Vinicius Ferrasso da Silva[1]

 

O malware é ameaça constante na vida dos profissionais da Ciência da Computação[2]. Em regra, além de atrasarem projetos de sistemas devido ao tempo dispensado para criação de barreiras contra os cibercriminosos que os criam, também exige que os profissionais mantenham total vigilância da vida do sistema operacional, para que um malware não consiga romper o exército de combate previamente constituído.

O poder de invasão do malware se assemelham, de modo análogo, ao modo como agem os criminosos que cometem os crimes tradicionais contra o patrimônio. Para serem combatidos, previamente são construídas grades, colocados alarmes e cerca elétrica, bem como há monitoramento, de modo a garantir a segurança das casas contra diversos tipos penais, seja o furto, seja roubo, seja o sequestro, entre outros. O malware se manifesta de diversas formas, sendo elas:

 

(i)   Vírus: pode ser considerado o malware mais popular; as pessoas costumam afirmar: “tive que formatar meu computador, um vírus travou minha máquina”. Em regra, o vírus busca se anexar noutro programa e, ao se autoexecutar, dá indicativos de sua presença diante de redução considerável na velocidade de hardware, que deixa morosos os programas na máquina instalados, alterando os códigos dos programas;

(ii)  Worms: muito semelhante ao vírus, esse malware se multiplica com o objetivo de se proliferarem na rede para atingirem outros computadores. Além do dano de alterar os códigos dos programas, também destroem dados e arquivos;

(iii)         Spyware: caracteriza-se pela transparência; é um malware que a maioria dos usuários sequer notam sua presença no sistema operacional. Seu objetivo é observar todas as atividades do usuário e repassá-las ao autor do software;

(iv)         Ransomware: o malware que paralisa o dispositivo ainda tem a capacidade de criptografar seus arquivos. Todo esse potencial danoso com o intuito pedir uma recompensa nos crimes contra o patrimônio tradicionais poderia equipará-lo à extorsão mediante sequestro. O ransoware é considerado um malware lucrativo para os cibercriminosos, porque exige um pagamento rápido a ser realizado pelo usuário. Em regra, mediante transferência de criptomoedas que, por meio da blockchain, não deixam rastros no caminho do valor de recompensa até a chave pública do cibercriminoso. O caminho para se alcançar o procedimento e o código do ransomware é tarefa fácil na web deep; porém, livrar-se dele é tarefa árdua.

(v)  Trojan: mais conhecido como cavalo de Tróia, é um malware extremamente danoso ao sistema operacional[3]. Ele age com a estratégia de conduzir o usuário ao erro. Quando penetrado no ambiente, os cibercriminosos que comandam o malware furtam as informações financeiras do usuário e, muitas vezes, deixam rastros ao instalarem o vírus e ransomware.

(vi)         Adware: o malware é um software indesejado criado para inserir anúncios na tela do navegador da Web do usuário. Em regra, disfarça-se como legítimo ou se aparenta sobre outro programa, de modo a instalar-se no sistema operacional, seja dos computadores, seja dos smartphones;

(vii)        Keylogger: esse malware registra a ordem de pressionamento de tecla do usuário, e as envia ao cibercriminoso, que seleciona apenas as informações de nome de usuário, senhas ou detalhes de cartões de crédito;

(viii)      Exploits: é um malware que se utiliza dos bugs e vulnerabilidades do sistema para que o cibercriminoso assuma o controle da máquina. O malware também se mostra por meio das propagandas maliciosas que atacam por meio de sites legítimos; os usuários que pensam estar acessando conteúdos legítimos. Quando o usuário acessa o conteúdo aparentemente legítimo, o cibercriminoso lança o seu malware, em um download drive-by, e se instala no computador do usuário;

(ix)         Rootkit: nesse malware, o cibercrimonoso adquire a administração do sistema infectado, mantendo-se escondido do próprio usuário, driblando o sistema operacional e o software do sistema;

(x)  Mineração maliciosa de criptomoeda: denominada também de cryptojacking, é um malware em ascensão, usualmente como já visto, utilizado pelo cavalo de Tróia para exigir a recompensa de criptomoedas. O malware utiliza o poder de hardware da máquina invadida para minerar criptomoedas. Desse modo, diminui substancialmente a capacidade de hardware da máquina do usuário, e as criptomoedas mineiradas vão diretamente para a hash do cibercriminoso.

