USO DE INTELIGÊNCIA ARTIFICIAL PARA DETECÇÃO PROATIVA DE AMEAÇAS CIBERNÉTICAS EM AMBIENTES CORPORATIVOS
DOI:
https://doi.org/10.63330/aurumpub.021-005Palavras-chave:
Inteligência Artificial, Cibersegurança, Detecção de ameaças, Análise comportamental, Aprendizado de máquinaResumo
O presente trabalho abordou a utilização da Inteligência Artificial para a detecção proativa de ameaças cibernéticas em ambientes corporativos, apresentando os principais conceitos, tecnologias e modelos que permitiram compreender como a adoção de soluções inteligentes fortaleceu a segurança digital das organizações. O estudo teve como objetivo analisar de que maneira técnicas como aprendizado de máquina, aprendizado profundo, análise comportamental e correlação de eventos contribuíram para aprimorar a identificação de ataques, especialmente aqueles que não possuíam assinaturas conhecidas ou evidências prévias, como os ataques zero- day. A pesquisa utilizou metodologia bibliográfica e qualitativa, baseada na análise de livros, artigos científicos e documentos especializados que abordaram a evolução das ameaças digitais, os fundamentos da segurança da informação e o papel das tecnologias inteligentes na proteção de infraestruturas corporativas. Os resultados demonstraram que sistemas tradicionais de segurança apresentaram diversas limitações diante da crescente sofisticação dos ataques, evidenciando a necessidade de ferramentas capazes de aprender continuamente e de analisar grandes volumes de dados em tempo real. Observou-se que soluções baseadas em Inteligência Artificial permitiram maior precisão na detecção de anomalias, redução de falsos positivos, antecipação de comportamentos maliciosos e maior eficiência na resposta a incidentes. Concluiu-se que o uso de Inteligência Artificial na cibersegurança representou um avanço significativo para as empresas, ao oferecer recursos mais dinâmicos, adaptáveis e eficazes no enfrentamento das ameaças contemporâneas. Além disso, verificou-se que a adoção dessas tecnologias contribuiu para a construção de um ambiente organizacional mais seguro, previsível e resiliente, reforçando a importância de investir em modelos inteligentes de proteção como parte essencial das estratégias de gestão da segurança.
Downloads
Referências
AHMAD, R.; TRAN, D.; CAMPBELL, J. Hybrid Machine Learning Approaches for Detecting Cybersecurity Threats. Journal of Information Security, v. 10, n. 3, p. 122– 134, 2019.
ALIANI, M. et al. Deep Learning-Based Cyber-Attack Detection for Industrial Control Systems. IEEE Access, v. 8, p. 94617–94626, 2020.
ALI, M.; SHARMA, P. AI-Augmented Zero Trust Architecture: Enhancing Enterprise Cybersecurity Strategies. Journal of Cybersecurity and Digital Trust, v. 5, n. 1, p. 56– 70, 2021.
ANDERSON, Ross; MOORE, Tyler. The Economics of Information Security. Science, v. 314, n. 5799, p. 610–613, 2016.
BREADSTEIN, L.; SINGH, A. User and Entity Behavior Analytics for Insider Threat Detection. International Journal of Information Security, v. 18, n. 3, p. 245–260, 2019.
BUCZAK, A. L.; GUVEN, E. A Survey of Data Mining and Machine Learning Methods for Cyber Security Intrusion Detection. IEEE Communications Surveys & Tutorials, v. 18, n. 2, p. 1153–1176, 2016.
FERNANDES, Marcos; OLIVEIRA, Thales. Ransomware: evolução, impacto e desafios contemporâneos na segurança da informação. Revista Brasileira de Segurança da Informação, v. 10, n. 2, p. 45–62, 2021.
GARCIA-TEODORO, P. et al. Intelligent Event Correlation for Large-Scale Cybersecurity Monitoring. Computers & Security, v. 103, p. 102–126, 2021.
GARTNER. Market Guide for Security Information and Event Management. Gartner Research, 2020.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge: MIT Press, 2016.
KIM, J.; PARK, S. Adaptive Cyber Threat Detection Through Continuous Machine Learning Optimization. Journal of Network and Computer Applications, v. 204, p. 103– 121, 2022.
MITCHELL, T. M. Machine Learning. New York: McGraw-Hill, 1997.
MOUSTAFA, N.; SLAY, J. The Evaluation of Network Anomaly Detection Systems: Statistical Methods and Machine Learning Models. ACM Computing Surveys, v. 52, n. 2, p. 1–40, 2019.
RUSSELL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach. 4. ed. New York: Pearson, 2021.
SHONE, N. et al. A Deep Learning Approach to Network Intrusion Detection. IEEE Transactions on Emerging Topics in Computational Intelligence, v. 2, n. 1, p. 41–50, 2018.
SINGH, S.; BANGAR, M.; GEETHA, S.; GUPTA, B. Anomaly-Based Intrusion Detection Using Machine Learning Techniques. Computers & Security, v. 87, p. 101– 110, 2019.
SOMMER, R.; PAXSON, V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection. IEEE Symposium on Security and Privacy, p. 305– 316, 2010.
SOUZA, Rafael; MENDES, Eduardo. Malwares polimórficos e os desafios para detecção baseada em assinaturas. Journal of Cybersecurity Studies, v. 4, n. 1, p. 23– 37, 2020.
STALLINGS, William. Network Security Essentials: Applications and Standards. 6. ed. Boston: Pearson, 2019
Downloads
Publicado
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
