An AI Security Agent for University ACMIS: Multi-Vector Threat Detection and Automated Response

Resumo Técnico: Um Agente de Segurança de IA para o ACMIS Universitário

Declaração do Problema
Os Sistemas de Gestão de Informação Académica (ACMIS) universitários representam alvos de alto valor para um espectro diversificado de ameaças de segurança, que variam desde ataques de força bruta de login e fraude de pagamentos até escalada de privilégios, roubo de dados por agentes internos e violações de integridade académica. O artigo identifica uma lacuna crítica nas posturas de segurança atuais: os Sistemas de Deteção de Intrusão (IDS) tradicionais baseados em regras são inadequados porque dependem de assinaturas estáticas. Muitas atividades maliciosas dentro do ACMIS são estruturalmente indistinguíveis das operações normais quando visualizadas isoladamente. Por exemplo, um docente acumulando gradualmente privilégios administrativos ou um script gerando Números de Registo de Pagamento (PRN) à velocidade de máquina podem parecer legítimos individualmente, mas constituem fraude ou abuso quando analisados comportamentalmente. O artigo argumenta que os sistemas existentes falham em detetar estas ameaças de "movimentação lenta" ou dependentes de contexto que exploram lacunas comportamentais em vez de vulnerabilidades técnicas.

Metodologia
A solução proposta é um agente de segurança de IA modular e multicamada, concebido para monitorizar cinco superfícies operacionais do ACMIS: autenticação, autorização, transações financeiras, comportamento do utilizador e saúde do sistema. A arquitetura do sistema consiste num motor de segurança de IA central e em módulos específicos para cada setor.

1. Motor Central de Segurança de IA: O motor processa fluxos de eventos através de três submódulos paralelos para gerar uma pontuação de risco composta ($R$):

   • Deteção de Anomalias de Sequência: Uma rede LSTM treinada em sequências de ações de utilizadores para identificar desvios das distribuições históricas de ações.
   • Monitor de Limiar Estatístico: Um contador de velocidade de janela deslizante para sinais de alta frequência (ex: tentativas de login, geração de PRN) utilizando limiares específicos de classe aprendidos a partir de bases históricas.
   • Analisador Baseado em Grafos: Uma Rede Neural de Grafos (GNN) que modela as relações entre utilizadores, dispositivos, endereços IP e entidades do ACMIS para detetar arestas relacionais incomuns.
   • A pontuação de risco final é calculada como $R = \alpha s_{seq} + \beta s_{thresh} + \gamma s_{graph}$, onde os pesos são ajustados nos dados de validação.

2. Estrutura de Resposta Automatizada: O sistema utiliza uma estrutura de escalonamento de quatro níveis baseada na pontuação de risco $R$:

   • Baixo: Registo (logging) e atualizações de base.
   • Médio: Autenticação de Dois Fatores (MFA) de reforço e limitação de taxa (rate-limiting).
   • Alto: Bloqueio temporário de conta, bloqueio de IP e pausa de transações.
   • Crítico: Suspensão de emergência, congelamento financeiro e quarentena de sessão.

3. Chatbot Baseado em NLP: Um modelo de NLP com recuperação aumentada (RAG) gere a recuperação de passwords. Este verifica a identidade via OTP enquanto monitoriza simultaneamente padrões de abuso, tais como ataques de reset em massa, avaliando a geolocalização, a novidade do dispositivo e a velocidade de pedido.

4. Módulos Específicos de Setor: A arquitetura separa o conhecimento de domínio (ex: velocidades normais de PRN para módulos financeiros, padrões de login de exames para módulos académicos) do motor central de deteção, permitindo que o sistema seja adaptado a outros contextos institucionais.

Principais Contribuições

• Deteção Multicamada: Um agente unificado que cobre cinco superfícies operacionais distintas do ACMIS, abordando a limitação da monitorização de superfície única.
• Arquitetura Híbrida: A integração de modelação de sequências (LSTM), limiares estatísticos e análise relacional baseada em grafos para detetar tanto anomalias pontuais como padrões comportamentais coletivos.
• Resposta Automatizada: Uma estrutura calibrada de quatro níveis que transita de monitorização passiva para bloqueio de emergência com base em pontuações de risco, com latência de ponta a ponta medida em milissegundos.
• Integração de Recuperação Segura: A inclusão de um chatbot de NLP que realiza a verificação de identidade enquanto deteta ativamente vetores de ataque de reset em massa durante o fluxo de recuperação.
• Design Modular: Uma arquitetura onde o motor de anomalia central é agnóstico ao setor, permitindo a adaptação para banca, saúde e outros sistemas institucionais através de módulos plug-in.

Resultados Experimentais
O sistema foi avaliado num conjunto de dados simulado de 147.922 sessões em 2.400 contas de utilizadores ao longo de 90 dias, contendo 12.310 sessões de ataque (prevalência de 8,32%) em nove categorias de ameaças.

• Desempenho de Deteção: O agente proposto alcançou um F1 score macro-médio de 0,966. Isto representa uma melhoria de 81 pontos sobre a linha de base baseada em regras (0,156) e uma melhoria de 13 pontos sobre a linha de base apenas com LSTM (0,836).
• Ameaças Específicas: A abordagem híbrida foi particularmente eficaz contra o "abuso de contas dormentes", onde as linhas de base de regras e de Isolation Forest pontuaram 0,000 e o modelo apenas com LSTM pontuou 0,019. O modelo proposto alcançou um F1 de 0,932 para esta categoria, demonstrando a necessidade do componente baseado em grafos.
• Métricas Gerais: O modelo obteve uma precisão de 0,994 e um recall de 0,998 no conjunto de teste.
• Latência: A latência de resposta de ponta a ponta para ações de nível crítico foi inferior a 0,207 ms (percentil 95) num protótipo de nó único, bem dentro do limiar de sub-segundo necessário para um bloqueio de conta eficaz.
• Desempenho do Chatbot: O chatbot de recuperação alcançou 97,1% de precisão na verificação de identidade e uma taxa de deteção de 87,3% para ataques de reset em massa, com zero falsos positivos em períodos legítimos de alto volume de recuperação.

Significância e Alegações
O artigo alega que a principal significância deste trabalho reside em abordar a limitação fundamental dos IDS baseados em regras: a incapacidade de detetar ameaças comportamentalmente subtis, temporalmente distribuídas ou dependentes de contexto. Ao combinar três modelos de deteção distintos, o sistema supera os "pontos cegos" das abordagens de modelo único, particularmente para ameaças internas e padrões de exfiltração lenta que carecem de assinaturas fixas.

Os autores enfatizam que a arquitetura modular permite que o motor central seja redirecionado para outros setores (banca, saúde) simplesmente atualizando os módulos específicos de cada setor, em vez de reconstruir a lógica de deteção. O artigo conclui que, embora a avaliação dependa de dados sintéticos devido à escassez de logs de ACMIS públicos e rotulados, os resultados demonstram uma melhoria significativa na cobertura de deteção sem incorrer em taxas de falsos positivos inaceitáveis, validando a viabilidade de uma estrutura de resposta automatizada impulsionada por IA para a cibersegurança universitária.