 

A ameaça do malware está presente na história da computação desde a sua criação e, enquanto descrevo isso, cibercriminosos acabam de invadir as contas do Twiter de Jeff Bezos, Bill Gates, Elon Musk e Barack Obama, para solicitar, de seus seguidores, o depósito em hashs públicas de carteiras privadas que jamais saberemos os seus proprietários. E notem: a característica do modus operandi do cibercriminoso desse caso concreto não se enquadra a nenhum dos malwares descritos anteriormente, o que faz resultar noutra espécie de cibercrime. Destaca-se, desse modo, que a diferença da tecnologia do início da computação para a atual tecnologia é esta: tempos atrás, eram localizados os IP da máquina do cibercriminoso que enviavam o malware. Atualmente, não se pode localizar a conta de criptomoeda que recebeu milhões de dólares em segundos após a postagem fake no Twitter das personalidades, e talvez jamais será localizada.

Historicamente, o primeiro vírus reconhecido e documentado exsurgiu no decorrer da década de 1970. Destaca-se Bob Thomas, o criador do cartão de visita Creeper, que disse: “Eu sou a trepadeira, me pegue se puder!”. Ele desenvolveu um malware inofensivo, com o intuito de demonstrar à comunidade da ciência da computação a capacidade de um software ser transmitido automaticamente de um computador para outro.[4] A motivação de Bob Thomas foi uma extensão das ideias de John von Neumann na década de 1940, que acabou criando o primeiro antivírus da história, denominado Reaper, o “podador”.[5]

Muitos especialistas da computação afirmam que o Creeper não tinha um caráter de contaminação potencial, em virtude da sua incapacidade de se multiplicar. Porém, sabe-se que essa não era sua função central, e, sim, de vagar de um computador para outro. Por isso, é verdadeiro afirmar que o Creeper foi o primeiro antivírus, muito embora, na época, não existisse a expressão antivírus figurando na Ciência da Computação.

Porém, aqueles que não reconheciam o Creeper como um malware real, diante da sua ausência de ofensividade, exsurgiria logo em seguida um malware de caráter robusto e com tamanha gama de ofensividade, denominado Rabbit. O malware verdadeiramente ofensivo, diferentemente da característica do Creeper, acabava invadindo o sistema e causando sua falha. Logo depois, no início da década de 80, sucedeu-se o malware Elk Cloner. Este atingiu o Apple II, um sistema operacional iOS, já destacado na época pela sua segurança. Por meio de disquetes de inicialização do sistema operacional, acabou encontrando uma porta de entrada.

No final da década de 80, foi criado o primeiro malware de computador, chamado de Brain. Esse vírus foi propagado em massa, infectando aproximadamente 20.000 máquinas. Isso ocorreu por meio da cópia pirata do MS-DOS,[6] com intuito de controlá-los a obstar a disseminação no computador do usuário sem autorização. O vírus enviava uma singela mensagem para entrar em contato com o fabricante do MS-DOS.

Disso, resulta afirmar que, desde os primórdios civilizatórios da Ciência da Computação, os cibercriminosos estruturaram uma indústria de malware. Desde então, os sistemas computacionais passaram cada vez mais a dedicar tempo e dinheiro em busca de uma verdadeira luta contra os malwares. Isso se tornou um ciclo autopoético que se retroalimenta; quer dizer, quanto mais os experts criam barreiras e melhoram suas defesas anti-malwares, os cibercriminosos se desenvolvem, criando modos de aparição. Um exemplo disso é a recente invasão no Twitter de personalidades mundiais, exigindo um cryptojacking de recompensa.

