💻 computer science

ICBAC: an Intelligent Contract-Based Access Control framework for supply chain management by integrating blockchain and federated learning

Este artigo propõe o ICBAC, um framework de controle de acesso inteligente para cadeias de suprimentos que integra blockchain permissionada com aprendizado federado e seleção de clientes baseada em teoria dos jogos para permitir a detecção de anomalias dinâmica e preservadora de privacidade entre organizações concorrentes sem compartilhar dados sensíveis.

Autores originais: Sadegh Sohani, Salar Ghazi, Farnaz Kamranfar, Sahar Pilehvar Moakhar, Mohammad Allahbakhsh, Haleh Amintoosi, Kaiwen Zhang

Publicado 2026-02-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sadegh Sohani, Salar Ghazi, Farnaz Kamranfar, Sahar Pilehvar Moakhar, Mohammad Allahbakhsh, Haleh Amintoosi, Kaiwen Zhang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma cadeia de suprimentos global massiva como um mercado gigante e movimentado onde milhares de empresas diferentes (agricultores, fábricas, caminhoneiros e lojas) trocam mercadorias. Todos precisam conversar entre si, mas também precisam manter seus próprios segredos seguros. O problema é que, neste mercado, é difícil saber quem tem permissão para fazer o quê, e ainda mais difícil pegar alguém que parece ter permissão, mas está agindo de forma suspeita (como um funcionário roubando estoque ou um motorista de caminhão fazendo um desvio estranho).

Este artigo apresenta o ICBAC, um novo sistema de "segurança inteligente" projetado para resolver esses problemas. Veja como ele funciona, dividido em conceitos simples:

1. O Livro de Registros Digital: O "Caderno Inquebrável"

Primeiro, o sistema utiliza Blockchain (especificamente uma versão chamada Hyperledger Fabric). Pense nisso como um caderno gigante e inquebrável que todos na cadeia de suprimentos compartilham.

Por que ajuda: Você não pode apagar ou falsificar entradas neste caderno. Se alguém tentar alterar um registro, todo o grupo verá.
A Reviravolta: Em vez de um único caderno gigante para todos, o ICBAC usa canais privados. Imagine um edifício com muitas salas diferentes. A "Sala das Frutas" tem seu próprio caderno, e a "Sala da Eletrônica" tem o seu próprio. Isso mantém os dados de empresas concorrentes separados e privados, para que uma empresa rival não possa ver seus números de vendas.

2. Os Contratos Inteligentes: As "Regras Automáticas"

Dentro dessas salas digitais, o sistema utiliza Smart Contracts (Contratos Inteligentes). Pense neles como máquinas de venda automática com regras estritas.

Como funciona: Se você inserir a moeda certa (permissão), a máquina te dá o lanche (acesso aos dados). Se você não tiver a moeda certa, ela diz "Não".
A Atualização: Os sistemas antigos tinham apenas regras estáticas (ex: "João pode abrir a porta"). O ICBAC adiciona uma Lista de Revogação de Permissão. Se o sistema achar que João está agindo de forma estranha, ele pode colocá-lo instantaneamente em uma lista de "Pendente", congelando seu acesso até que um gerente humano o revise.

3. O Agente de IA: O "Guarda Comportamental"

Esta é a parte mais inovadora. O sistema não apenas verifica se você tem uma chave; ele observa como você a usa.

A Analogia: Imagine um segurança que conhece sua rotina normal. Se você costuma abrir a porta da frente às 9:00, mas de repente está tentando abrir o cofre às 3:00 da manhã e baixando 1.000 arquivos, o guarda fica desconfiado.
A Ação: Este "Guarda de IA" vive dentro de cada sala da cadeia de suprimentos. Ele aprende o que é o "normal" para aquele grupo específico. Se ele detectar uma anomalia (como um download de dados repentino e massivo), ele marca automaticamente o usuário e restringe seu acesso.

4. O Problema da Privacidade: "Ensinar Sem Compartilhar"

Aqui está a parte complicada: Para se tornar realmente bom em detectar comportamentos estranhos, a IA precisa aprender com muitas cadeias de suprimentos diferentes. Mas as empresas não podem compartilhar seus dados secretos (como suas listas de clientes ou preços) com concorrentes.

A Solução: Aprendizado Federado (Federated Learning). Imagine um grupo de chefs tentando aperfeiçoar a receita de uma sopa. Em vez de enviarem seus ingredientes secretos para uma cozinha central, cada um cozinha um pequeno lote em sua própria cozinha, prova e envia apenas os ajustes da receita (não a sopa) para um caldeirão central. O caldeirão central fica mais inteligente, mas ninguém jamais vê os ingredientes secretos dos outros chefs.
A Abordagem do ICBAC: Os agentes de IA de diferentes cadeias de suprimentos compartilham suas "lições aprendidas" (atualizações matemáticas), mas nunca compartilham os dados brutos reais. Isso mantém os segredos de todos seguros enquanto torna a segurança mais inteligente para todos.

