📄 other

Mathematical Modelling of Cybersecuritythreat Dynamics Using a Compartmental approach

Este artigo apresenta um modelo matemático compartimentado para a propagação de ataques cibernéticos em redes de computadores, provando sua estabilidade e realizando análises de sensibilidade e bifurcação para demonstrar que as taxas de transmissão são o fator dominante na disseminação de malware, enquanto mecanismos robustos de recuperação e controle podem mitigar as infecções de forma eficaz.

Autores originais: Imtiaz Ahmad, Mehwish Zada, Laila Noor, Ebenezer Bonyah, Sapna Ajmal, Sehra Khan

Publicado 2026-07-24

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Imtiaz Ahmad, Mehwish Zada, Laila Noor, Ebenezer Bonyah, Sapna Ajmal, Sehra Khan

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 a internet não como uma nuvem de dados, mas como uma cidade movimentada e invisível onde milhões de computadores vivem, conversam e trocam informações. Assim como uma cidade cheia de pessoas, esta metrópole digital pode adoecer. Quando um vírus de computador ou um pedaço de software malicioso (malware) encontra uma maneira de entrar, ele não fica apenas parado; ele se espalha, infectando vizinhos e transformando-os em novos portadores da doença. Este é o mundo da cibersegurança, um campo dedicado a manter nossa cidade digital segura. Durante anos, cientistas tentaram prever esses surtos usando "modelos compartimentais", que são basicamente mapas sofisticados que classificam os computadores em diferentes grupos: aqueles que estão saudáveis, aqueles que estão doentes mas escondendo isso, aqueles que estão espalhando o vírus ativamente e aqueles que foram curados ou destruídos. Embora esses mapas sejam úteis, os antigos muitas vezes perdiam algumas das partes mais sorrateiras do jogo, como a fase de "latência", onde um computador está infectado, mas ainda não começou a atacar, ou o papel específico de um computador que foi sequestrado para lançar ataques organizados.

Neste novo estudo, uma equipe de pesquisadores de universidades do Paquistão, Gana, Azerbaijão e Turquia construiu um mapa de rodovia mais detalhado, com seis faixas, de como os ataques cibernéticos viajam. Eles chamam seu modelo de "SEAMRD", que significa Suscetível, Exposto, Malicioso, Atacante, Recuperado e Morto. Pense nisso como um jogo de pega-pega digital com seis papéis distintos. Um computador começa como Suscetível (saudável, mas vulnerável). Ele é "pego" e torna-se Exposto (infectado, mas adormecido, como um agente adormecido). Então, ele acorda como Malicioso (infectado e espalhando o vírus). Alguns acordam ainda mais agressivamente como Atacantes (lançando ataques novos e ativos). A boa notícia é que alguns ficam Recuperados (corrigidos e seguros), enquanto o pior cenário é que eles se tornem Mortos (permanentemente quebrados e removidos da rede). Os pesquisadores usaram matemática complexa para simular como esses grupos interagem, calculando um "número de propagação" (chamado $R_0$ ) que nos diz qual a probabilidade de um surto dominar toda a rede. Suas simulações sugerem que a velocidade com que o vírus se espalha é o maior motor de um surto, mas que sistemas de recuperação fortes e "conscientização" (como atualizações de segurança melhores) podem agir como um escudo, retardando a propagação e potencialmente interrompendo a epidemia antes que ela se estabeleça.

A Cidade Digital e Suas Seis Zonas

Para entender o que esses pesquisadores fizeram, vamos caminhar por sua cidade digital. No mundo real, se você pega um resfriado, pode se sentir bem por alguns dias antes de começar a espirrar em todo mundo. No mundo dos computadores, isso é chamado de fase "Exposta". Um computador foi atingido por um vírus, mas ainda não está espalhando-o. Modelos antigos pulavam essa etapa ou a agrupavam com a fase "doente". Mas esta equipe percebeu que, no mundo cibernético, a diferença entre um vírus adormecido e um ativo é enorme.