Atualmente, com a ascensão da internet das coisas (Iot),[7] a área de atuação dos cibercriminosos aumentou de modo inimaginável, em virtude das oportunidades oferecidas pela avalanche tecnológica. Ou seja, a comunicabilidade – transmissão de dados – entre os dispositivos móveis[8] torna-se alimento para que se procriem malwares inteligentes e sofisticados. Como se viu anteriormente, atualmente, há malwares que se utilizam da criptografia para invadir os sistemas operacionais. A exemplos, os cavalos de Tróia disponíveis na deep web: para que cibercriminosos invadam os sistemas operacionais alheios e passem a exigir pagamentos em criptomoedas, os ransomwares passaram a ser notícias rotineiras nos sistemas computacionais pelo mundo.

Recentemente, o Superior Tribunal de Justiça sofreu um ataque de ransomware, mais conhecido como RansomExx, que já afetou órgãos como o Departamento de Transporte do Texas e empresas como a IPG Photonics, que desenvolve lasers para uso médico e industrial, além de canhões laser para as forças armadas dos Estados Unidos. O objetivo do RansomExx é invadir a rede da vítima para acessar os dados privados sem criptografia e se espalhar para outros sistemas internos; assim, se infiltrar no controlador de domínio do Windows para distribuir os arquivos de ransomware e criptografar arquivos em toda a rede.

O site O Bastidor publicou uma captura de um arquivo de texto em que o invasor dá as orientações sobre como contatá-lo para combinar o pagamento para que os arquivos sejam liberados.[9]

 

Figura 9 – Ransomware

Fonte: Escosteguy (2020)[10]

 

Em virtude dessas considerações, reconhece-se que a evolução tecnológica é notoriamente disruptiva. Com efeito, disruptiva também é a capacidade do malware de se moldar a tal evolução; tornou-se um jogo de caça e caçador. No caminho da internet das coisas, o botnet Mirai e suas inúmeras variâncias é uma “pedra no sapato” no caminho do avanço tecnológico. O Mirai é outro malware inteligente e sofisticado. Ele infecta os dispositivos inteligentes executados em processadores ARC,[11] que acabam por transformar os dispositivos numa rede de bots; são definidos como verdadeiros zumbis controlados remotamente que iniciam os ataques DDoS.[12]

Nesse sentido, com a abrangência do espectro do malware em torno da inteligência artificial, muitos dos indivíduos tendem a acreditar que esse avanço tecnológico pode ser o caminho para solucionar os desafios de segurança cibernética. Contudo, do mesmo modo, uma grande parcela dos pesquisadores da ciência da computação concorda que as discussões sobre a implementação da IA deve ser aliada a uma infraestrutura defensiva. A luta entre analistas de segurança e desenvolvedores de malware é uma batalha sem fim, aliada ainda à complexidade de os cibercriminosos cambiarem seus ataques tão rapidamente quanto ao crescimento tecnológico.

Destaca-se o valor imensurável da IA como ferramenta na luta contra os cibercriminosos. Por isso, convém destacar a importância dos projetos de IA abarcarem proteções contra malware. Especialmente, se um projeto de IA sofrer o ataque por razões financeiras que acabam motivando o cibercriminoso a dedicar o tempo necessário para contornar os algoritmos de proteção do machine learning,[13] assim, a construção da inteligência artificial pode estar comprometida diante da possibilidade de invasão de um malware.

Em maio de 2017, uma avançada ferramenta de invasão a sistemas de informática desenvolvida pela Equation Group, criada por um grupo de hackers operados de dentro da Agência de Segurança Nacional dos Estados Unidos, propagou arquivos de exploração, denominados de The Shadow Brokers, por milhares de computadores ao redor do mundo. As máquinas infectadas tornaram-se “reféns” de um sistema de controle central comandado por indivíduos mal-intencionados que obtiveram acesso à ferramenta após o vazamento de seu código-fonte. Logo a seguir, o grupo de hackers passaram a realizar um leilão on-line dos dados furtados virtualmente.

