Inteligência Artificial e Cibersegurança

Grupo de Estudos em Direito e Tecnologia da Universidade Federal de Minas Gerais -

DTEC/UFMG

Data: 19/10/2021

Relatores: Giovanni Carlo Batista Ferrari, Giulia Zanon de Castro, Lucas de Oliveira Ribeiro

Cibersegurança

Segundo a Kasperski [1] , uma das principais companhias desenvolvedoras de sistemas de segurança informático, a cibersegurança pode ser conceituada como a proteção de sistemas de computador contra roubo ou danos ao hardware, software ou dados eletrônicos, bem como a interrupção ou desorientação dos serviços que fornecem. A cibersegurança busca proteger ativos de informação tais como sistemas, computadores e servidores, contra ameaças cibernéticas ou ataques maliciosos. A segurança cibernética, dentro de uma organização, deve ser trabalhada em vários níveis, desde a segurança das redes físicas e dos aplicativos até a educação do usuário final.

Tipos de ameaças na cibersegurança

Segundo o Comitê Gestor da Internet (CGI-BR), os principais riscos cibernéticos de sistemas informáticos, quando comprometidos são: invasão de privacidade, furto de identidade, vazamento de informações, perda de dados, perdas financeiras e ficar sem acesso ao computador. Além disso, o computador infectado pode ser utilizado para atividades maliciosas, como: infectar, invadir e atacar outros computadores; aplicar golpes em outros usuários, servir de repositório para dados fraudulentos, propagar códigos maliciosos, disseminar spam, esconder a real identidade e localização de um atacante.

Principais ameaças cibernéticas na IoT

Segundo Jaime Ibarra, as principais ameaças contra dispositivos de IoT são:

● Sniffing: os dados são coletados em tempo real nos dispositivos, microcontroladores e smartphones através de uma rede. Isso pode permitir que atacantes interceptem a privacidade do usuário e a confidencialidade dos dados, sem perturbar a transmissão. Em ambientes domésticos inteligentes, ameaças de injeção de código estão presentes, causando um impacto na privacidade e confidencialidade do usuário, incluindo a capacidade de invasores para acessar o sistema, incluindo operações prejudiciais, como roubo de dados pessoais.

● Man in the Middle (MitM): um invasor pode se passar por um legítimo dispositivo dentro da rede que pode roubar, inserir, modificar ou descartar pacotes. De acordo com Ibarra (2021), o MitM é realizado pelas seguintes etapas: primeiro, o atacante aguarda uma solicitação de autenticação de um dispositivo legítimo (por exemplo, aplicativo de casa inteligente) a fim de roubar o pedido enviado. Em segundo lugar, MitM cria um protocolo “tunelizado” para autenticação por meio de um servidor back-end enviando a mensagem roubada para o servidor. Uma vez que o túnel entre o MitM e o servidor é configurado, o MitM começa a encaminhar mensagens legítimas de autenticação do cliente através do túnel. Finalmente, o MitM desembrulha as mensagens recebidas do servidor back-end e as encaminha para o cliente legítimo. Por exemplo, um invasor pode usar essa técnica para afetar sistemas, como resposta de sensor, uso de dispositivos que podem aumentar a conta custos. Os ataques MitM podem ocorrer entre servidores dentro da nuvem, entre a nuvem e a internet, bem como dentro de casa entre o controlador e o ponto de acesso. Além disso, ataques desse tipo podem ser realizados entre estações rádio-base e a Internet, aproveitando as redes 4G e 5G.

● Man in the browser: Um invasor pode alavancar o uso de um programa malicioso para assumir o controle dos dados inseridos pelo cliente ou recuperados do servidor que normalmente é exibido em um navegador da web. Isso pode mostrar dados falsos em relação ao consumo de energia, por exemplo, e não leituras legítimas por um sensor inteligente.

● Denial of Service: visa parar a disponibilidade de serviços, bem como dos recursos de comunicação. Consiste em inundar a rede doméstica com grande número de solicitações num curto período de tempo. Considerando os limites de hardware de um microcontrolador (CPU e memória baixas), não pode gerenciar um grande número de solicitações, interrompendo a comunicação entre dispositivos domésticos, bem como o controle de acesso do usuário.

