Attack-Path-Aware Enterprise Risk Quantification for Cloud-Native Financial Data Platforms Using AI and Cybersecurity Graphs

No mundo de alto risco do setor bancário, proteger o dinheiro e os dados pessoais sempre foi um jogo de duas metades. De um lado, as equipes de segurança utilizam scanners automatizados para encontrar vulnerabilidades em seus sistemas de computação, classificando-as pelo quão perigosas parecem no papel. Do outro lado, os gestores de risco tentam prever quanto dinheiro o banco poderia perder se um hacker obtiver sucesso, muitas vezes baseando-se em estimativas aproximadas e gráficos coloridos. Por décadas, esses dois grupos trabalharam em paralelo, raramente falando a mesma língua. Os scanners dizem a eles qual buraco individual é o maior, enquanto os gestores de risco se preocupam com o dano financeiro total. Mas no setor bancário moderno, onde os dados fluem através de complexas redes em nuvem, um único grande buraco raramente é o verdadeiro problema. Em vez disso, um hacker geralmente obtém sucesso ao encadear uma série de passos pequenos e aparentemente inofensivos — como atravessar uma porta aberta, pegar emprestada uma chave de um amigo de confiança e, então, entrar em um cofre. A questão crítica não é mais apenas qual buraco é o maior, mas qual cadeia de pequenos passos realmente leva ao tesouro mais valioso.

Um novo estudo do arquiteto de dados Gopinathan Rathinavelu propõe uma forma de finalmente conectar esses dois mundos. A pesquisa introduz um sistema que mapeia toda a jornada que um hacker poderia percorrer, em vez de apenas olhar para vulnerabilidades isoladas. Ao construir um mapa digital da rede em nuvem do banco, o sistema traça como um atacante poderia se mover de um ponto a outro, rotulando cada etapa com comportamentos conhecidos de hacking. Ele então usa esse mapa para calcular a probabilidade real de uma violação atingir os dados mais sensíveis, conhecidos como "joias da coroa", e traduz essa probabilidade em uma faixa específica de potenciais perdas financeiras. O objetivo é ajudar os bancos a decidir onde gastar seu orçamento de segurança limitado para interromper os caminhos mais perigosos, em vez de apenas corrigir as falhas mais óbvias.

Os pesquisadores construíram este sistema para funcionar com as complexas plataformas de dados baseadas em nuvem que os bancos modernos usam para processar transações e executar modelos de inteligência artificial. Essas plataformas são vastas e interconectadas, tornando difícil ver como uma fraqueza em uma área, como uma conexão de um fornecedor terceiro, poderia eventualmente levar a uma violação do armazém de dados principal. A nova arquitetura começa coletando informações em tempo real sobre a postura de segurança do banco, permissões de identidade e configurações do sistema. Em seguida, constrói um grafo direcionado, um tipo de mapa onde os nós representam ativos e as linhas entre eles representam movimentos possíveis que um atacante poderia fazer. Cada linha é rotulada com uma tática de hacking específica, criando uma trilha clara e auditável de como uma intrusão poderia se desenrolar.

Para dar sentido a este mapa, o sistema utiliza uma forma especializada de inteligência artificial para estimar a probabilidade de cada passo na cadeia ter sucesso. Isso é feito cuidadosamente para garantir que os resultados permaneçam transparentes e compreensíveis. Onde há dados suficientes, um modelo de aprendizado de máquina pontua a probabilidade de uma transição; onde os dados são escassos, ele recorre a um cálculo mais simples e transparente ou ao julgamento de especialistas. O sistema também utiliza modelos de linguagem apenas para organizar documentos não estruturados, como textos de políticas, na estrutura do mapa, mas somente após a verificação dos trabalhos por especialistas humanos. Isso garante que a matemática central por trás do cálculo de risco permaneça inspecionável e confiável, evitando o problema da "caixa preta", onde ninguém sabe como um computador chegou a uma conclusão.

Depois que o mapa é construído e a probabilidade de cada passo é pontuada, o sistema executa milhares de simulações para ver com que frequência um atacante poderia alcançar as joias da coroa. Em vez de fornecer um número único, ele produz uma distribuição de possíveis perdas anuais, mostrando tanto o resultado mais provável quanto os cenários de pior caso. Essa abordagem permite que os comitês de risco vejam o quadro completo de sua exposição financeira, incluindo a "cauda longa" de eventos raros, mas catastróficos, que uma simples média ignoraria. A peça final do quebra-cabeça é um otimizador que analisa os controles de segurança disponíveis e seus custos. Ele calcula quais controles específicos, se adicionados, reduziriam mais a perda financeira esperada. Isso significa que o sistema prioriza correções com base em quanto elas interrompem o caminho do atacante, em vez de apenas o quão severa a fraqueza individual parece ser.

Os pesquisadores testaram este método em uma plataforma de dados em nuvem simulada que mimetizava uma instituição financeira típica. Eles criaram um cenário com treze estados de ativos diferentes e dezoito passos de ataque possíveis, atribuindo custos realistas e potenciais perdas a cada um. Nesta simulação, o sistema identificou que o caminho mais perigoso para os dados mais valiosos do banco não vinha da vulnerabilidade mais óbvia e de alta severidade. Em vez disso, o maior risco vinha de uma cadeia de passos envolvendo uma integração de um fornecedor terceiro. Individualmente, as fraquezas nesse caminho tinham pontuações de severidade moderadas, mas, quando encadeadas, ofereciam uma rota de alta probabilidade para as joias da coroa.

Quando os pesquisadores compararam este novo método com a abordagem tradicional de simplesmente corrigir primeiro as vulnerabilidades com as pontuações mais altas, a diferença na proteção financeira foi marcante. Usando um orçamento fixo de trezentos mil dólares, a abordagem tradicional baseada em severidade reduziu a perda anual esperada em cerca de quarenta e um por cento. Em contraste, o novo método orientado ao caminho, que focou em interromper as cadeias específicas que levavam às joias da coroa, reduziu a perda esperada em oitenta e cinco por cento. O sistema identificou corretamente que gastar dinheiro isolando o fornecedor terceiro e rotacionando segredos era muito mais valioso do que corrigir a única falha de maior classificação, que estava em um caminho menos provável para os dados críticos.

O estudo conclui que esta abordagem oferece uma poderosa ferramenta de suporte à decisão para os bancos, unindo a lacuna entre as descobertas técnicas de segurança e a gestão de risco financeiro. Ela não substitui o julgamento humano nem atua de forma autônoma; em vez disso, fornece um argumento claro e baseado em dados sobre por que certos controles devem ser priorizados. Ao tratar o risco como uma jornada, e não como uma lista de pontos, o método ajuda as organizações a entender que a ameaça mais perigosa é frequentemente aquela que conecta os pontos, e não aquela que mais se destaca. Embora os resultados apresentados aqui sejam baseados em uma simulação sintética, a estrutura foi projetada para ser validada contra dados do mundo real, oferecendo um caminho para uma gestão de risco financeiro mais precisa e eficaz em um mundo digital cada vez mais complexo.