💻 computer science

An Explainable AI Audit of Temporal Signatures in Botnetand Multi-Vector Cyber-Attacks

Este artigo demonstra que, embora detectores de intrusão de aprendizado de máquina de alta precisão exibam uma fraca transferibilidade entre domínios devido a assinaturas temporais distintas para ataques de botnet e multivetoriais, a aplicação de uma estrutura de inteligência artificial explicável multimétodo identifica com sucesso um conjunto robusto e de consenso de características temporais que transforma modelos de caixa preta em evidências auditáveis e transferíveis para uma detecção de intrusão confiável.

Autores originais: Gizachew Teshome Habtamu, Shahzad Ahmed

Publicado 2026-08-13

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Gizachew Teshome Habtamu, Shahzad Ahmed

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um segurança em um aeroporto enorme e movimentado. Seu trabalho é identificar baderneiros entre milhões de viajantes. No passado, os guardas olhavam para rostos ou verificavam itens específicos em bolsas. Mas hoje, os "vilões" são tão bons em esconder seus rostos e embalar suas malas que os guardas começaram a usar robôs superinteligentes (Aprendizado de Máquina) para fazer a detecção. Esses robôs são incrivelmente precisos, muitas vezes pegando 99% dos bandidos. No entanto, há uma pegadinha: esses robôs são "caixas pretas". Eles gritam "ALERTA!", mas não dizem o porquê. O robô pegou um ladrão porque ele estava correndo? Porque ele estava carregando uma mala pesada? Ou ele apenas se confundiu porque o homem estava usando um chapéu vermelho? Se o robô não consegue se explicar, as equipes de segurança não podem confiar nele e não podem ensiná-lo a detectar novos tipos de problemas.

É aqui que um campo chamado "IA Explicável" (XAI) entra. Pense na XAI como um tradutor que força o robô a mostrar seu raciocínio, como um aluno de matemática escrevendo o passo a passo de seus cálculos em uma prova. A grande questão que os pesquisadores têm feito é: as pistas que o robô usa para pegar um tipo de criminoso (como um grupo de hackers trabalhando juntos) também funcionam para pegar um tipo diferente (como uma inundação gigante de tráfego falso)? Ou o robô apenas memorizou o "uniforme" específico dos criminosos com os quais foi treinado? Se o robô só conhece o chapéu vermelho, ele perderá os criminosos de chapéu azul. Este artigo mergulha nesse mistério, testando se as "pistas" que um robô aprende são universais ou apenas específicas do campo de treinamento.

A Grande Troca de Detetives: Botnets vs. Inundações

Neste estudo, dois pesquisadores, Gizachew e Shahzad, decidiram submeter sete diferentes "robôs detetives" (modelos de aprendizado de máquina) a um teste rigoroso. Eles queriam ver se esses robôs conseguiriam detectar dois tipos de cibercriminosos muito diferentes usando apenas uma pequena lista de nove itens de pistas "temporais".

Os Dois Vilões:

A Botnet: Imagine um enxame de milhares de pequenos drones sem mente (computadores infectados) todos esperando por um sinal de um mestre. Eles se movem em uma uníssono perfeita e monótona, como uma banda de marcha. Sua "assinatura" é um tempo rigoroso e rítmico.
O Ataque Multivetorial: Imagine uma multidão caótica de diferentes baderneiros. Alguns estão jogando pedras gigantes (inundações/floods), outros estão tentando arrombar fechaduras (scans) e outros estão tentando adivinhar senhas (força bruta). Eles são barulhentos, bagunçados e variam em tamanho e velocidade.

As Nove Pistas:
Em vez de olhar para o conteúdo das mensagens (que geralmente é criptografado ou privado), os pesquisadores forçaram os robôs a olhar apenas para o tempo e a forma do tráfego. Eles deram a eles uma lista de nove itens:

Quanto tempo durou a conversa.
Quanto dado foi enviado (volume).
A rapidez com que foi enviado (taxa).
Para qual direção os dados fluíram (direção).
O tamanho dos "pacotes" individuais de dados (tamanho do pacote).
E, o mais importante, os intervalos de tempo entre os pacotes (Tempo de Chegada Intermediária ou IAT).