Para a proteção de dispositivos IoT em relação a essas ameaças, técnicas de Inteligência Artificial (IA) têm sido empregadas. Entretanto, a IA também apresenta vulnerabilidades que também são alvos de ataques e constituem desafios de cibersegurança.

Inteligência Artificial

A maioria das definições de Inteligência Artificial descrevem esse campo como sendo a capacidade das máquinas e softwares de apresentarem um comportamento considerado inteligente do ponto de vista do ser humano. Entretanto, como as máquinas não imitam verdadeiramente a habilidade humana na execução de tarefas, um segundo conceito, considerando a capacidade de extração de padrões de dados, pode ser mais adequado. Nesse sentido, Kaplan [2] define a IA como sendo a capacidade de um sistema de interpretar em tempo hábil e de maneira correta dados limitados do mundo exterior, extraindo relações de forma a atingir um objetivo. O aprendizado de máquina, utilizado em cibersegurança, consiste em uma ramo da IA que engloba, entre outras vertentes, o aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço.

No aprendizado supervisionado, o algoritmo é alimentado com o conjunto de dados, que formam as entradas, e os seus rótulos correspondentes. Essas entradas podem ser constituídas por dados de tráfego de rede normais e maliciosos, por exemplo, enquanto os rótulos são o que cada uma das observações representa: tráfego normal, tráfego malicioso, tráfego normal. Assim, ao fornecer as entradas e as saídas para o algoritmo, o objetivo é que o modelo aprenda os relacionamentos entre os dados. Quando uma nova observação é fornecida ao modelo, ele realiza a predição, a partir das regras e características aprendidas.

No aprendizado não supervisionado, por sua vez, os rótulos não são fornecidos para o algoritmo. O objetivo é agrupar dados com características semelhantes. Nesse sentido, a interpretação sobre o que cada grupo representa é fornecida pelo próprio ser humano.

Por fim, no aprendizado por reforço, um agente usa um sistema de recompensa e explora um ambiente para aprender qual ação ele deve tomar de forma a maximizar uma recompensa total.

Termos de uso dos equipamentos IoT

Há dificuldade de gerenciar um aviso de privacidade elaborado, em que os fabricantes devem facilitar o consentimento dos usuários por meios indiretos. Quando os fabricantes possuem uma tela de consentimento (como clicar em um caixa de seleção), que normalmente é encontrada em um site ou aplicativo da web, uma vez que há limitações de espaço e funcionalidade no próprio dispositivo, isso torna a exibição do aviso de privacidade impossível. A maioria dos fabricantes fornece um aviso de privacidade de forma inadequada, direcionando para uma página da internet desatualizada, imprecisa, enganosa ou difícil de localização, em vez dos termos de privacidade incluídos dentro da embalagem do dispositivo ou um aviso no próprio dispositivo. Fabricantes também podem exigir conectividade com um dispositivo móvel para concordar com termos de aviso de privacidade, especialmente onde as configurações do dispositivo IoT podem ser controladas por um smartphone ou similar.

Os dispositivos de IoT alteram o modelo historicamente adotado de consentimento informado, que inclui a notificação seguida do consentimento. Este modelo fixo pode ser inadequado para engajamento dinâmico. Um modelo tradicional de aviso prévio seguido de consentimento não é compatível com melhorias em tempo real pela maneira "always-on", que é a natureza de dispositivos amplamente conectados, muitas vezes resultando em fadiga do usuário em consentir. Fabricantes e consumidores podem ser pegos em um contínuo ciclo de notificação seguido de consentimento, seguido por um sistema de mudança e novo aviso seguido de novo consentimento, ad infinitum:mudança em alta frequência provavelmente resultaria em implantação de aviso contínuo e demandas de consentimento subsequentes sobre os usuários do produto.