Inicialmente, o cibercrime ocorreu no Brasil explorando a vulnerabilidade do sistema Windows, que bloqueou o acesso do usuário a seus arquivos contidos no explorer. O acesso, após a invasão, passaria então a ser liberado somente após o pagamento de uma espécie de resgate. Esse crime foi denominado de Wannacry.[14]

No segundo momento, a operação então denominada de Doublepulsar, atacou as vulnerabilidades backdoors e implantou, nos equipamentos dos usuários-alvo, os códigos maliciosos e totalmente camuflados. Ao contrário do WannaCry de objetivo monetário, o Doublepulsar objetiva angariar informações importantes para dominar o sistema de informática do usuário. Com sua característica de camuflagem, torna-se impossível desvendar sua aparência no sistema.[15]

Apesar de a inteligência artificial guardar o dever de observância com atuação célere do malware por motivos de segurança do próprio sistema a ser estruturado, a IA, de modo versátil, também pode ser mostrar eficiente na prevenção do próprio malware, uma vez que, atualmente, a batalha contra malware sempre foi reativa frente aos cibercriminosos, necessitando de proatividade.

Em outras palavras, um ataque cibernético se lança na rede, acaba infectando os sistemas proliferados no mundo afora e, concomitantemente, as empresas de antivírus iniciam uma jornada para buscar proteções aos seus clientes. Contudo, ainda que empresas experts tentem domar o malware previamente por meio de emissão de atualizações aos seus clientes, destaca-se que essa não se mostra uma alternativa adequada, pois demanda o tempo dos bons para perseguir os cibercrimosos, que, muitas vezes, já realizaram estrados imensuráveis.

Como não há meios de avançar-se no tempo, de modo a obter-se o conhecimento prévio dos acontecimentos destrutivos do malware, uma vez que a humanidade caminha tão-somente com diferença de fusos horários, há concordância que todos partimos do mesmo ponto de partida para os ataques de malware serem identificados. É nesse sentido que exsurge a inteligência artificial para antever possíveis ataques nas redes de computadores.

A inteligência artificial e a subárea machine learning vêm sendo utilizadas para diariamente colher dados de nossas vidas. Larry Page, em setembro de 1998, teve esse insight quando lançou o pesquisador Google, que se retroalimentou das nossas pesquisas. Em outras palavras, se acordamos no domingo e acreditarmos que estamos livre de assédios das empresas de colheita de dados, é um ledo engano, pois até a pesquisa pela picanha ou entrecot bovino para o churrasco por meio do smartphone já demonstra nossa preferência pelos cortes de carnes. Assim, na segunda, quando abrirmos o primeiro site, na barra lateral, estará lá o oferecimento do nosso almoço de domingo para o almoço ou para a janta de segunda.

A Amazon identifica os metadados de buscas dos usuários da rede para identificar suas preferências de compra. O Mercado Livre guarda todos os dados de pesquisas e monta um perfil de consumo de cada usuário, que oferece um rol de produtos indicados ao usuário quando a homepage é aberta. Esses poucos exemplos, todos presentes no nosso cotidiano da vida moderna, acabam criando razões suficientes para utilizarmos a inteligência artificial como ferramenta de prevenção a ataques de malware, uma vez que há uma magnitude de dados que necessitam da inteligência artificial para poder ser bem trabalhados, que precisam ser processados com alta velocidade.

A inteligência artificial abarca as condições propícias de manipulação de dados de maneira inigualáveis. Por isso, a inteligência artificial, por meio de suas subáreas machine learning e deeep learning, assume papel importante no combate aos cibercriminosos, uma vez que a equipe de data science trabalha, em regra, com o data set algo em torno de 80% do tempo para finalização do projeto. É sempre importante ressalvar que a manipulação dos dados é fundamental para o sucesso do combate e identificação das fraudes.

Os bancos e operadoras de cartão de crédito foram os primeiros a utilizarem o aprendizado de máquina. Como os bancos e operadoras de cartão de crédito possuem um data set muito bem trabalhado dos seus clientes, uma vez que, para a concessão de crédito, os bancos exigem uma enormidade de dados e comprovações dos seus clientes, a inteligência artificial exsurge para identificar as transações que podem ser fraudulentas. Isso ocorre quando o sistema de IA identifica, com base no data set construído para aquele cliente, dados inconsistentes – a exemplo, o local de IP da máquina diferentemente do usualmente utilizado para a compra. A partir disso, um dispositivo como um telefonema para o cliente é acionado para certificação. Isso deriva do uso da inteligência artificial, oriundo do aprendizado de máquina constituído que identifica a eventual transição suspeita de fraude.