5. O Sistema de "Grupo de Amigos": "Formação de Coalizões Hedônicas"

O artigo percebe que nem todas as cadeias de suprimentos são iguais. Uma cadeia de "Alimentos Perecíveis" se comporta de forma muito diferente de uma de "Peças de Carros". Se misturarmos tudo para aprender, a IA fica confusa.

A Analogia: Pense nisso como uma festa de escola. Você não quer dançar com todo mundo; você quer dançar com pessoas que gostam do mesmo tipo de música.
O Mecanismo: O ICBAC usa um método de teoria dos jogos para permitir que as cadeias de suprimentos formem "Grupos de Amigos" (Coalizões). Cada cadeia diz: "Eu quero aprender com estes parceiros específicos". O sistema então usa um algoritmo matemático (algoritmo de Tarjan) para encontrar os grupos mais estáveis onde todos estão felizes em aprender uns com os outros.
O Benefício: Isso garante que a IA aprenda com grupos que realmente fazem sentido (por exemplo, cadeias de alimentos aprendendo com outras cadeias de alimentos), em vez de forçar grupos incompatíveis a se unirem.

O Que Eles Descobriram?

Os autores testaram este sistema em uma simulação de computador usando dados reais de cadeias de suprimentos.

Velocidade: Ele roda quase tão rápido quanto os sistemas de segurança mais antigos e simples.
Inteligência: Conseguiu capturar "maus atores" (anomalias) mesmo quando os dados eram desorganizados ou diferentes entre os grupos.
Privacidade: Alcançou isso sem que qualquer empresa jamais compartilhasse seus dados brutos e sensíveis com ninguém mais.

Em resumo: O ICBAC é um sistema de segurança que combina um registro digital imutável, aplicação automática de regras, uma IA inteligente que observa comportamentos suspeitos e uma forma de preservação de privacidade para que diferentes empresas possam ensinar essa IA sem revelar seus segredos. Ele foi projetado para tornar as cadeias de suprimentos mais seguras e adaptáveis sem quebrar a confiança entre os concorrentes.

Resumo Técnico: ICBAC – Um Framework de Controle de Acesso Baseado em Contratos Inteligentes para Gestão de Cadeia de Suprimentos

1. Declaração do Problema

Os sistemas modernos de Gestão de Cadeia de Suprimentos (SCM) operam entre múltiplas organizações independentes e, muitas vezes, concorrentes, criando um ambiente complexo para o controle de acesso. Os mecanismos existentes são predominantemente estáticos, centralizados e orientados por políticas (ex: RBAC, ABAC), tornando-se despreparados para lidar com ameaças internas dinâmicas, comportamentos errôneos e uso indevido dependente de contexto. Embora a tecnologia blockchain ofereça descentralização e imutabilidade, os atuais frameworks de controle de acesso baseados em blockchain ainda dependem de regras predefinidas e carecem de inteligência comportamental.

Inversamente, embora a Análise de Comportamento de Usuário e Entidade (UEBA) baseada em Aprendizado de Máquina (ML) possa detectar anomalias, o treinamento centralizado exige a agregação de dados comportamentais sensíveis. Isso cria um conflito com as restrições de privacidade, regulatórias e competitivas inerentes à SCM, onde as organizações não podem compartilhar dados brutos. Além disso, aplicar o Aprendizado Federado (FL) diretamente em cadeias de suprimentos heterogêneas e concorrentes introduz desafios relacionados a desajustes na distribuição de dados (dados não-IID), instabilidade de convergência e participação estratégica, uma vez que comportamentos considerados anômalos em uma cadeia de suprimentos podem ser normais em outra.

2. Metodologia: O Framework ICBAC

O artigo propõe o ICBAC (Controle de Acesso Inteligente Baseado em Contrato), um framework que integra blockchain permissionada (Hyperledger Fabric) com Aprendizado Federado (FL) e seleção de clientes baseada em teoria dos jogos.

2.1 Arquitetura

O ICBAC é estruturado em duas camadas principais:

Camada de Blockchain: Construída sobre o Hyperledger Fabric, utilizando uma arquitetura de múltiplos canais onde cada canal ( $C_i$ ) representa um contexto distinto de cadeia de suprimentos com seus próprios participantes, ativos e limites de confiança. Isso garante isolamento e compartilhamento seletivo de dados.
Camada de IA: Implementa um agente de IA dedicado ( $AI_i$ ) para cada canal para monitorar o comportamento dos participantes e detectar anomalias localmente.

2.2 Componentes Principais

Contratos Inteligentes (Smart Contracts): Três contratos especializados aplicam o controle de acesso:
- Gestão de Ativos ( $SC_{AM}$ ): Lida com a criação e atualização de ativos.
- Controle de Acesso Básico ( $SC_{BAC}$ ): Gerencia permissões de base via conjuntos de LeastPrivilege (Privilégio Mínimo) e ExtraPrivilege (Privilégio Extra) ajustados dinamicamente, permitindo a promoção ou demolição dos privilégios do usuário.
- Lista de Revogação de Permissões ( $SC_{PRL}$ ): Mantém uma lista de participantes sinalizados como anômalos. Quando um agente de IA detecta um comportamento suspeito, o participante é adicionado à PRL, e as solicitações de acesso subsequentes são marcadas como "Pendente" aguardando revisão administrativa.
Detecção de Anomalias Baseada em IA: Cada canal treina um modelo temporal leve em sequências comportamentais locais (vetores de características incluindo identidade, tipo de operação, frequência e tempo). O modelo prevê o comportamento normal; desvios que excedem um limite acionam uma flag de anomalia.
Aprendizado Federado (FL): Agentes de IA colaboram para melhorar seus modelos de detecção de anomalias compartilhando atualizações de modelos (parâmetros) em vez de dados brutos. O framework utiliza o Federated Averaging (FedAvg) para agregação.

