A Requirement-Based Framework for Engineering Adaptive Authentication

Resumo Técnico: Framework Baseado em Requisitos para Engenharia de Autenticação Adaptativa

1. Problema e Motivação

Em ambientes dinâmicos como a Internet das Coisas (IoT), Internet de Veículos (IoV), saúde e cidades inteligentes, os riscos de segurança e as prioridades de requisitos (como usabilidade e desempenho) mudam constantemente dependendo de fatores contextuais (ex.: localização, tipo de dispositivo, sensibilidade dos dados).

• Limitação das Abordagens Atuais: Os métodos tradicionais de autenticação baseados em credenciais estáticas (ex.: senhas fixas) não conseguem se adaptar a essas mudanças. Eles podem ser inseguros em contextos de alto risco ou excessivamente intrusivos em contextos de baixo risco, comprometendo a usabilidade.
• Desafios Identificados: A literatura existente oferece pouca orientação sobre:
  1. Como representar formalmente fatores contextuais, requisitos e métodos de autenticação.
  2. Como entender a influência dos fatores contextuais e dos métodos na satisfação dos requisitos e nos riscos de segurança.
  3. Como selecionar automaticamente o método de autenticação mais eficaz que mitigue riscos e maximize a satisfação dos requisitos.

2. Metodologia Proposta

Os autores propõem um framework que utiliza o ciclo MAPE-K (Monitor, Analyze, Plan, Execute, Knowledge) para engenharia de sistemas de autenticação adaptativa. O núcleo da abordagem é a modelagem e a inferência lógica para tomada de decisão em tempo de execução.

A. Representação do Conhecimento (Modelos):

1. Modelo de Objetivos Contextuais (Contextual Goal Model):
   • Utilizado para representar os requisitos do sistema (Segurança, Usabilidade, Desempenho) e como os fatores contextuais afetam suas prioridades.
   • Os requisitos são decompostos em sub-objetivos (ex.: Confidencialidade, Integridade, Autenticidade para Segurança; Eficácia, Eficiência para Usabilidade).
   • A prioridade de cada objetivo é calculada com base nos fatores contextuais ativos (ex.: se o veículo está em movimento, a prioridade de "Desempenho" aumenta).
2. Modelo de Funcionalidades Estendido (Extended Feature Model):
   • Representa os métodos de autenticação disponíveis e suas características (ex.: Senha, Biometria, Cartão Inteligente, Autenticação de Dois Fatores).
   • Define restrições de viabilidade: certos fatores contextuais podem tornar métodos inviáveis (ex.: baixa luminosidade desabilita reconhecimento facial).
   • Mapeia o impacto de cada método na satisfação dos requisitos (contribuição positiva ou negativa).
3. Risco de Segurança:
   • Calculado combinando a probabilidade de um ataque (influenciada pelo contexto e pelo método de autenticação) e o dano potencial (influenciado pela sensibilidade dos dados).
   • O risco total é determinado pelo pior cenário entre os ataques possíveis.

B. Mecanismo de Inferência e Seleção:

• Rede Causal Difusa (Fuzzy Causal Network - FCN): Integra a lógica causal com lógica difusa para lidar com incertezas e influências qualitativas (ex.: "alta", "média", "baixa").
• Codificação Z3 (SMT Solver): A FCN é codificada no formato lógico do solver Z3 (Satisfiability Modulo Theories).
  • O sistema define os fatores contextuais atuais como restrições.
  • O solver busca a configuração de autenticação que maximiza a utilidade.
  • Função de Utilidade: É uma média ponderada da satisfação dos objetivos de raiz (Segurança, Usabilidade, Desempenho) e do valor complementar do risco total (1 - Risco).

C. Ciclo de Execução:

1. Monitorar: Capturar fatores contextuais em tempo de execução.
2. Analisar/Planejar: Atualizar o modelo no Z3 com os novos contextos e calcular o método ótimo.
3. Executar: Aplicar o método de autenticação selecionado.

3. Contribuições Principais

1. Framework de Engenharia Adaptativa: Uma abordagem sistemática que integra modelos de objetivos e modelos de funcionalidades para suportar a seleção dinâmica de autenticação.
2. Modelagem Formal de Trade-offs: Capacidade de quantificar e equilibrar conflitos entre segurança, usabilidade e desempenho sob condições contextuais variáveis.
3. Abordagem Automatizada: Uso de solvers SMT (Z3) para resolver o problema de seleção de autenticação como um problema de otimização, garantindo decisões consistentes e baseadas em lógica formal.
4. Validação em Múltiplos Domínios: Demonstração da aplicabilidade do framework em dois domínios críticos e distintos: Internet de Veículos (IoV) e Sistemas de Saúde.

4. Resultados da Avaliação

O framework foi testado em dois estudos de caso comparados a uma abordagem de base (baseline) que usa um método de autenticação estático para todos os cenários.

• Cenário IoV (Veículos):

  • Cenário 1 (Troca de dados críticos): O framework selecionou autenticação baseada em certificados (alta segurança).
  • Cenário 2 (Ultrapassagem em movimento): O framework priorizou velocidade, selecionando verificação de placas e carteira de motorista (alta performance).
  • Cenário 3 (Acesso a dados do paciente em cruzamento): O framework escolheu autenticação de dois fatores (Cartão + Biometria) para equilibrar segurança e usabilidade sem distrair o motorista.
  • Resultado: O framework reduziu o risco total e maximizou a utilidade em todos os cenários, enquanto a abordagem estática falhou em atender requisitos específicos de cada contexto.

• Cenário Saúde:

  • Testado em situações como prescrição externa (alto risco), emergência no hospital (alta performance necessária) e acesso noturno em casa (risco de sequestro de sessão).
  • O framework adaptou-se dinamicamente, escolhendo autenticação de dois fatores para cenários de alto risco e métodos mais rápidos para emergências, superando a abordagem estática.

• Desempenho Computacional (Overhead):

  • O tempo de execução para calcular a autenticação foi baixo (média de ~0,5s a ~3s dependendo da complexidade do cenário).
  • O uso de memória foi mínimo (entre 7 MB e 15 MB).
  • Isso confirma a viabilidade de implantar o framework em tempo de execução (runtime) em dispositivos com recursos limitados.

5. Significado e Impacto

• Ponte entre Design e Runtime: O trabalho conecta a modelagem de requisitos no tempo de design com a tomada de decisão automatizada no tempo de execução, preenchendo uma lacuna crítica em sistemas auto-adaptativos.
• Segurança como Domínio de Aplicação: Posiciona a autenticação adaptativa como um domínio crítico para sistemas auto-adaptativos, demonstrando como a segurança pode ser tratada dinamicamente.
• Escalabilidade e Generalização: A demonstração em IoV e Saúde sugere que a abordagem é generalizável para outros domínios onde o contexto e a segurança são dinâmicos.
• Futuro: Os autores planejam usar aprendizado de máquina e dados empíricos para calibrar automaticamente os pesos de impacto dos modelos, reduzindo a dependência de julgamento de especialistas.

Em resumo, o artigo apresenta uma solução robusta e matematicamente fundamentada para o problema de como escolher a melhor autenticação em um mundo onde o contexto muda a todo momento, garantindo que a segurança não comprometa a usabilidade e vice-versa.