Questão de Segurança da Informação — Questões Mescladas de Ameaças aos Sistemas Computacionais — FCC 2026
Segurança da Informação›Questões Mescladas de Ameaças aos Sistemas Computacionais
Código
fc141861
Banca
FCC
Órgão
SCGE PE
Ano
2026
Cargo
Ges Gov ( )
Hipoteticamente, a SCGE está em fase de treinamento de um novo modelo de Machine Leaming destinado a prever a probabilidade de desvio de recursos em contratos de obras públicas. O modelo é treinado com um grande volume de dados históricos de contratos, incluindo a classificação final de cada um (se houve ou não desvio comprovado). Um grupo de funcionários ma intencionados, com acesso privilegiado ao data lake da SCGE, insere um lote de dados falsos no conjunto de treinamento. Nesses dados, eles alteram intencionalmente o rótulo de 500 contratos de obras com desvio comprovado, que deveriam ser rotulados como “Fraude”, para o rótulo “Regular. O objetivo é que, após o treinamento, o modelo aprenda a ignorar as características desses 500 contratos, tomando-se “cego” a futuros contratos com perfis semelhantes, permitindo que a fraude passe despercebida na fiscalização. Ao observar um aumento significativo de rótulos regulares, uma Gestora Governamental solicita investigação da equipe de segurança, que classifica a ação maliciosa como Ataque de
AFlooding.
BEnvenenamento.
CEvasão.
DExtração de Modelo.
EInferência de Associação.
Revelar gabarito e comentário▾
GabaritoB — Envenenamento.
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”.
Ataques a Sistemas de Machine Learning: Envenenamento de Dados
Gabarito: letra B. O cenário descreve um ataque de envenenamento de dados (data poisoning) — a inserção deliberada de dados falsos no conjunto de treinamento de um modelo de aprendizado de máquina para corromper seu aprendizado, fazendo com que ele aprenda a classificar incorretamente casos futuros. O objetivo é degradar a integridade do modelo, tornando-o "cego" a padrões de fraude.
O ataque de envenenamento de dados é uma das principais ameaças à segurança de sistemas de aprendizado de máquina. Ele explora uma vulnerabilidade fundamental do processo de treinamento: o modelo aprende a partir dos dados que recebe, e se esses dados forem corrompidos, o modelo aprenderá padrões errados. No caso descrito, os funcionários mal-intencionados alteram os rótulos de 500 contratos de "Fraude" para "Regular", fazendo com que o modelo aprenda a associar as características desses contratos a um resultado normal, e não a uma fraude. Isso é um ataque à integridade do modelo e dos dados.
Existem diferentes tipos de ataques a sistemas de ML, cada um com um objetivo específico. O envenenamento de dados atua na fase de treinamento, enquanto outros ataques, como a evasão, atuam na fase de inferência (quando o modelo já está em produção). A extração de modelo e a inferência de associação são ataques que visam descobrir informações sobre o modelo ou os dados de treinamento, não corrompê-los. O flooding é um ataque de negação de serviço, que visa indisponibilizar o sistema.
Para entender a diferença, é útil comparar os ataques:
Ataque
Fase
Objetivo
Envenenamento
Treinamento
Corromper o modelo para que ele aprenda errado
Evasão
Inferência
Enganar o modelo com entradas maliciosas
Extração de Modelo
Inferência
Descobrir os parâmetros/funcionamento do modelo
Inferência de Associação
Inferência
Descobrir informações sobre os dados de treinamento
Flooding
Serviço
Indisponibilizar o sistema (DoS)
A pegadinha da banca está em confundir o envenenamento de dados com a evasão. A evasão (evasion) é um ataque que ocorre após o modelo ser treinado, onde o atacante modifica as entradas (dados de teste) para que o modelo as classifique incorretamente. No envenenamento, o atacante modifica os dados de treinamento, não os de teste. O enunciado é claro: os dados falsos são inseridos no conjunto de treinamento, o que caracteriza o envenenamento.
Ataques a modelos de ML
1Fase de treinamento
Envenenamento (corrompe o aprendizado)
2Fase de inferência
Evasão (engana com entradas maliciosas)
Extração de modelo (descobre parâmetros)
Inferência de associação (vaza dados do treino)
3Fase de serviço
Flooding (indisponibiliza o sistema)
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Flooding é um ataque de negação de serviço (DoS) que visa sobrecarregar um sistema com um grande volume de requisições, tornando-o indisponível para usuários legítimos. No cenário, não há sobrecarga de requisições, mas sim a corrupção de dados de treinamento. O objetivo não é indisponibilizar o sistema, mas sim corromper o modelo.
Alternativa B — ✅ Correta ⟵ GABARITO
O envenenamento de dados (data poisoning) é exatamente o que o enunciado descreve: a inserção de dados falsos no conjunto de treinamento de um modelo de ML para corromper seu aprendizado. Ao alterar os rótulos de 500 contratos de "Fraude" para "Regular", os atacantes fazem com que o modelo aprenda a ignorar as características desses contratos, tornando-o "cego" a futuros casos de fraude semelhantes. Isso compromete a integridade do modelo.
Alternativa C — ❌ Incorreta
Evasão (evasion) é um ataque que ocorre na fase de inferência, onde o atacante modifica as entradas (dados de teste) para que o modelo as classifique incorretamente. No cenário, os dados falsos são inseridos no conjunto de treinamento, não no de teste. A evasão não corrompe o modelo, apenas explora suas vulnerabilidades para enganá-lo com entradas específicas.
Alternativa D — ❌ Incorreta
Extração de Modelo (model extraction) é um ataque que visa descobrir os parâmetros, a arquitetura ou o funcionamento interno de um modelo de ML, geralmente por meio de consultas repetidas à API do modelo. O objetivo é roubar o modelo, não corrompê-lo. No cenário, não há tentativa de descobrir o funcionamento do modelo, mas sim de alterar seu aprendizado.
Alternativa E — ❌ Incorreta
Inferência de Associação (membership inference) é um ataque que visa descobrir se um determinado dado fez parte do conjunto de treinamento do modelo. O objetivo é vazar informações sobre os dados de treinamento, não corromper o modelo. No cenário, não há tentativa de descobrir se um dado específico foi usado no treinamento, mas sim de alterar os rótulos de dados existentes.
NÃO CAIA NESSA!
A banca tenta confundir o candidato entre envenenamento de dados e evasão. A chave é identificar a fase do ataque: se a corrupção ocorre nos dados de treinamento, é envenenamento; se ocorre nos dados de teste/inferência, é evasão. O enunciado deixa claro que os dados falsos são inseridos no "conjunto de treinamento", o que elimina a evasão. Fique atento a essa distinção, pois é uma pegadinha recorrente em provas de segurança da informação.