tema

#deteccao-de-intrusao

5 publicações marcadas com esta tag.

panoramaAD-2026-261 · 2026-11-05

MODEXRE: pipeline forense une IA explicável e cadeia de custódia digital para detecção de intrusão em rede

Pesquisadores apresentam o MODEXRE, um pipeline que transforma um classificador XGBoost com explicabilidade SHAP em uma ferramenta forense de verdade: ele separa um modo 'Laboratório' (treino e certificação em dados sintéticos) de um modo 'Formal' (inferência sobre evidência real de caso, com modelo congelado e hash-verificado). O artigo documenta quatro falhas reais encontradas durante o desenvolvimento — incluindo vazamento de timestamp e um classificador binário certificado por engano quando deveria ser multiclasse — e como a correção delas mudou drasticamente os resultados em uma captura de pacotes real.

#artigo-cientifico #cadeia-de-custodia #deteccao-de-intrusao #IA-explicavel #SHAP #forense-de-rede

Fonte ↗

panoramaAD-2026-249 · 2026-11-02

Quando investigadores de IA não podem confiar em suas próprias ferramentas: verificação de evidências para investigação de ameaças cibernéticas

Um artigo acadêmico recém-publicado no arXiv (cs.CR) examina o que acontece quando agentes baseados em LLM triam alertas de segurança combinando as saídas de múltiplos detectores sem verificar se essas fontes são confiáveis entre si. Usando o dataset CIC-IDS2017 corrigido, os autores mostram que corromper apenas um de quatro detectores já é suficiente para destruir a acurácia da triagem automatizada, e propõem um mecanismo de verificação cruzada (CAV) que recupera boa parte dessa acurácia a baixo custo computacional.

#artigo-cientifico #resposta-a-incidentes #deteccao-de-intrusao #verificacao-de-evidencias #llm

Fonte ↗

panoramaAD-2026-193 · 2026-09-30

ANCHOR: investigação de intrusões assistida por LLM sobre grafos de proveniência do sistema

Pesquisadores apresentam o ANCHOR, um sistema que usa LLMs para transformar os alertas brutos de sistemas de detecção de intrusão baseados em proveniência (PIDS) em narrativas de ataque coerentes e organizadas por estágios da kill chain. A ferramenta combina curadoria de evidências com contexto de implantação (linhas de base de comportamento normal do ambiente) e um cache de rastreamento de ataques que mantém o estado da investigação ao longo de múltiplas janelas temporais. Avaliado em seis datasets DARPA Transparent Computing (E3/E5) cobrindo três sistemas operacionais, o sistema melhora a recuperação de indicadores de comprometimento e a atribuição de estágios de ataque em relação a baselines anteriores, a um custo de poucos dólares por dia de auditoria processado.

#artigo-cientifico #deteccao-de-intrusao #provenance #llm #resposta-a-incidentes #threat-hunting #kill-chain

Fonte ↗

risco médioAD-2026-176 · 2026-09-17

Estudo mostra que tráfego do Model Context Protocol (MCP) passa despercebido por IDS mesmo se parecendo com beaconing de C2

Pesquisadores demonstram que o tráfego JSON-RPC de agentes de IA usando o Model Context Protocol tem padrão estrutural e temporal parecido com o beaconing de frameworks de C2 como o Cobalt Strike, mas passa ileso por Suricata e pela pontuação comportamental do RITA em todos os cenários testados. Os autores propõem um padrão de indicação nativa para agentes (ALPN dedicado e headers fora de banda) para fechar essa lacuna de visibilidade.

#artigo-cientifico #forense-de-rede #deteccao-de-intrusao #c2 #mcp #ioc

Fonte ↗

panoramaAD-2026-169 · 2026-09-16

RECAL corrige viés de relações em grafos de proveniência para detectar APTs com menos falsos positivos

Um novo framework não supervisionado, o RECAL, ataca um problema pouco discutido em sistemas de detecção de intrusão baseados em proveniência (PIDS): a frequência de tipos de relação em grafos de auditoria pode variar em até 140.000 vezes, fazendo os modelos ignorarem padrões raros e relevantes. Testado nos datasets DARPA Engagement 3, o método reduziu a taxa de falsos positivos em até 105 vezes mantendo F1 acima de 99,9%.

#artigo-cientifico #forense-de-host #deteccao-de-intrusao #apt #darpa-e3 #logs #graph-learning

Fonte ↗