Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations

Título: Rumo ao Desenvolvimento de uma Metodologia Baseada em LLM para Perfilagem de Segurança Automatizada em Conformidade com os Regulamentos de Cibersegurança da Ucrânia

1. Problema e Contexto

O artigo aborda o desafio crescente de gerenciar a segurança da informação em um cenário de ameaças híbridas intensas, especificamente no contexto da Ucrânia. A transição dos modelos tradicionais de conformidade para abordagens baseadas em risco, conforme estabelecido pelo novo documento normativo ucraniano ND TPI 3.6-006-24 (que alinha as práticas nacionais com o NIST Cybersecurity Framework e o padrão ISO/IEC 27001), criou uma lacuna operacional.

O problema central é a falta de um fluxo de trabalho claro, reprodutível e automatizado para a derivação de Perfis de Segurança Alvo (Target Security Profiles - TSP). Atualmente, a criação desses perfis depende inteiramente de especialistas humanos que analisam manualmente requisitos regulatórios complexos, identificam ameaças e selecionam controles de segurança. Esse processo é demorado, propenso a erros humanos e difícil de escalar, especialmente quando se trata de adaptar um perfil base (mínimo obrigatório) para um sistema específico, considerando seu contexto operacional, arquitetura e riscos.

2. Metodologia Proposta

Os autores propõem uma metodologia estruturada para automatizar a derivação de TSPs utilizando Modelos de Linguagem de Grande Escala (LLMs) aprimorados por Geração Aumentada por Recuperação (RAG).

Arquitetura e Fluxo de Trabalho:

• Base de Conhecimento (RAG): Um banco de dados vetorial é construído com documentos normativos ucranianos (ND TPI), políticas organizacionais e o catálogo de controles do NIST SP 800-53. Isso permite que o LLM acesse informações atualizadas e específicas, reduzindo alucinações.
• Formalização do Processo: O método é modelado como um processo de suporte à decisão $P: (S, Q, B, R) \rightarrow T$, onde:
  • $S$: Descrição estruturada do sistema (passaporte do sistema).
  • $Q$: Requisitos de segurança extraídos do contexto.
  • $B$: Perfil de segurança base selecionado (ex: Baixo, Moderado, Alto impacto).
  • $R$: Base de conhecimento regulatória.
  • $T$: Perfil de Segurança Alvo resultante.
• Lógica de Decisão: O sistema executa uma análise controlada por controlador, onde para cada controle base ($b_i$), o modelo determina uma decisão:
  • Manter (Keep): Se o controle é relevante e suficiente.
  • Refinar (Refine): Se os parâmetros mínimos precisam ser ajustados ao contexto.
  • Melhorar (Enhance): Se riscos adicionais exigem controles de reforço.
  • Adicionar (Add): Se novos controles são necessários para cobrir lacunas de risco.
  • Compensar (Compensate): Se um controle não é viável, propõe-se um controle compensatório equivalente.
• Human-in-the-Loop: O fluxo inclui obrigatoriamente uma revisão e aprovação final por um especialista humano, garantindo que o LLM atue apenas como uma ferramenta de suporte à decisão, não como o tomador final de decisões.

3. Principais Contribuições

1. Método de Derivação de TSP: Proposição de um método formal para gerar perfis de segurança sob o novo quadro regulatório ucraniano, mapeando controles base para controles alvo específicos.
2. Arquitetura LLM-RAG: Desenvolvimento de um modelo capaz de gerar decisões no nível de controle com justificativas rastreáveis e uma estrutura de saída padronizada, utilizando uma base de dados vetorial de regulamentos nacionais.
3. Validação Experimental: Realização de uma validação inicial comparando diferentes LLMs (Claude Sonnet 4.6, Gemini 3.1 Pro e ChatGPT Thinking 5.4) em cenários de derivação de perfis, com supervisão de especialistas.

4. Resultados Experimentais

O estudo foi validado através da geração de relatórios de perfil de segurança para um sistema de especificação sintética, mas realista. Três modelos foram testados:

• Desempenho Geral: O modelo Claude Sonnet 4.6 Extended apresentou o melhor desempenho global.
  • Gerou um relatório completo de 60 páginas em menos de 4 minutos.
  • 75% das decisões geradas coincidiram diretamente com o julgamento de especialistas.
  • Apenas 15% dos controles gerados exigiram edições menores por especialistas.
  • Taxa de alucinação baixa (10%) quando o contexto do sistema era completo.
• Comparação com Outros Modelos:
  • O ChatGPT Thinking 5.4 foi mais conservador, frequentemente solicitando esclarecimentos ao usuário, o que alinha-se com a metodologia de evitar suposições não suportadas, mas levou mais tempo (17 min) e gerou menos recomendações de refinamento.
  • O Gemini 3.1 Pro apresentou resultados menos consistentes, fornecendo análises segmentadas em vez de um relatório unificado. Sua taxa de alucinação foi significativamente maior (43%) quando o "passaporte do sistema" (entrada de dados) carecia de detalhes.
• Conclusão dos Resultados: A metodologia é viável tanto conceitualmente quanto na prática. A qualidade da entrada (detalhes do sistema) é crítica para a precisão do modelo.

5. Significado e Impacto

Este trabalho é significativo por várias razões:

• Eficiência e Escalabilidade: Permite que organizações, especialmente pequenas e médias empresas, adaptem suas defesas de segurança a ameaças híbridas sem um aumento proporcional no custo de pessoal especializado.
• Conformidade Dinâmica: Facilita a atualização contínua dos perfis de segurança conforme os regulamentos ucranianos evoluem, integrando automaticamente novas normas ao ciclo de vida dos sistemas de informação.
• Redução de Erros: Ao automatizar a análise de centenas de parâmetros e manter um especialista humano na aprovação final, o método minimiza erros humanos e a complexidade manual.
• Modelo Reprodutível: Oferece um fluxo de trabalho estruturado para a gestão de cibersegurança assistida por IA em ambientes de alta intensidade de ameaças, servindo como base para futuros sistemas de suporte à decisão inteligentes universais.

Em resumo, o artigo demonstra que a combinação de RAG com LLMs pode transformar um processo burocrático e complexo de conformidade regulatória em um ciclo operacional transparente, rápido e altamente preciso, mantendo a responsabilidade final nas mãos de humanos qualificados.