Usuários não têm o hábito de lerem os termos de uso de produtos e serviços. Na verdade, uma pesquisa de 2011 mostrou que apenas 7% dos britânicos leia os termos completos ao comprar um produto ou serviço online. Uma pesquisa de 2015 descobriu que 30% das pessoas nunca leram os termos de redes sociais, com um adicional de 50% lendo-os “às vezes”. Um experimento conduzido por Jonathan Obar ilustrou que seriam necessários mais de quarenta minutos todos os dias da semana para ler todas as termos de privacidade e serviço encontrados e quando realmente testados em termos, 98% dos participantes do estudo teriam concordado em compartilhar informações com a Agência de Segurança Nacional e desistir de seu filho primogênito.

Riscos de uso dos equipamentos IoT

Os dispositivos de IoT cada vez se tornam mais populares e acessíveis nas casas de todo o mundo. Segundo uma pesquisa realizado por Arne Holst [3] , estima-se que existam 10 bilhões de equipamentos do tipo no ano de 2021 e que, em 14 anos, esse número mais que se duplicará, alcançando 25 bilhões. No entanto, a utilização desses dispositivos, no contexto atual, é acompanhada por alguns fatores de risco, que podem trazer sérios danos ao usuários, quais são (i) a discriminação, (ii) o consentimento, (iii) a privacidade e a (iv) segurança.

Em primeiro lugar, destaca-se que a utilização da inteligência artificial usualmente requer um grande volume de dados armazenados para o devido treinamento de máquina. Seu uso, portanto, mostra-se extremamente adequado ao se vincular aos smart devices, pois esses tendem a gerar dados sobre seu ambiente e uso constantemente. Além disso, por estarem muitas vezes conectados ao usuários, como é o caso dos smartwatches, ou então dispostos em ambientes de uso público, os dados dos titulares que são extraídos deles são possivelmente identificados ou identificáveis. Nesse sentido, o aprendizado de máquina sem supervisão ou intervenção humana, pode acabar codificando construções.

Normalmente, tais eventos se tornam mais presentes quando os dados tratados são sensíveis, em especial os voltados à saúde, que podem, por exemplo, aumentar os custos para participação de um seguro ou plano, já que, de acordo com a i-SCOOP, 86% das empresas que vendem esses serviços usam dispositivos de IoT [4].

Ademais, é preciso esclarecer que a venda desses produtos volta-se em grande parte ao seu software, em detrimento do hardware. Em outras palavras, o dispositivo, em si, em geral é discreto, pequeno e simples. Sua funcionalidade está relacionada ao programa que ali está sendo executado. Nesse viés, as empresas focam seus investimentos em lançamentos de funcionalidades e atualizações sempre que possível. Tais mudanças, que são constantes, podem ser acompanhadas pela expansão dos limites do tratamento de dados feito pelo dispositivo e, por isso, devem ser acompanhadas do (ii) consentimento do usuário. No entanto, quando essas atualizações e as mudanças de termo de uso são frequentes, o titular passa a não prestar atenção nos dados que permite acesso, fazendo com que sua (iii) privacidade seja ameaçada. Nesse viés, o compartilhamento dos dados com terceiros é o que se mostra mais preocupante, pois a funcionalidade original desses dados, por exemplo, a localização para utilização de um serviço de transporte, ou a frequência cardíaca para monitoramento pessoal, é deturpada para a comunicação mercadológica ou o desenvolvimento econômico das empresas, fragilizando a possibilidade de escolha do usuário, que é extremamente influenciável, conforme aumenta seu tempo de exposição às redes sociais e aos dispositivos conectados a internet, de maneira geral. Por fim, as rápidas evoluções dos produtos e a necessidade de mudanças do mercado não acompanham a criação de diretrizes sobre privacidade pelo Estado atualizadas, tornando o ambiente digital flexível quanto ao que pode ser feito com o titular.