A Descoberta Chocante: Regras Diferentes para Vilões Diferentes

Os robôs foram treinados nessas nove pistas e tiveram um desempenho incrível, pegando quase 100% dos bandidos em ambos os cenários. Mas quando os pesquisadores perguntaram aos robôs como eles os pegaram, os resultados foram impressionantes.

A Captura da Botnet:
Quando os robôs pegaram a Botnet (os drones de marcha), eles confiaram quase inteiramente no tempo. Eles observaram os intervalos entre as mensagens. Como os drones se movem em um ritmo perfeito, os intervalos de tempo eram incrivelmente regulares. Os robôs disseram: "Aha! O tempo entre estas mensagens é perfeito demais! É um bot!" De fato, para os detectores de botnet, as pistas de tempo foram tão importantes que, se você embaralhasse o tempo, a capacidade do robô de pegar os bandidos cairia para quase zero.

A Captura do Ataque Multivetorial:
Quando os robôs pegaram a multidão caótica (inundações e scans), eles ignoraram o tempo quase completamente. Em vez disso, eles olharam para tamanho e volume. Eles disseram: "Olhe para isso! Os pacotes são todos do mesmo tamanho estranho", ou "Esta pessoa está enviando dados demais em uma única direção!". O tempo não importava tanto porque a multidão caótica se movia em velocidades aleatórias.

A Armadilha da "Caixa Preta":
Aqui está o achado mais crítico: os pesquisadores tentaram ver se as pistas usadas para a Botnet funcionariam para o ataque Multivetorial, e vice-versa. Eles fizeram uma verificação matemática para ver se a "importância" das pistas correspondia entre os dois grupos. O resultado? Elas não correspondiam de forma alguma. A correlação foi praticamente zero (0,01).

Isso significa que, se você pegar um robô treinado para detectar Botnets e disser a ele para procurar por Inundações (Floods), ele provavelmente falhará porque estará procurando pelas pistas erradas. É como ensinar um cachorro a buscar uma bola e depois esperar que ele pegue um frisbee só porque você usou a mesma palavra "busca". O artigo descarta explicitamente a ideia de que você possa simplesmente copiar e colar um painel de "importância de características" de um sistema de segurança para outro e esperar que funcione. As pistas são específicas do domínio.

A Luz no Fim do Túnel: As Pistas "Robustas"

Então, toda a esperança está perdida? Precisamos de um robô diferente para cada tipo de ataque? Não exatamente. Os pesquisadores usaram um truque inteligente para encontrar o "terreno comum". Eles perguntaram: "Qual é a pista menos importante para ambos os tipos de ataques?" Não, espere — eles perguntaram o oposto: "Quais pistas ainda são importantes mesmo se tirarmos a pontuação mínima entre os dois mundos?"

Ao procurar pelas pistas que sobreviveram ao teste mais difícil (sendo importantes tanto no mundo da Botnet quanto no mundo da Inundação), eles encontraram um "Conjunto de Consenso" de três assinaturas super-robustas:

Variabilidade no Tempo: O quanto os intervalos de tempo mudam (não apenas a média do tempo).
Proporção de Bytes de Origem: O equilíbrio entre quanto dado é enviado versus recebido.
Tamanho Médio do Pacote: O tamanho típico dos blocos de dados.

Essas três pistas são as "chaves universais". Elas são difíceis de um bandido falsificar. Se uma botnet tentar bagunçar seu tempo para se esconder, ela arruína seu próprio ritmo. Se um atacante de inundação tentar mudar os tamanhos dos pacotes para se esconder, ele pode quebrar seu próprio padrão de inundação.

O Que Isso Significa Para Você

O artigo conclui que, embora os robôs de "caixa preta" sejam ótimos em pegar bandidos, não podemos apenas confiar neles cegamente. Precisamos usar a IA Explicável (XAI) para espiar o interior e ver o que eles estão realmente observando.

O estudo mostra que:

O Tempo é Rei para Bots: Se você quer pegar uma botnet, observe o relógio.
O Tamanho é Rei para Inundações: Se você quer pegar uma inundação, observe o volume.
Não Copie e Cole: Você não pode assumir que um robô treinado em um tipo de ataque saberá detectar outro apenas porque é inteligente.
A Aposta Segura: Se você quer um sistema de segurança que funcione em qualquer lugar, foque nas três pistas de "Consenso" (variabilidade de tempo, equilíbrio de dados e tamanho do pacote).

