueou every restricted update na fronteira, com zero violacoes registradas no experimento. Mais revelador: a acuracia na classe restrita (dados que uma agencia nao podia compartilhar) subiu de 0% — caso em que a abordagem compliant hoje simplesmente ignora essas classes — para 93,0%, ficando apenas 4,4 pontos percentuais abaixo de um cenario hipotetico sem qualquer restricao de compartilhamento.
O trabalho e relevante para quem lida com cooperacao internacional em DFIR porque mostra um caminho concreto para equipes conjuntas de investigacao (JITs) e laboratorios forenses de diferentes paises colaborarem em deteccao de malware ou outros modelos analiticos sem recorrer a atalhos que violem acordos de compartilhamento de dados ou comprometam a cadeia de custodia — um problema pratico relatado por quem trabalha em casos cross-border, mas raramente endereçado com uma arquitetura tecnica especifica como esta.