Questão de Segurança da Informação — Malware — FCC 2026
Segurança da Informação›Malware
Código
fc077573
Banca
FCC
Órgão
SEFAZ-SP
Ano
2026
Nível
Superior
Cargo
Auditor Fiscal da Receita Estadual - AFRE - Tecnologia da Informação e Comunicação - Conhecimentos Especificos (P3)
Uma Secretaria da Fazenda esta implementando um Sistema de Detecção e Resposta de Endpoint (EDR) de Ultima geração que utiliza modelos de Inteligência Artificial (IA) para identificar ameaças. Durante uma reunião técnica, surgiu a discussões sobre como esses modelos são desenvolvidos e aplicados na proteção contra malware desconhecido. Nesse contexto, um dos especialistas em segurança afirmou que os modelos de IA
Autilizam bancos de dados de assinaturas hash (MD5, SHA-256) de malwares conhecidos, e a eficácia depende da velocidade com que novas assinaturas são adicionadas pelo fabricante após a descoberta de uma ameaça.
Bfuncionam como mecanismos de whitelisting aplicativo estrito, em que apenas processos e arquivos previamente aprovados e catalogados em uma lista branca central podem ser executados, bloqueando qualquer comportamento novo ou não catalogado por padrão.
Catuam principalmente como um sistema de correlação de logs avançados, agregando eventos de diferentes fontes (SIEM, firewall, IDS) e aplicando regras do tipo if-then-else predefinidas por analistas para gerar alertas.
Dsão treinados com grandes conjuntos de dados para aprender padrões intrínsecos e, após implantados, podem identificar ameaças do tipo zero-day ao detectar desvios significativos desses padrões aprendidos ou similaridades comportamentais.
Esão inerentes ao hardware especializado (como GPUs) em que elas são executadas, sendo que a troca do endpoint por um modelo com CPU menos potente invalidaria completamente a proteção, independentemente da qualidade do modelo treinado.
Revelar gabarito e comentário▾
GabaritoD — são treinados com grandes conjuntos de dados para aprender padrões intrínsecos e, após implantados, podem identificar ameaças do tipo zero-day ao detectar desvios significativos desses padrões aprendidos ou similaridades comportamentais.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Modelos de IA em Sistemas EDR
Gabarito: letra D. A alternativa correta descreve com precisão como modelos de inteligência artificial (especialmente machine learning) são aplicados em sistemas de detecção e resposta de endpoint (EDR): eles são treinados com grandes conjuntos de dados para aprender padrões intrínsecos de comportamento normal e malicioso e, após implantados, identificam ameaças desconhecidas (zero-day) ao detectar desvios significativos desses padrões ou similaridades comportamentais com ataques conhecidos. Essa abordagem comportamental e de anomalias é o que diferencia a IA de outras técnicas.
A banca testa o conhecimento sobre o funcionamento de modelos de IA em segurança, contrapondo-os a métodos tradicionais (assinaturas, listas brancas, correlação de logs) e a alegações infundadas sobre dependência de hardware.
Modelos de IA em EDR: Treinamento (Grandes conjuntos de dados, Aprende padrões intrínsecos); Detecção (Desvios dos padrões aprendidos, Similaridades comportamentais, Identifica zero-day); Diferenciais (Não usa assinaturas hash, Não usa listas brancas, Não usa regras if-then-else)
Alternativa A — ❌ Incorreta
Descreve o mecanismo de detecção baseado em assinaturas hash (MD5, SHA-256) de malwares conhecidos. Isso é característico de antivírus tradicionais, não de modelos de IA. A eficácia de um sistema de assinaturas depende de atualizações constantes do fabricante, mas não envolve aprendizado de padrões ou detecção de zero-day. A IA não utiliza bancos de assinaturas; ela aprende a partir de características extraídas dos arquivos e comportamentos.
Alternativa B — ❌ Incorreta
Refere-se a whitelisting de aplicativos, uma técnica de controle de execução que bloqueia qualquer software não previamente aprovado. Embora possa ser usada como camada de segurança, não é o mecanismo central de modelos de IA em EDR. A IA não se baseia em listas brancas estáticas; ela analisa dinamicamente o comportamento dos processos.
Alternativa C — ❌ Incorreta
Descreve um sistema de correlação de logs com regras if-then-else predefinidas (como em SIEM ou IDS tradicional). Isso é uma abordagem baseada em regras, não em IA. Modelos de IA são capazes de generalizar e detectar padrões que não foram explicitamente programados, diferentemente de regras estáticas.
Alternativa D — ✅ Correta ⟵ GABARITO
Explica exatamente como modelos de IA (machine learning, deep learning) são treinados e aplicados em EDR de ponta. Eles aprendem padrões a partir de grandes volumes de dados (ex.: comportamento de processos, chamadas de sistema, tráfego de rede) e, em produção, identificam desvios (anomalias) ou similaridades com comportamentos maliciosos conhecidos. Isso permite detectar ameaças zero-day, que não possuem assinatura conhecida.
Alternativa E — ❌ Incorreta
Afirma que os modelos de IA são inerentes ao hardware especializado (GPUs) e que a troca por CPU menos potente invalidaria a proteção. Isso é falso: modelos treinados podem ser executados em diferentes hardwares (com desempenho variado), e a proteção não é invalidada pela falta de GPU. A IA é um software que pode rodar em CPU, embora GPUs acelerem o treinamento e a inferência.
NÃO CAIA NESSA!
A alternativa A é a mais traiçoeira, pois muitos associam detecção de ameaças a bancos de assinaturas. A banca explora essa confusão: a IA não usa assinaturas hash; ela aprende padrões. Lembre-se: assinatura = conhecimento prévio; IA = aprendizado e anomalia.
PEGA ESSA DICA!
Para diferenciar técnicas, pense em três níveis: (1) assinaturas (antivírus clássico) – precisa de atualização; (2) regras/heurísticas (IDS/SIEM) – programação explícita; (3) IA/machine learning – aprendizado de padrões, capaz de detectar o desconhecido.