A referida ferramenta de análise de comportamento de usuários é comumente utilizada para buscar soluções de segurança, usando algoritmos de aprendizados de máquina, construídos a partir de dados muito bem trabalhados, que monitoram na verdade todos os passos do usuário. Isto é, o aprendizado de máquina determina, a partir do data set, um comportamento esperado, ou dito como normal do usuário, utilizado para identificar desvios ou anomalias, que potencialmente abririam a porta para os cibercriminosos plantarem um walmare.

Nota-se, que o avanço do software malicioso representa um enorme desafio de proteção de redes e de sistemas de computadores contra os ataques maliciosos, posto a sofisticação da conduta dos cibercriminoso. Assim como a IA, o malware também está em constante evolução e obriga os analistas de segurança e pesquisadores a manterem um acompanhamento constante, melhorando suas defesas cibernéticas. O aumentou de malware se dá em função do uso de polimórficos, de modo a modificar o mecanismo polimórfico para realizar uma mutação no código e manter sua funcionalidade original; já as técnicas metamórficas usadas para escapar da detecção e esconder seu rastro, reescrevem seu código para um equivalente sempre que propagado.

Os cibercriminosos de malware podem usar várias transformações técnicas, mas não se limitando à renomeação de registro, à permutação de código, à expansão de código, à redução de código e à inserção de código de lixo. A combinação das técnicas acima mencionadas resultou rapidamente no volume crescente de malware, fazendo as investigações forenses de malware em casos demorados, caros e mais difíceis.[16]

Nesse sentido, os analistas de segurança estão sempre melhorando suas defesas, de modo a acompanhar os possíveis ataques dos malwares, que se entendem como pré-estabelecidos; somente não se sabe ao certo o modus operandi do novo malware a exsurgir. Por isso, tecnicamente, tem-se como essencial a proteção de ponto final,[17] que fornece um conjunto de programas de segurança, incluindo, ainda, firewall, filtragem de URL, e-mail de proteção, anti-spam e sandboxing. Especificamente, software anti-malware fornece a última camada de defesa.

Com a evolução do malware, as soluções AV se tornaram responsáveis pela prevenção, detecção e remoção de software malicioso instalado no dispositivo de ponto final. Contudo, as soluções AV são baseadas em assinaturas e nos métodos baseados em heurística. Ocorre que, enquanto a assinatura é um algoritmo ou hash que identifica exclusivamente um malware específico, as heurísticas são um conjunto de regras determinado por especialistas somente após analisar o comportamento do malware já identificado.

Assim, nota-se que, nas abordagens referenciadas, há uma exigência prévia que o malware seja analisado, antes da definição das regras e heurísticas, o que não sugere uma prevenção contra-ataques de malwares, mas uma proatividade diante o ataque do cibercriminoso.

No tocante, o estudo de Ajit Kumar et al. (2017) demonstrou e evidenciou que malware é um dos principais obstáculos para a expansão e o crescimento da aceitação do avanço tecnológico. Enfatizou-se nesta pesquisa que tanto as empresas quanto os usuários comuns estão lutando para se proteger contra o malware no ciberespaço. Por isso, sabe-se da importância do desenvolvimento de métodos eficientes de detecção de malware.[18] O estudo também ofereceu uma solução baseada em aprendizado de máquina para classificar uma amostra como benigna ou malware com alto precisão e baixo overhead de computação.