2.3 Seleção de Cliente Baseada em Teoria dos Jogos

Para abordar a heterogeneidade das cadeias de suprimentos e a instabilidade do FL global, o ICBAC introduz um mecanismo de Formação de Coalizões Hedônicas para seleção de clientes:

Baseado em Preferências: Cada agente de IA declara uma lista de "amigos" (parceiros confiáveis/compatíveis) sem revelar os critérios subjacentes.
Estabilidade: O mecanismo utiliza o algoritmo de Tarjan para identificar Componentes Fortemente Conectados (SCCs) no grafo de preferências.
Garantias: Esta abordagem garante a estabilidade do núcleo (nenhum grupo de agentes tem incentivo para desviar) e a imunidade estratégica (agentes não podem se beneficiar de relatar preferências falsas).
Resultado: Os canais formam coalizões estáveis e de pequena escala para FL, garantindo que a agregação ocorra apenas entre participantes comportamentalmente compatíveis, mitigando assim o "desvio de cliente" comum em cenários não-IID.

3. Principais Contribuições

O artigo delineia quatro contribuições primárias:

Controle de Acesso Baseado em Blockchain para SCM: Um framework de múltiplos canais no Hyperledger Fabric que reflete contextos heterogêneos de cadeias de suprimentos.
Revogação de Acesso Dinâmica Impulsionada por IA: Integração de agentes de IA por canal para detecção de anomalias em tempo real e revogação automatizada e consciente do contexto de permissões via contratos inteligentes.
Aprendizado Federado Preservador de Privacidade: Um mecanismo que permite a melhoria colaborativa do modelo sem troca de dados brutos.
Seleção de Clientes Baseada em Teoria dos Jogos: Um mecanismo de formação de coalizões hedônicas que garante coalizões de FL estáveis, imunes a estratégias e preservadoras de privacidade.

4. Resultados Experimentais

Experimentos foram conduzidos em um ambiente de teste Hyperledger Fabric usando o conjunto de dados DataCoSupplyChain (mais de 180.000 registros).

Desempenho da Blockchain: O ICBAC demonstrou latência e throughput comparáveis aos frameworks estáticos de última geração (MedTrace, AccessChain, ProChain). Embora as operações de leitura tenham mostrado um aumento marginal na latência (redução de aproximadamente 18,6% no throughput em relação ao ProChain em um teste específico) devido às verificações dinâmicas de permissão, a análise estatística (testes t) indicou que não houve diferença significativa na maioria das métricas de desempenho.
Detecção de Anomalias (FL):
- IID vs. Não-IID: O framework foi testado sob distribuições de dados Independentes e Identicamente Distribuídas (IID) e Não-IID.
- Eficácia da Coalizão: As coalizões baseadas em preferências formadas pelo mecanismo proposto superaram consistentemente as coalizões aleatórias e as federações de inclusão total, particularmente em configurações Não-IID. Elas alcançaram convergência mais rápida e maiores F1-scores com menor perda (loss).
- Privacidade: As coalizões de FL alcançaram zero vazamento de privacidade (nenhum dado bruto compartilhado), enquanto modelos centralizados treinados em dados agregados exibiram vazamento mensurável (0,15–0,53).
- Precisão: Sob condições IID, o desempenho do FL aproximou-se dos modelos centralizados. Sob condições Não-IID, enquanto os modelos centralizados mantiveram maior precisão, os modelos de FL mantiveram um desempenho sólido enquanto preservavam a privacidade.

5. Significância e Alegações

O artigo afirma que o ICBAC oferece uma solução prática e escalável para o controle de acesso dinâmico e preservador de privacidade em ecossistemas descentralizados de cadeia de suprimentos. Sua significância reside em unir a transparência da blockchain com a adaptabilidade da IA, abordando especificamente as limitações das políticas estáticas diante de ameaças internas.

Os autores enfatizam que o framework é unicamente adequado para ambientes competitivos onde as organizações não podem compartilhar dados, mas precisam se beneficiar da inteligência coletiva. Ao utilizar a formação de coalizões hedônicas, o ICBAC garante que a colaboração seja estável e imune a estratégias sem exigir a divulgação dos critérios de colaboração sensíveis.

O artigo reconhece modestamente as limitações, observando que o desempenho em cenários de FL Não-IID é inferior ao das configurações centralizadas e que as operações de leitura incorrem em um leve overhead. Trabalhos futuros são propostos para abordar a agregação de dados heterogêneos e para estender o framework para cenários de cross-blockchain totalmente independentes usando protocolos de interoperabilidade cross-chain.