Em último lugar, a segurança dos dispositivos de IoT mostra-se como um dos aspectos mais frágeis da tecnologia. Isso se dá, principalmente, pelo baixo potencial de processamento e armazenamento desses devices. Por serem criados para realizar funções muito específicas (monitorar frequência cardíaca, medir temperatura do ambiente, abrir e fechar portas etc.), ao contrário dos computadores, seu hardware é reduzido ao extremo, para que o custo seja o menor possível. Tal característica revela o pouco investimento na cibersegurança dos produtos, principalmente nos de baixo custo e réplicas. Além disso, é possível perceber que não há grande observância por parte das equipes de T.I. voltado a essa tecnologia. Frequentemente, atualizações periódicas são feitas nos sistemas de computadores e de rede, firewalls são utilizados e os antivírus estão sempre ativos. No entanto, ao que tange aos dispositivos de IoT, muitos desses são deixados de lado: ainda permanecem com as credenciais de login default e não recebem novos patches há meses. A título de exemplo, a empresa de segurança Darktrace, revelou que um casino foi invadido pelo termostato de um aquário e teve os dados de seus apostadores de grande porte interceptados [5] . Nesse caso, o simples dispositivo foi apenas a porta de entrada para os invasores, mas suficiente para que realizassem um ataque bem sucedido.

Inteligência Artificial e Cibersegurança

As soluções de segurança que envolvem IA podem ser divididas em soluções de defesa baseadas em rede e em soluções de defesa baseadas em host [6] . Na solução baseada em rede, características da rede, como o tempo de comunicação entre dispositivos, são utilizadas como informações para os algoritmos de aprendizado de máquina. Por exemplo, através do aprendizado supervisionado é possível identificar padrões de tráfego que representam um comportamento normal e padrões que representam um comportamento malicioso. Essa abordagem possui a vantagem de que os dispositivos IoT geralmente são projetados para uma função específica, de forma que é possível prever um comportamento esperado do sistema. No entanto, como os dados maliciosos representam eventos menos frequentes, nem sempre é possível coletar uma série de dados que os caracterizam. Por essa razão, a maioria das técnicas de segurança utilizam o aprendizado não supervisionado, ou o aprendizado de uma única classe. Neste último, os padrões do comportamento normal de um dispositivo IoT são aprendidos, de forma que um desvio do comportamento esperado pode ser considerado como uma anomalia, gerando um alarme para o sistema.

Na defesa baseada em host, busca-se identificar interações do host com outros dispositivos da rede, utilizando, por exemplo, características como a intensidade do sinal. Assim como nas soluções baseadas em rede, essas características podem alimentar um algoritmo de aprendizado de máquina para a detecção de possíveis ataques.

No entanto, apesar de serem utilizados para aumentar a segurança dos dispositivos IoT, os sistemas que empregam aprendizado de máquina também apresentam vulnerabilidades, que podem ser portas de entrada a ataques cibernéticos.

Vulnerabilidades do Aprendizado de Máquina

Diferentemente dos ataques cibernéticos mais conhecidos, que geralmente exploram as falhas em um código ou bugs, os ataques de ML também exploram as características inerentes de um algoritmo de aprendizado de máquina: reconhecer padrões. Modificando os padrões de dados que são utilizados como entrada de um modelo e sem a necessidade da utilização direta de um computador, é possível alterar o comportamento de um sistema.

Um modelo de aprendizado de máquina pode ser projetado, por exemplo, para reconhecer sinais de placas de trânsito, extraindo padrões como cores, bordas e formas para reconhecer o que um sinal de "Pare" representa. Essa placa pode ser modificada fisicamente através de padrões específicos, deixando de ser classificada como um sinal de parada e passando a ser classificada como um sinal de luz verde, de forma que o sistema cometa um erro. Esse é o denominado ataque de entrada[ 7]. Essas mudanças podem não ser evidentes para a percepção do ser humano e podem ocorrer, por exemplo, a nível de pixel em uma imagem. Isso acontece devido aos padrões que o modelo aprendeu a associar, que não ocorre da mesma forma que o aprendizado humano. Para o computador, uma pequena modificação no dado de entrada pode induzir a uma grande alteração na saída.

Em um ataque digital, podem ser adicionadas perturbações imperceptíveis que geram uma alteração no comportamento do algoritmo. Nesse contexto, o ataque de entrada poderia ser utilizado por um invasor com o objetivo de evitar a detecção de um material específico por um sistema de IA, fazendo com que um material de conteúdo ilícito, por exemplo, se propague sem restrições. As alterações imperceptíveis podem ser adicionadas, inclusive, a um objeto físico.