Foi estruturado um conjunto de recursos integrados e amalgamado como uma combinação de campos de cabeçalho executáveis portáteis, valor bruto e valores derivados. Vários algoritmos de aprendizado de máquina como árvore de decisão, floresta aleatória, kNN, regressão logística, análise discriminante linear e Naive Bayes foram adotados na classificação de malware. Usando o conjunto de recursos brutos existente e o proposto conjunto de recursos integrados, os autores verificaram o desempenho de cada classificador. Desse modo, a evidência empírica indicou 98,4% de precisão de classificação na validação cruzada de 10 vezes para o conjunto de recursos integrado proposto. Num novo conjunto de dados de teste, a precisão foi observada como 89,23% para o sistema integrado conjunto de recursos que representa uma melhoria de 15% na precisão alcançada com o conjunto de recursos brutos sozinho.

A diferença de um arquivo executável portátil (PE) malicioso para um benigno é muito importante, pois o formato de arquivo PE é o formato de arquivo muito usado, usado no sistema operacional Windows. A pesquisa de Ajit Kumar et al. (2017) forneceu uma nova engenharia de recursos técnicos que melhorou o desempenho do aprendizado de máquina classificador baseado em detecção de arquivo PE malicioso.

A técnica proposta usou a análise estática para extrair os recursos que, por se tratar da abordagem estática, necessita menos tempo e recursos do que a análise dinâmica. Assim, foi comparado o desempenho do recurso integrado proposto com o recurso bruto definido pelo treinamento e pelo teste de diferentes classes de algoritmos de aprendizado de máquina. Isso acabou destacando o bom desempenho de classificadores, que melhorou significativamente com o novo integrado conjunto de características.

Para registrar um desempenho robusto e estável de classificadores, a validação foi realizada com quatro diferentes métodos: divisão de treinamento e teste, validação cruzada de 10 vezes, novo teste conjunto de dados e area under curve (AUC) parcial. Com todos os quatro métodos reunidos, o recurso integrado conjunto foi executado com maior eficácia do que o conjunto de recursos brutos.

Outro estudo publicado, no ano de 2019, por pesquisadores da Universidade de Lleida na Espanha, apresentou um método prévio de identificação de malwares por meio do aprendizado de máquinas. O objetivo do malware analysis é fornecer informações sobre as características, finalidade e comportamento de um determinado software, dividido em análise estática e dinâmica.[19]

A análise estática busca examinar um executável sem autorização para execução[20], ao passo que a análise dinâmica observa o comportamento do executável quando buscar realizar a execução sem autorização do usuário.[21]

Destaca-se que ambos os tipos têm suas vantagens e limitações. A estática se mostra mais ágil; porém, se o malware for ocultado por códigos, pode ocorrer de sua detecção ficar ofuscada. De outra banda, os códigos ofuscados e os malwares polimórficos dificilmente fogem da análise dinâmica no decorrer da execução do programa; nota-se uma espécie de complementação.

Contudo, com o ritmo de novos ataques e variantes, a detecção de malware tradicional e da análise de malware não são acompanhadas pela análise dinâmica. Tampouco com a estática, a complementariedade das análises não consegue acompanhar a dedicação dos cibercriminosos com malware cada vez mais diversificado. São milhares de ataques que os usuários devem se preocupar rotineiramente, além de enfrentarem uma escassez de profissionais que atuam da segurança cibernética[22]. Costuma-se dizer que não é como ir ao mercado buscar um profissional das profissões tradicionais.[23]

Eis que, nesse cenário, o aprendizado de máquina é o meio para modificar essa corrida, de modo a tentar igualar o poder de armas, uma vez que a capacidade de manter um dataset com uma farta gama de dados para fazer frente aos ataques dos cibercriminosas é uma característica no machine learning. Os experts da segurança cibernética asseguram que a inteligência artificial exsurgiu em boa hora, pois, além de dinamizar diversas áreas do conhecimento, também venho para auxiliar a área da cibersegurança. A IA possui condições de possibilidade de prevenção, uma característica notável que realmente pode evitar ataques, e não somente barrá-los após seus perspicazes danos.[24]