Os pesquisadores são cuidadosos ao dizer que esses resultados são baseados em conjuntos de dados específicos (CIC-IDS2017 e CTU-13), que são como simulações de treinamento. Embora os robôs tenham performado perfeitamente nesses testes (mais de 99% de precisão), o mundo real é mais desordenado. No entanto, o método que eles usaram — forçar os robôs a se explicarem e encontrar as pistas que sobrevivem através de diferentes mundos — nos dá uma nova maneira confiável de construir sistemas de segurança que não apenas adivinham, mas realmente entendem o que estão vendo.

Resumo Técnico: Uma Auditoria de IA Explicável de Assinaturas Temporais em Botnets e Ataques de Vetores Múltiplos

Declaração do Problema

Embora os Sistemas de Detecção de Intrusão (IDS) baseados em Aprendizado de Máquina (ML) alcancem alta precisão em conjuntos de dados de referência, eles funcionam como "caixas pretas", oferecendo pouca percepção sobre as evidências que impulsionam suas previsões. Essa opacidade impede que analistas de Centros de Operações de Segurança (SOC) auditem modelos para detecção de aprendizado de atalho (ex: dependência de números de portas específicos) ou justifiquem respostas automatizadas perante partes interessadas. Além disso, uma alta precisão dentro de um conjunto de dados não garante generalização; os modelos frequentemente falham ao serem transferidos para diferentes ambientes de rede. Existe uma lacuna crítica na compreensão de se as características identificadas como importantes pelas técnicas de IA Explicável (XAI) constituem assinaturas temporais robustas e transferíveis entre distintos domínios de ataque — especificamente, entre tráfego de botnets (caracterizado por comando e controle periódico) e tráfego de ataques de vetores múltiplos (caracterizado por inundações volumétricas, varreduras e força bruta).

Metodologia

Os autores propõem uma estrutura de XAI de três camadas para auditar sete classificadores diversos treinados em um espaço de características temporais harmonizado de nove dimensões.

1. Conjuntos de Dados e Harmonização de Características

Dois benchmarks heterogêneos foram utilizados:

CIC-IDS2017: Contém tráfego de ataques de vetores múltiplos (DoS, DDoS, PortScan, Brute Force, Web Attacks, Bot).
CTU-13: Contém cenários de tráfego de botnet do mundo real.

Para permitir a comparação direta, os autores projetaram uma representação temporal de nove características idêntica, computável de ambos os conjuntos de dados, removendo identificadores de carga útil (payload) e de porta específicos para focar puramente no comportamento de tempo e volume:

duration_s (duração em segundos)
total_bytes (total de bytes)
total_packets (total de pacotes)
bytes_per_s (bytes por segundo)
packets_per_s (pacotes por segundo)
src_bytes_ratio (razão de direção de bytes de origem)
avg_packet_size (tamanho médio do pacote)
iat_mean_s (média do Tempo de Interchegada - IAT)
iat_std_s (desvio padrão do Tempo de Interchegada - IAT)

2. Treinamento de Modelos

Sete classificadores abrangendo quatro paradigmas de aprendizado foram treinados em ambos os conjuntos de dados usando as características temporais harmonizadas:

Conjuntos de Árvores (Tree Ensembles): Random Forest (RF), AdaBoost (ADA), LightGBM.
Aprendizado Profundo (Deep Learning): Rede Neural Profunda (DNN), Perceptron Multicamadas (MLP).
Distância/Kernel: k-Nearest Neighbors (KNN), SVM com kernel RBF.

3. Protocolo de IA Explicável (XAI)

Três métodos de atribuição independentes foram aplicados para auditar os modelos:

SHAP (SHapley Additive exPlanations): Utilizou TreeExplainer para modelos de árvore e Kernel/GradientExplainer para os demais.
LIME (Local Interpretable Model-agnostic Explanations): Surrogados lineares locais esparsos.
Importância por Permutação (Permutation Importance): Medindo a queda no ROC-AUC quando as características são embaralhadas.