Eles dividiram cada computador em sua rede em um de seis baldes:

Suscetível (S): Estes são os computadores saudáveis, abertos e prontos para serem infectados. São a população "não infectada".
Exposto (E): Estes computadores foram atingidos por um vírus, mas estão em um estado "latente" ou dormente. Estão infectados, mas ainda não estão espalhando o vírus. É como um computador que tem um arquivo de vírus baixado, mas ainda não o executou.
Malicioso (M): Agora o vírus acordou. Estes computadores estão infectados e espalhando ativamente o malware para outros.
Atacante (A): Esta é a parte assustadora. Alguns computadores infectados não apenas espalham o vírus; eles se tornam "zumbis" usados para lançar ataques organizados e agressivos contra outros sistemas. Os pesquisadores trataram estes como um grupo separado e altamente perigoso.
Recuperado (R): Estes são os computadores que foram limpos, corrigidos e protegidos. Eles estão de volta ao jogo, seguros contra o vírus atual.
Morto (D): Às vezes, um vírus é tão destrutivo que trava o sistema permanentemente. Estes computadores estão "mortos" — eles são removidos da rede e não podem mais ser infectados nem infectar outros.

A Matemática por Trás da Loucura

Os pesquisadores não apenas adivinharam como esses grupos interagem; eles escreveram um conjunto de equações (um sistema de equações diferenciais não lineares) para descrever o fluxo de computadores entre esses seis estados. Imagine um sistema de tanques de água onde a água flui de um tanque para outro. O tanque "Suscetível" perde água para o tanque "Exposto" quando um vírus atinge. O tanque "Exposto" escoa para o tanque "Malicioso" quando o vírus acorda. O tanque "Malicioso" pode escoar para o tanque "Atacante", para o tanque "Recuperado" ou para o tanque "Morto".

Uma das coisas mais importantes que eles calcularam é algo chamado $R_0$ (o número de propagação básica). Em termos simples, $R_0$ é uma pontuação que lhe diz: "Se um computador infectado entrar em uma rede de computadores saudáveis, quantos novos computadores ele infectará, em média?"

Se $R_0$ for menor que 1, o vírus acabará morrendo. É como um fogo que não tem combustível suficiente para continuar queimando.
Se $R_0$ for maior que 1, o vírus se espalhará exponencialmente, causando uma epidemia.

A equipe usou um método chamado "matriz de próxima geração" para calcular essa pontuação para seu modelo SEAMRD específico. Eles descobriram que a taxa de transmissão (o quão facilmente o vírus pula de um computador para outro) é o fator mais dominante. Se o vírus se espalha facilmente, o $R_0$ dispara. No entanto, eles também descobriram que aumentar a "taxa de recuperação" (o quão rápido corrigimos e consertamos os computadores) e a "taxa de conscientização" (o quão rápido detectamos e paramos o ataque) pode reduzir o $R_0$ .

A Estabilidade do Sistema

Os pesquisadores então fizeram uma pergunta crucial: "Este sistema é estável?" Em termos matemáticos, eles queriam saber se a rede retornaria naturalmente a um estado saudável ou se ficaria presa em um estado de infecção constante.

Eles provaram duas coisas principais:

O Estado "Sem Vírus" é Estável (se $R_0 < 1$ ): Se a taxa de transmissão for baixa o suficiente (significando que o vírus não é muito contagioso ou que somos muito bons em consertar as coisas), a rede naturalmente se estabelecerá em um estado onde nenhum computador está infectado. Eles usaram uma ferramenta matemática chamada "função de Lyapunov" para provar que, não importa como o vírus comece, ele eventualmente morrerá se $R_0$ estiver abaixo de 1.
O Estado "Infectado" é Estável (se $R_0 > 1$ ): Se o vírus for forte demais e o $R_0$ estiver acima de 1, a rede se estabelecerá em um estado onde o vírus estará sempre presente. Ele não desaparecerá por conta própria. O sistema alcançará um "Equilíbrio Malicioso" onde sempre haverá um certo número de computadores infectados, atacantes e mortos.

O Que Faz o Vírus Ganhar ou Perder?

Para descobrir quais alavancas podemos puxar para deter um ataque, a equipe realizou uma "análise de sensibilidade". Isso é como testar quais botões em uma máquina têm o maior efeito sobre a saída. Eles ajustaram cada parâmetro em suas equações para ver o quanto isso mudava a pontuação de $R_0$ .