Possivelmente, esse aumento das pesquisas advém além do próprio avanço da computação que incrementou significativamente a área de atuação do malware. Na última década também houve um aumento na pesquisa e na implantação de soluções de aprendizado de máquina para lidar com as tarefas de detecção e de classificação de malware. O sucesso e a consolidação de abordagens de aprendizado de máquina não teriam sido possíveis sem a confluência de três desenvolvimentos recentes: (i) aumento de feeds rotulados de malware, o que significa que, pela primeira vez, malware rotulado está disponível não apenas para a comunidade de segurança, mas também para a comunidade de pesquisa; (ii) a pujança do poder computacional aumentado rapidamente e também com custo acessível a maioria dos pesquisadores; e (iii) a evolução da machine learning em um ritmo cada vez maior durante as últimas décadas, com ampla gama de tarefas, como computador visão, reconhecimento de fala e processamento de linguagem natural.[25]

No tocante, com o auxílio do machine learning, a abordagem abarcou três possibilidades: o estático, o dinâmico e o híbrido. O estático, por suposto, extrai recursos da análise estática do malware; já a abordagem dinâmica se ocupa com a análise dinâmica, enquanto uma terceira abordagem, a híbrida, utiliza ambas as abordagens, tanto o estático quanto o dinâmico. Contudo, a cibersegurança também se apropria das redes neurais artificiais, que vem mostrando um bom desempenho no malware domínio.[26]

O trabalho de pesquisa de Gibert. et al. (2019)[27] exsurgiu em virtude do avanço das ferramentas da IA para detecção de malware referenciado anteriormente, com o objetivo de explorar as abordagens estáticas, dinâmicas e híbridas tidas como tradicionais. Isso, no modo de ver dos autores, mostram-se incompletas dado o avanço de malware. A pesquisa destinou-se a apoiar os analistas de segurança para que pudessem aplicar o aprendizado de máquina nos três métodos referenciados, de modo a automatizar parte do processo de análise de malware e, assim, possibilitar uma compreensão geral dos métodos atualmente em uso, bem como das suas novas tendências.

O estudo ainda forneceu uma descrição de métodos neurais com o objetivo de detectar e de classificar o malware,[28] uma vez que, segundo o estudo, as redes neurais superam os recursos de aprendizagem de dados brutos em vários campos. Verdadeiramente, o avanço da IA impulsionou o aprendizado de máquinas, que replicou no incremento das redes neurais no malware domínio.[29]

Ambas as pesquisas demonstraram que a IA, por meio da machine learning e das redes neurais, vem oferecendo uma resposta à altura dos ataques de malware, que acabou nivelando as forças entre a cibersegurança e os cibercriminosos. Isso ocorre seja com a machine learning se utilizando das três abordagens, que são o estático, o dinâmico e o híbrido, seja pelas redes neurais que manipulam com maior performance os dados brutos, fazendo frente ao combate de malware.

Contudo, todo e qualquer projeto de sistema de IA deve, indiscutivelmente, buscar bloquear as possibilidades de ataques de malware. Isso porque, quanto maior e mais notório o sistema de IA for, o ataque dos cibercriminosos também será mais sofisticado para burlar a segurança do sistema de IA. Essa é outra especificidade que deve estar presente diante do avanço tecnológico. Ainda, sem deixar de considerar o futuro potencial da computação quântica que terá capacidade de processamento capaz de quebrar a mais segura criptografia[30]; essas são outras especificidades que o Poder Judiciário deve ter presente diante do avanço tecnológico, pois caso contrário, permanecerá experimentando os ataques de malware rotineiramente.

Enfim, após visitar a complexa área da Ciência da Computação, de modo a entender os limites de aplicabilidade dos sistemas de IA no Direito, e como dito, no início deste capítulo, primeiro compreender para depois sim, falar do objeto. Em especial, nessa quadra da história, salientar os limites de aplicabilidade dos sistemas de IA no Direito, em face da presença indiscutível dos vieses algoritmos e ausência da accoutability. Assim, com essa pequena bagagem de conhecimento da Ciência da Computação, apresentar-se-á no próximo e último capítulo, a resposta à pergunta desta tese: se a inserção do sistema de IA Victor, no processamento das questões de repercussão geral de matérias tributáias submetidas ao STF, dimuiria o número de processos tributários sobrestados no país?

 

---