Resumo Técnico: CyberAId – Cibersegurança Impulsionada por IA para Prestadores de Serviços Financeiros

1. Declaração do Problema

O setor financeiro europeu, que gerencia mais de 100 trilhões de euros em ativos, enfrenta um "gargalo de raciocínio" em seus Centros de Operações de Segurança (SOCs). Apesar dos altos volumes de ingestão de dados, os SIEMs empresariais detectam apenas aproximadamente 21% das técnicas MITRE ATT&CK, e cerca de dois terços das equipes de SOC não conseguem acompanhar o volume de alertas. Consequentemente, a maioria das violações é precedida por alertas que são gerados, mas nunca investigados.

Embora os Modelos de Linguagem de Grande Escala (LLMs) de fronteira tenham demonstrado desempenho de última geração em tarefas isoladas de cibersegurança (por exemplo, exploração de vulnerabilidades de um dia, detecção de intrusão), essas "vitórias estreitas" não constituem uma plataforma SOC viável. Um LLM monolítico não consegue compor funções, persistir estado multi-inquilino, mapear descobertas para regimes regulatórios complexos (DORA, NIS2, Lei de IA da UE) ou sobreviver a sondagens adversárias. Além disso, a literatura existente carece de aplicações específicas de agentes LLM para conformidade de cibersegurança financeira e defesa federada interinstitucional.

2. Metodologia e Arquitetura

O CyberAId propõe um sistema híbrido multiagente projetado para operar localmente (on-premise) dentro de instituições financeiras. Em vez de substituir ferramentas de segurança clássicas, o sistema utiliza subagentes LLM especializados para raciocinar sobre telemetria clássica de SIEM/XDR. A arquitetura é construída sobre quatro princípios de design falseáveis:

• P1. Fundamentação Híbrida: Os agentes raciocinam sobre a telemetria existente de SIEM/XDR. A camada LLM lida com a síntese entre domínios, mapeamento regulatório e interação em linguagem natural, enquanto as ferramentas clássicas fornecem ingestão de alto rendimento e detecção determinística. As saídas fluem de volta para o SIEM como regras de detecção e playbooks SOAR.
• P2. Especialização e Composição: A expertise é partitionada entre subagentes especialistas, cada um com instruções de sistema únicas, partições de conhecimento e conjuntos de ferramentas. Um Agente Principal/Agente Roteador Central (CRA) coordena esses especialistas, agregando descobertas e resolvendo conflitos.
• P3. Conhecimento Federado: As instituições compartilham conhecimento acumulado de agentes (playbooks, habilidades, linhas de base comportamentais) em vez de dados brutos de clientes. Isso utiliza computação segura multipartidária e privacidade diferencial para permitir que instituições menores herdem capacidades de detecção de participantes maiores.
• P4. Confiança Arquitetônica: A confiança é projetada através de autonomia limitada com portões Human-in-the-Loop (HITL) em camadas, Geração Aumentada por Recuperação (RAG) particionada delimitada por um objeto de Contexto de Segurança, e logs de auditoria apenas de adição. Isso alinha-se ao Artigo 14 da Lei de IA da UE e aos prazos de relatórios do DORA.

Componentes da Plataforma

A plataforma opera dentro de um tempo de execução compartilhado (por exemplo, LangGraph) e inclui:

• Agente Principal/CRA: Atua como a camada de triagem e despacho, realizando avaliação de severidade e sintetizando recomendações com proveniência de cadeia de pensamento.
• Capacidade de Relatórios: Fornece um caminho de consulta direto e de baixa latência para relatórios de conformidade (por exemplo, notificações de 4 horas do DORA) sem roteamento através do CRA.
• Subagentes Especialistas:
  • Agente de Inteligência de Ameaças (TIA): Mapeia observações para MITRE ATT&CK e correlaciona campanhas.
  • Agente de Avaliação de Vulnerabilidades (VAA): Prioriza a remediação com base no impacto nos negócios.
  • Agente de Verificação de Conformidade (CVA): Mantém consciência em tempo real das regulamentações (DORA, NIS2, GDPR, etc.) e gera evidências prontas para auditoria.
  • Agente de Análise Comportamental (BAA): Detecta ameaças internas e desvios usando telemetria de nível de kernel.
  • Agente de Resposta a Incidentes (IRA): Gera playbooks de contenção e coordena o isolamento.
  • Agente de Análise Forense (FAA): Reconstrói cronologias de eventos para admissibilidade legal.
  • Agente de DevSecOps e Análise de Código (DCA): Faz cumprir políticas de codificação segura em pipelines CI/CD.