Os resultados foram claros:

A Taxa de Transmissão ( $\beta$ ): Este é o grande chefe. Se o vírus se espalha mais rápido, a infecção explode. Este parâmetro tem a maior influência positiva no $R_0$ .
A Taxa de Recuperação ( $\gamma$ ) e a Taxa de Remoção ( $\delta$ ): Estes são os heróis. Se pudermos consertar os computadores mais rápido (recuperação) ou remover os computadores quebrados da rede (remoção), a pontuação $R_0$ cai significamente.
A Transição de "Atacante" ( $\pi_A$ ): A taxa na qual um computador "Malicioso" se torna um "Atacante" também importa. Quanto mais agressivos os computadores infectados se tornarem, mais difícil será deter a propagação.

A Conclusão

O estudo conclui que, embora não possamos impedir todos os ataques cibernéticos, podemos controlar a propagação. As simulações sugerem que, se focarmos em sistemas de recuperação vigorosos (consertando computadores rapidamente) e mecanismos de controle adequados (impedindo o vírus de se espalhar em primeiro lugar), podemos reduzir o número de infecções.

Os pesquisadores não disseram apenas que "é uma boa ideia"; eles usaram matemática rigorosa para provar que, se pudermos manter a taxa de transmissão baixa e a taxa de recuperação alta, a rede pode retornar a um estado seguro e livre de vírus. No entanto, se o vírus for forte demais ( $R_0 > 1$ ), a rede permanecerá em um estado de batalha constante. A chave, descobriram eles, é entender que nem todos os computadores infectados são iguais. Alguns estão apenas dormindo, outros estão espalhando e outros estão atacando ativamente. Ao tratá-los de forma diferente em nossas estratégias de defesa, podemos construir uma cidade digital mais resiliente.

No final, este artigo é um blueprint para uma defesa mais inteligente. Ele nos diz que, ao reconhecer as diferentes fases de um ataque cibernético e reagir com a velocidade certa, podemos inclinar a balança a nosso favor, transformando um potencial apocalipse digital em um evento gerenciável e contido. A matemática diz: se você corrigir rápido e espalhar a conscientização, o vírus perde.

Resumo Técnico: Modelagem Matemática da Dinâmica de Ameaças de Cibersegurança Utilizando uma Abordagem Compartimental

Definição do Problema
Em uma sociedade cada vez mais conectada, a expansão exponencial da Internet, da computação em nuvem e dos dispositivos IoT ampliou significativamente a superfície de ataque para ameaças cibernéticas, que variam de vírus e worms a ransomware e estratégias de APT. As medidas de cibersegurança existentes, como firewalls e sistemas de detecção de intrusão, são frequentemente reativas e falham em abordar a natureza adaptativa dos ataques modernos ou os mecanismos de propagação subjacentes. Além disso, os modelos epidemiológicos tradicionais (ex: SI, SIS, SIR) adaptados para redes de computadores carecem, muitas vezes, da granularidade necessária para representar fases cibernéticas críticas, como a latência (dormência), a reativação organizada e a distinção entre infecção passiva e propagação ativa. Consequentemente, há a necessidade de um modelo compartimental estendido que capture essas etapas latentes e forneça um raciocínio de limiar rigoroso para determinar se ocorrerá uma cibero-epidemia em escala massiva.

Metodologia
Os autores propõem um novo modelo compartimental, denominado modelo SEAMRD, derivado de princípios epidemiológicos, mas adaptado para as dinâmicas específicas de ataques cibernéticos. A população total da rede é dividida em seis compartimentos distintos:

Suscetíveis (S): Nós abertos ao ataque.
Expostos (E): Nós que encontraram uma ameaça, mas permanecem latentes/dormentes.
Maliciosos (M): Nós infectados capazes de espalhar malware, mas ainda não atacando ativamente.
Atacantes (A): Nós que propagam o ataque ativamente (altamente infecciosos).
Recuperados (R): Sistemas protegidos ou reparados.
Mortos (D): Sistemas permanentemente comprometidos ou não funcionais.

