Detecção de ameaças em logs de segurança: comparação entre abordagem baseada em regras e análise com LLM
Revista ft · 09.05.2026 · 30 (158) · 01-25
DOI: 10.69849/e27xgm50 ↗Kurz gefasst
Fachartikel in der Zeitschrift Revista ft, online erschienen am 09.05.2026. Verfasst von Flávia Thereza da Fonceca. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Este artigo tem como objetivo comparar, de forma sistemática, duas formas de detectar e classificar payloads maliciosos em parâmetros HTTP: a abordagem clássica, baseada em expressões regulares, e o uso de modelos de linguagem de grande escala (LLMs). Este trabalho utiliza o dataset HttpParamsDataset, que reúne 31.067 registros divididos em cinco classes: tráfego normal, injeção de SQL, Cross-Site Scripting, travessia de diretório e injeção de comandos. Foram avaliados sete modelos de dois provedores — Anthropic (Claude Haiku 4.5, Sonnet 4.6 e Opus 4.6) e OpenAI (GPT-4o-mini, GPT-4.1-mini, GPT-4.1 e GPT-5.4) — em duas modalidades: análise textual pura e geração dinâmica de scripts regex. A metodologia emprega 30 sub amostragens de 500 registros cada, com testes estatísticos pareados para validar os resultados. Os resultados mostram que a análise textual via LLM supera a abordagem baseada em regras estáticas na maior parte dos experimentos: o Claude Haiku 4.5 atingiu Macro-F1 de 0,967, contra 0,867 do motor de regras (p < 0,0001), a um custo de US$ 1,96 para as 30 sub amostragens. Quando os LLMs foram instruídos a gerar scripts regex, o desempenho caiu abaixo do motor escrito à mão em todos os modelos testados. O custo total dos 15 experimentos foi de US$ 35,81, com tempo computacional agregado de 9,8 horas. Como os experimentos são estatisticamente independentes, foram executados em paralelo (4 processos concorrentes para a Anthropic e 2 para a OpenAI, com ambos os provedores rodando em paralelo entre si), reduzindo o tempo de parede efetivo para aproximadamente 3,5 horas. Os achados sugerem que, para classificação de payloads, o uso direto de LLMs como classificadores textuais oferece melhor custo-benefício que abordagens baseadas em regras estáticas ou em geração automática de regex, indicando que sistemas híbridos — com regras regex como primeira camada e LLMs para casos ambíguos — são uma direção promissora para ambientes de produção.
Zitieren
APA
Fonceca, F. T. D. (2026). Detecção de ameaças em logs de segurança: comparação entre abordagem baseada em regras e análise com LLM. Revista ft, 30(158), 01-25. https://doi.org/10.69849/e27xgm50
Vancouver
Fonceca FTD. Detecção de ameaças em logs de segurança: comparação entre abordagem baseada em regras e análise com LLM. Revista ft. 2026;30(158):01-25. doi:10.69849/e27xgm50
BibTeX
@article{Fonceca2026,
author = {Fonceca, Flávia Thereza da},
title = {Detecção de ameaças em logs de segurança: comparação entre abordagem baseada em regras e análise com LLM},
journal = {Revista ft},
year = {2026},
volume = {30},
number = {158},
pages = {01--25},
doi = {10.69849/e27xgm50}
}
EUVIMED