Questão de Segurança da Informação — Segurança de sistemas de informação — FGV 2024
Segurança da Informação›Segurança de sistemas de informação
Código
fg077341
Banca
FGV
Órgão
CVM
Ano
2024
Nível
Superior
Cargo
Analista - Perfil 7 - Ciência de Dados - Tarde
Um cientista trabalha em um projeto de cibersegurança no qual deve identificar atividades de rede incomuns, que podem indicar possíveis ameaças de segurança. Após coletar dados sobre o tráfego de rede, o cientista percebe que alguns pontos de dados exibem padrões significativamente diferentes da maioria.O método que deve ser aplicado para detectar as anomalias, identificando outliers isolados nos dados e possíveis ameaças de segurança, é o:
AIsolation Forest;
BBox Plot (IQR);
CLocal Outlier Factor (LOF);
Ddo desvio padrão;
EDBSCAN (Density-Based Spatial Clustering of Applications with Noise).
Revelar gabarito e comentário▾
GabaritoA — Isolation Forest;
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”.
Detecção de anomalias em redes: Isolation Forest
Gabarito: letra A. O Isolation Forest é um método especificamente projetado para detecção de anomalias (outliers) isolados, baseando-se em árvores de decisão que isolam pontos discrepantes mais rapidamente que pontos normais. Essa característica o torna adequado para identificar atividades de rede incomuns, conforme descrito no enunciado.
A questão testa a diferença entre técnicas de detecção de outliers. Vamos analisar cada alternativa.
Alternativa A — ✅ Correta ⟵ GABARITO
O Isolation Forest (floresta de isolamento) é um algoritmo que constrói árvores de decisão aleatórias: quanto menos partições necessárias para isolar um ponto, maior a chance de ser anomalia. Ele não assume distribuição estatística e lida bem com dados de alta dimensão, sendo muito usado em cibersegurança para identificar tráfego anômalo.
Alternativa B — ❌ Incorreta
O Box Plot (IQR) é uma ferramenta visual e estatística que identifica outliers baseando-se no intervalo interquartil (IQR = Q3 - Q1). Embora detecte outliers, ele assume que os dados seguem uma distribuição aproximadamente simétrica e não é eficiente para grandes volumes de dados ou dados multidimensionais comuns em redes.
Alternativa C — ❌ Incorreta
O Local Outlier Factor (LOF) mede a densidade local de um ponto em relação aos seus vizinhos, detectando outliers como pontos de baixa densidade. Ele é eficaz, mas é mais caro computacionalmente e sensível a parâmetros de vizinhança, além de não ser especificamente projetado para isolar outliers de forma rápida como o Isolation Forest.
Alternativa D — ❌ Incorreta
O método do desvio padrão (z-score) assume distribuição normal e sinaliza outliers como pontos além de 2 ou 3 desvios padrão da média. Dados de rede frequentemente não seguem distribuição normal, e há muitos falsos positivos.
Alternativa E — ❌ Incorreta
O DBSCAN é um algoritmo de agrupamento baseado em densidade que pode identificar pontos de ruído (outliers). Contudo, seu principal objetivo é formar clusters, e a detecção de outliers é secundária. Além disso, requer ajuste de parâmetros (eps, minPts) e não isola outliers da mesma forma que o Isolation Forest.
PEGA ESSA DICA!
Em cibersegurança, o Isolation Forest é amplamente recomendado para detecção de anomalias em grandes conjuntos de dados (ex.: logs, tráfego) por ser não paramétrico, rápido e eficiente em alta dimensionalidade. Compare com métodos baseados em distância (LOF) ou estatísticos (desvio padrão) que têm limitações quanto à escalabilidade e suposições de distribuição.
MNEMÔNICO
CID
CConfidencialidade (dados acessíveis só a quem é autorizado)IIntegridade (dados exatos, consistentes e não alterados indevidamente)DDisponibilidade (informação/sistemas acessíveis quando necessário)
Segurança da Informação - Princípios/Tríade CID
Gabarito: letra A. O Isolation Forest é a técnica mais adequada para detectar outliers isolados em dados de rede.