As dinâmicas são governadas por um sistema de equações diferenciais não lineares. A força de infecção, $\lambda(t)$ , é definida como uma função da taxa de transmissão e da probabilidade de propagação a partir de nós Maliciosos, Atacantes e não autorizados.

O estudo emprega as seguintes técnicas analíticas:

Análise de Bem-postura (Well-posedness): Provar a positividade, limitação, existência e unicidade das soluções para garantir que o modelo seja matematicamente e biologicamente válido.
Análise de Equilíbrio: Derivar o Equilíbrio Livre de Malware (MFE) e o Equilíbrio Malicioso (ME).
Número de Propagação Básica ( $R_0$ ): Calcular o $R_0$ usando o método da Matriz de Próxima Geração para determinar o limiar para a persistência do surto.
Análise de Estabilidade: Realizar tanto a análise de estabilidade local (via matrizes Jacobian e critérios de Routh-Hurwitz) quanto a análise de estabilidade global (usando funções de Lyapunov e o Princípio da Invariância de LaSalle).
Análise de Sensibilidade: Calcular índices de sensibilidade direta normalizados para identificar quais parâmetros influenciam mais significativamente o $R_0$ .
Simulação Numérica: Realizar análise de bifurcação e simulações para visualizar o comportamento do sistema sob variações de parâmetros.

Principais Contribuições

Extensão do Modelo: O artigo introduz um modelo de seis compartimentos que separa explicitamente a fase "Exposta" (latente) das fases "Maliciosa" e "Atacante", abordando uma lacuna em modelos anteriores que frequentemente confundiam infecção passiva com propagação ativa.
Prova Matemática Rigorosa: Os autores fornecem provas abrangentes para a bem-postura do modelo e estabelecem condições para a estabilidade tanto local quanto global dos pontos de equilíbrio.
Determinação de Limiar: A derivação do $R_0$ oferece um limiar quantitativo para prever se um ataque cibernético morrerá ( $R_0 < 1$ ) ou persistirá ( $R_0 > 1$ ) dentro da rede.
Sensibilidade de Parâmetros: A análise de sensibilidade identifica a taxa de transmissão ( $\beta$ ) como o fator dominante na propagação de malware, enquanto destaca que as taxas de recuperação ( $\gamma$ ) e os parâmetros de remoção desempenham papéis críticos na redução da propagação da infecção.

Resultados

Condições de Estabilidade: O Equilíbrio Livre de Malware (MFE) é provado como local e globalmente assintoticamente estável se $R_0 < 1$ . Inversamente, se $R_0 > 1$ , o MFE torna-se instável e o sistema converge para um Equilíbrio Malicioso (ME), indicando uma cibero-epidemia persistente.
Influência de Parâmetros: Gráficos de superfície e índices de sensibilidade revelam que o $R_0$ aumenta com maiores taxas de transmissão ( $\beta$ ) e diminui com maiores taxas de conscientização ( $\pi_A$ ), taxas de remoção natural ( $\mu$ ) e taxas de recuperação ( $\gamma$ ).
Implicações de Controle: A análise demonstra que sistemas de recuperação vigorosos e mecanismos de controle adequados podem reduzir efetivamente a propagação de ataques. Especificamente, aumentar a taxa na qual os nós infectados são recuperados ou removidos mostra-se uma estratégia viável para o contenção.

Significância
O artigo afirma que sua principal significância reside em fornecer um arcabouço teórico e sugestões analíticas para guiar o design de estratégias eficazes de contramedidas de cibersegurança. Ao generalizar a dinâmica de propagação de vírus para incluir o gerenciamento lado a lado com modelos de doenças epidêmicas, o estudo oferece uma representação mais realista da propagação de ameaças cibernéticas. A identificação do $R_0$ e a sensibilidade de parâmetros específicos (particularmente as taxas de transmissão e recuperação) permitem que administradores de rede compreendam os parâmetros de limiar necessários para controlar surtos, indo além do gerenciamento reativo de sintomas para uma defesa baseada em mecanismos proativos. O modelo serve como uma ferramenta para estimar a escala potencial de um ataque e avaliar a eficácia de diferentes estratégias de intervenção antes de serem implementadas em redes do mundo real.