Tecnologias Complementares

O sistema é agnóstico ao modelo e integra-se com:

• RAG Particionado: Consulta repositores vetoriais delimitados por Contexto de Segurança, cobrindo telemetria operacional, feeds de CTI e corpora regulatórios.
• Gêmeos Digitais: Capacidade opcional para validação adversária autônoma (red-teaming) em um ambiente seguro.
• Telemetria eBPF: Visibilidade de baixo custo de sobrecarga em nível de kernel para detecção comportamental em terminais (ATMs, POS).
• Autenticação por Token Quântico: Integração para fluxos de transações de alto valor usando tokens inforgeáveis.
• Adaptação Baseada em Habilidades: Os agentes carregam "habilidades" compostáveis e versionadas (modelos de prompt, vinculações de ferramentas, mapeamentos regulatórios) que podem ser atualizadas e refinadas.

3. Contribuições Principais

O artigo apresenta quatro contribuições principais:

1. Posicionamento: Uma postura sobre cibersegurança híbrida LLM-agente/SIEM-XDR especificamente para o setor financeiro, abordando a lacuna entre sucessos isolados de LLM e requisitos operacionais de SOC.
2. Arquitetura: Uma arquitetura detalhada de tempo de execução multiagente com Agente Principal/CRA, capacidade de relatórios e subagentes especialistas operando sob autonomia limitada.
3. Pilha de Métodos: Uma combinação de RAG particionado, compartilhamento de conhecimento federado interinstitucional e pacotes de capacidade opcionais (gêmeos digitais, eBPF, autenticação quântica).
4. Framework de Validação: Quatro casos de uso financeiros representativos projetados para exercitar a plataforma de ponta a ponta.

4. Casos de Uso de Validação

O artigo descreve quatro casos de uso específicos para validação, cada um envolvendo diferentes subconjuntos de agentes e ganchos regulatórios:

• UC-1: Detecção de Impersonação de Cliente em Camadas (Banco Privado): Usa análise de conteúdo impulsionada por LLM para detectar desvios linguísticos em e-mails de pedidos e anomalias estruturais. Integra aprendizado federado e 2FA opcional por token quântico.
• UC-2: Anti-Lavagem de Dinheiro (AML) para Prestadores de Serviços de Pagamento: Constrói grafos de transações dinâmicos para detectar estruturação e camadas. Usa gêmeos digitais para replay seguro de fluxos suspeitos e gera relatórios alinhados com 4AML.
• UC-3: Detecção de Anomalias Multicanal (Banco Varejista): Consome telemetria aprimorada por eBPF para sinais de nível de kernel. Realiza triagem em pipeline e executa playbooks pré-aprovados dentro da janela de 4 horas do DORA.
• UC-4: Negociação de Alta Frequência (HFT) Ciber-Resiliente: Monitora repositórios de algoritmos e feeds de dados de mercado para deriva e acesso não autorizado. Prioriza o raciocínio de agente de baixa latência no caminho de monitoramento, mantendo o caminho de negociação determinístico.

5. Significado e Alegações

O artigo argumenta que a unidade correta de construção para cibersegurança financeira não é um modelo monolítico mais inteligente, mas um sistema híbrido multiagente. Seu significado reside em:

• Alinhamento Regulatório: Projetar explicitamente para DORA, NIS2 e a Lei de IA da UE, particularmente em relação à auditabilidade, supervisão humana e prazos de relatórios.
• Defesa Coletiva: Propor um mecanismo onde as instituições contribuem para uma defesa coletiva continuamente refinada através do compartilhamento de conhecimento federado, sem comprometer a privacidade dos dados.
• Direção de Pesquisa: Identificar a adaptação de agentes baseada em habilidades como uma fronteira de pesquisa crítica. O artigo postula que tratar as capacidades dos agentes como "habilidades" compostáveis, assinadas e versionadas permite resolução de conflitos, rastreamento de proveniência e refinamento contínuo através de loops de aprendizado federado.

Os autores concluem que o CyberAId representa uma mudança de "vitórias estreitas" em segurança de IA para uma plataforma capaz de compor funções, persistir estado e sobreviver às demandas rigorosas da infraestrutura crítica financeira.