Publicação: ZTA-RAD: Conjunto de Dados de Avaliação de Risco para Ameaças Internas em Arquiteturas Zero Trust
Carregando...
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
As ameaças internas, do inglês (insider threats), configuram-se como um dos principais
riscos de segurança da informação, sobretudo em ambientes corporativos que lidam com
dados sensíveis. Diferentemente das ameaças externas, esses ataques exploram credenciais
válidas e conhecimento prévio da infraestrutura, tornando insuficientes os modelos tradi-
cionais de segurança baseados em perímetro. Nesse contexto, a Arquitetura de Confiança
Zero (ZTA) desponta como um paradigma essencial, ao adotar o princípio do “nunca con-
fiar, sempre verificar”, com verificação contínua, microsegmentação e monitoramento em
tempo real. Motivado pela ausência de datasets específicos para esse cenário, este trabalho
propõe o ZTA-RAD (Zero Trust Architecture – Risk Assessment Dataset), derivado e ex-
pandido a partir do CERT, incorporando métricas de logon, dispositivos e acessos HTTP.
O dataset foi rotulado por meio de duas abordagens: (i) curadoria de especialista e (ii)
análise de risco realizada por cinco LLMs. Para avaliação, foram conduzidos experimentos
de treinamento e validação com três algoritmos de aprendizado de máquina (MLP, Ran-
dom Forest e SVM), em cenários balanceados e não balanceados. Os resultados indicam
que MLP e Random Forest obtiveram desempenho superior, sobretudo após o balancea-
mento via SMOTE, enquanto o SVM mostrou maior sensibilidade ao desbalanceamento.
Além disso, verificou-se que a rotulagem do especialista proporcionou a construção de
classificadores mais consistentes em comparação às LLMs, reforçando a importância da
curadoria humana. Em síntese, o trabalho contribui para disponibilizar um dataset inédito
para o estudo de ameaças internas em ZTA, oferecendo subsídios metodológicos e práticos
para a evolução de soluções baseadas em aprendizado de máquina.
Abstract
Internal threats, often referred to as insider threats, pose significant risks to informa-
tion security, particularly in corporate environments that manage sensitive data. Unlike
external threats, insider attacks utilize valid credentials and insider knowledge of the
organization’s infrastructure, which renders traditional perimeter-based security models
inadequate. In this context, the Zero Trust Architecture (ZTA) becomes a crucial ap-
proach, adhering to the principle of "never trust, always verify."This model emphasizes
continuous verification, microsegmentation, and real-time monitoring to enhance secu-
rity. Motivated by the absence of specific datasets for this scenario, this work introduces
ZTA-RAD (Zero Trust Architecture – Risk Assessment Dataset). This dataset is derived
from and expanded upon the CERT dataset, incorporating metrics related to logon, de-
vices, and HTTP access. The dataset was labeled using two methods: (i) expert curation
and (ii) risk analysis conducted by five large language models (LLMs). Evaluation, trai-
ning, and validation experiments were conducted with three machine learning algorithms
(MLP, Random Forest, and SVM) in both balanced and imbalanced scenarios. The re-
sults indicate that MLP and Random Forest achieved superior performance, especially
after balancing with SMOTE, while SVM showed greater sensitivity to class imbalance.
Additionally, it was observed that expert labeling enabled the construction of more con-
sistent classifiers compared to those generated by LLMs, reinforcing the importance of
human curation. In conclusion, this study offers a new dataset for investigating insider th-
reats within Zero Trust Architecture (ZTA), providing both methodological and practical
insights to enhance machine learning–based security solutions.
Palavras-chave
Ameaças Internas, Dataset, Rotulagem de Risco, ZTA
Citação
ROCHA, Radharani Santos. ZTA-RAD: Conjunto de Dados de Avaliação de Risco para Ameaças Internas em Arquiteturas Zero Trust. 2025. 62 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2025.