4. Análise de Robustez

Para identificar assinaturas transferíveis, os autores empregaram uma metodologia de piso de robustez por consenso. Isso envolveu:

Calcular correlações de rank de Spearman ( $\rho$ ) entre conjuntos de dados para testar se as classificações de importância das características são transferíveis.
Computar um "piso de robustez" para cada característica, tomando o mínimo da importância normalizada entre ambos os conjuntos de dados, todos os algoritmos e todos os métodos de XAI. Características com pontuações mínimas altas são consideradas assinaturas robustas.

Principais Resultados

1. Desempenho de Detecção

Usando apenas as nove características temporais, seis dos sete classificadores alcançaram ROC-AUC $\ge$ 0.99 em ambos os conjuntos de dados.

Os conjuntos de árvores (RF, ADA, LightGBM) alcançaram pontuações quase perfeitas (1.000) no CTU-13.
A redução de ~78 características nativas para 9 características temporais resultou em uma perda de desempenho negligenciável (<0.005 AUC) para modelos não-kernel, provando que o tempo comportamental é suficiente para a detecção sem inspeção de carga útil.

2. Importância de Características Divergente

A análise de XAI revelou uma dicotomia acentuada no que os modelos utilizam para diferentes tipos de ataque:

Ataques de Vetores Múltiplos (CIC-IDS2017): A detecção é dominada por evidências volumétricas e de tamanho de pacote (ex: avg_packet_size, src_bytes_ratio). Esses ataques manipulam tamanhos de pacotes e exibem fluxos de tráfego assimétricos.
Botnets (CTU-13): A detecção é exposta quase inteiramente pela regularidade do Tempo de Interchegada (IAT) (iat_mean_s, iat_std_s). O beaconing de comando e controle de botnets cria padrões de tempo de baixa variância.
Correlação entre Conjuntos de Dados: As classificações globais de importância de características não são transferíveis entre domínios. A correlação média de Spearman ( $\rho$ ) através de 21 pares de algoritmo-método foi de +0.01, com 9 pares mostrando correlação negativa. Uma classificação de características válida para botnets é frequentemente enganosa para ataques de vetores múltiplos.

3. Assinaturas de Consenso Robustas

Ao aplicar a metodologia de piso de robustez (tomando a importância mínima entre domínios), os autores destilaram um conjunto de assinaturas que permanecem informativas em ambos os contextos:

Desvio Padrão do IAT (iat_std_s): A assinatura mais robusta, crítica para botnets e relevante para ataques de força bruta/DoS de baixa taxa em ataques de vetores múltiplos.
Razão de Bytes de Origem (src_bytes_ratio): Indica assimetria direcional.
Tamanho Médio do Pacote (avg_packet_size): Indica uniformidade na geração de pacotes.

Essas três características são comportamentalmente difíceis de serem evitadas por um adversário simultaneamente sem degradar a funcionalidade do ataque (ex: injetar jitter para esconder botnets degrada a confiabilidade do C&C; randomizar tamanhos de pacotes interrompe a eficiência da inundação/flood).

Significância e Alegações

O artigo afirma que a XAI pode transformar detectores de caixa preta em evidências temporais auditáveis e transferíveis. As principais contribuições são:

Validação da Suficiência Temporal: Demonstrar que características temporais compactas sozinhas suportam detecção quase perfeita, permitindo um IDS preservador de privacidade e livre de carga útil, adequado para tráfego criptografado e ambientes de borda com recursos limitados.
Exposição da Especificidade de Domínio: Fornecer evidência empírica de que a importância das características não é universal. Confiar em painéis de importância de características de um ambiente (ex: um conjunto de dados de botnet) para outro (ex: um conjunto de dados de vetores múltiplos) é estatisticamente incorreto.
Metodologia para Assinaturas Robustas: Introduzir uma abordagem de "piso de robustez" para extrair assinaturas que são estáveis entre algoritmos, métodos de atribuição e domínios de ataque. Isso vai além da simples classificação de características para identificar invariantes comportamentais.
Utilidade Operacional: O estudo sugere que a XAI deve ser integrada aos ciclos de MLOps para detectar artefatos de conjuntos de dados (como o atalho de "Porta de Destino" identificado em modelos de características completas) e para fornecer aos analistas justificativas verificáveis baseadas em comportamento, em vez de pontuações de probabilidade opacas.

Os autores concluem que, embora o estudo atual seja limitado a dados de teste, as assinaturas de consenso identificadas oferecem um caminho principiado para uma detecção de intrusão confiável, transparente e transferível.