Foi demonstrado que uma tartaruga impressa em 3D com um padrão de entrada imperceptível pode enganar detectores de objetos 8 . Essa estratégia poderia ser utilizada de maneira ilegal para evitar que objetos como uma arma 3D seja detectado por algoritmos de aprendizado de máquina. Assim, os esforços de IA se concentram em "aprender" padrões mais fortes, de forma que uma pequena mudança na entrada não gere uma grande alteração na saída.

Características do mercado de varejo de eletrodomésticos

Em 2017, o Procon 9 de São Paulo avaliou 117 itens de eletrodomésticos em 7 lojas distintas, de diferentes fornecedores. O mercado é bastante competitivo, mas o preço dos mesmo produtos pode variar de 5 a 80% de uma loja para outra a depender do modo de pagamento. O segundo Nogami [10] , conceito de inovação praticado no mercado da baixa renda não é de uma inovação efetivamente tecnológica ou uma inovação radical, são adaptações de algo que já existe, ou seja, inovação incremental. Estes incrementos são oriundos de inovações radicais desenvolvidas inicialmente para os consumidores de alta renda. Entretanto, pode-se observar um fenômeno de downsizing (redução de atributos) nas características dos produtos para atender à demanda dos consumidores de baixa renda. Esse fenômeno não necessariamente afeta os produtos diminuindo sua qualidade, uma vez que o consumidor de baixa renda apesar de prezar enfaticamente pelo preço,

Referências e Bibliografia

[1] Disponível em www.karsperski.com. Acesso em 23/10/2021.

[2] Kaplan, Jerry. Artificial Intelligence: What Everyone Needs to KnowR. Oxford University Press, 2016.

[3] Disponível em https://www.statista.com/statistics/1183457/iot-connected-devices-worldwide. Acesso em 23/10/2021.

[4] Disponível em https://www.i-scoop.eu/internet-of-things-iot/internet-things-healthcare. Acesso em 23/10/2021.

[5] Disponível em https://www.entrepreneur.com/article/368943. Acesso em 23/10/2021.

[6] Zeadally, Sherali, and Michail Tsikerdekis. "Securing Internet of Things (IoT) with machine learning." International Journal of Communication Systems 33.1 (2020): e4169

[7] Disponível em https://www.belfercenter.org/publication/AttackingAI. Acesso em 24/10/2021.

[8] Athalye, Anish, et al. "Synthesizing robust adversarial examples." International conference on machine learning. PMLR, 2018.

[9] Disponível em https://www.procon.sp.gov.br/wp-content/uploads/files/RTELETRODOM2017.pdf . Acesso em 23/10/2021.

[10] Disponível em https://www.researchgate.net/publication/272417544 . Acesso em 23/10/2021.

IBARRA, Jaime et al. Enhancing Smart Home Threat Detection with Artificial Intelligence. In: Cybersecurity, Privacy and Freedom Protection in the Connected World. Springer, Cham, 2021. p. 35-53.

TSCHIDER, Charlotte A. Regulating the internet of things: discrimination, privacy, and cybersecurity in the artificial intelligence age. Denv. L. Rev., v. 96, p. 87, 2018.

ZEADALLY, Sherali; TSIKERDEKIS, Michail. Securing Internet of Things (IoT) with machine learning. International Journal of Communication Systems, v. 33, n. 1, p. e4169, 2020.

Bibliografia complementar

ATHALYE, Anish et al. Synthesizing robust adversarial examples. In: International conference on machine learning. PMLR, 2018. p. 284-293.

COMITER, Marcus. Attacking artificial intelligence. Belfer Center Paper, p. 2019-08,

2019.

KAPLAN, Jerry. Artificial Intelligence: What Everyone Needs to KnowR. Oxford

University Press, 2016.NOGAMI, V. K. C.; VIEIRA, FRANCISCO GIOVANNI DAVID; MEDEIROS, JULIANA. Perspectiva social e tecnológica da inovação no mercado de baixa renda. XVI Seminários em Administração–Semead, 2013.