Constraint Migration: A Formal Theory of Throughput in AI Cybersecurity Pipelines

1. Problema e Motivação

O artigo aborda a falta de fundamentação formal nos argumentos informais sobre o impacto da Inteligência Artificial (IA) nas operações de cibersegurança. Slogans comuns, como "a IA acelera tanto atacantes quanto defensores" ou "mais alertas geram mais ruído", são frequentemente usados para justificar políticas contraditórias, mas suas condições de validade permanecem invisíveis.

O problema central é modelar matematicamente como a melhoria multiplicative de capacidade (via IA) em estágios de um pipeline de cibersegurança afeta o throughput (vazão) do sistema, considerando restrições humanas e cenários adversariais. O objetivo é substituir a intuição por teoremas exatos que definam quando o throughput muda, quando permanece inalterado e quais são os limites impostos pela supervisão humana.

2. Metodologia

Os autores desenvolvem uma teoria formal baseada em sistemas de pipeline finitos e serializados. A metodologia utiliza:

• Modelo de Pipeline: Um conjunto finito e totalmente ordenado de estágios ($V$), onde cada estágio possui uma capacidade de processamento positiva ($c$).
• Definição de Throughput: O throughput do sistema é definido estritamente como o mínimo das capacidades dos estágios ($T(\Pi) = \min c(v)$), uma abstração determinística do "Gargalo" (Bottleneck) da Teoria das Restrições (TOC).
• Perturbação Multiplicativa: A introdução da IA é modelada como um multiplicador admissível ($\alpha \ge 1$) aplicado a cada estágio, aumentando sua capacidade para $c'(v) = \alpha(v) \cdot c(v)$.
• Extensões do Modelo:
  • Restrição de Autoridade Humana: Certos estágios ($H$) têm multiplicador fixo em 1 (não podem ser acelerados).
  • Cenário Adversarial: Pares de pipelines independentes (Atacante vs. Defensor) para comparar ganhos relativos.
  • Modelo de Falsos Positivos: Análise de como a taxa de falsos positivos afeta o "throughput útil" após a saturação da capacidade de investigação.
• Provas: Todas as demonstrações são elementares, baseadas em propriedades de mínimos finitos, ordem dos números reais e estrutura multiplicativa pontual.

3. Principais Contribuições

O artigo fornece a primeira formalização matemática rigorosa da Teoria das Restrições aplicada a pipelines de cibersegurança com IA. As contribuições incluem:

1. Caracterizações Exatas: Condições necessárias e suficientes para invariância e melhoria estrita do throughput.
2. Teorema do Teto Humano: Uma prova formal de que a aceleração de máquinas não pode superar o estágio humano mais lento.
3. Análise Adversarial: Um critério algébrico para determinar quando a IA favorece o atacante em detrimento do defensor.
4. Refutação e Reparo de Modelos de Falsos Positivos: Demonstração de que modelos com fração fixa de falsos positivos não produzem o declínio de throughput esperado, exigindo uma função de precisão dependente da taxa para tal.

4. Resultados Chave (Teoremas e Proposições)

• Teoremas 1 e 2 (Invariância e Melhoria):

  • O throughput permanece inalterado se e somente se pelo menos um gargalo original mantiver seu multiplicador igual a 1 (não foi melhorado).
  • O throughput aumenta estritamente se e somente se todos os gargalos originais tiverem multiplicadores estritamente maiores que 1.
  • Implicação: Melhorar estágios que não são gargalos (ou deixar um único gargalo desmelhorado em um sistema com gargalos empatados) não gera ganho de throughput.

• Teorema 3 (Teto de Autoridade Humana):

  • Se um subconjunto de estágios $H$ (humanos) não pode ser acelerado ($\alpha(h)=1$), o throughput do sistema é limitado superiormente pelo menor capacidade entre os estágios humanos ($CH(\Pi) = \min_{h \in H} c(h)$).
  • Este limite é "apertado" (tight): é possível atingir exatamente esse valor acelerando infinitamente os estágios não-humanos.

• Teorema 4 (Comparação Adversarial):

  • A relação de throughput entre Atacante e Defensor piora para o defensor se e somente se o ganho relativo do atacante (fator de melhoria) for maior que o ganho relativo do defensor.
  • Corolário: Se o defensor investir em melhorias de não-gargalos enquanto o atacante melhora seu gargalo, o defensor não ganha throughput, e a vantagem do atacante aumenta.

• Teorema 5 e Proposição 4 (Modelo de Falsos Positivos):

  • Sob um modelo de fração fixa de falsos positivos, o throughput útil estagna (atinge um platô) acima da capacidade de investigação, não declinando.
  • Para obter o declínio paradoxal frequentemente citado na literatura informal, é necessário um modelo onde a precisão do sistema degrade estritamente conforme a taxa de alertas aumenta (função de precisão dependente da taxa).

5. Significado e Implicações

Este trabalho é significativo por transformar argumentos qualitativos e muitas vezes contraditórios sobre IA em cibersegurança em verdades matemáticas verificáveis.

• Para Operações de Segurança (SOCs): Confirma que a automação de estágios não-gargalos é inútil para aumentar a velocidade de resposta global. O foco deve ser estritamente nos gargalos.
• Sobre a Supervisão Humana: Formaliza a intuição de que a IA não pode substituir o julgamento humano em estágios críticos; o "gargalo humano" é o limite absoluto do sistema, independentemente do quão rápido as máquinas operem.
• Estratégia Adversarial: Alerta que a corrida armamentista de IA é perigosa se o defensor não identificar e corrigir seus gargalos com a mesma eficiência que o atacante. Investir em áreas erradas (não-gargalos) pode levar a uma desvantagem estratégica.
• Metodologia de Modelagem: O artigo demonstra que modelos simplistas de falsos positivos podem levar a conclusões erradas sobre a saturação de sistemas, exigindo modelos mais sofisticados que considerem a degradação da precisão sob carga.

Em suma, o artigo estabelece uma base rigorosa para a análise baseada em evidências do deployment de IA em pipelines de cibersegurança, destacando que a melhoria de throughput depende exclusivamente da identificação e aceleração de todos os gargalos simultaneamente, respeitando os limites físicos e humanos do sistema.