| Bellacosa Mainframe e a cybersecurity |
☕ UM CAFÉ NO BELLACOSA MAINFRAME
🐒 IKE ENTRA NO SOC — QUANDO A IA INVENTOU O CRIMINOSO E DEPOIS PROVOU QUE ELE EXISTIA
Inteligência Artificial, Cybersecurity, COBOL, Mainframe, RACF, SMF, CICS, Db2, Explainable AI, False Positives, Confirmation Bias, Provenance, Feedback Loops, grafos — e o dia em que Ike descobriu que dez testemunhas poderiam ser apenas uma testemunha repetida dez vezes.
🎬 PRÓLOGO — GENERAL, TEMOS UM CRIMINOSO
O programador COBOL estava tomando café diante do terminal quando Ike entrou no SOC.
Para quem chegou agora: Ike é o protagonista de Maougun Saikyou no Majutsushi wa Ningen Datta. Conhecido como um poderoso mago do exército do Rei Demônio, ele possui um pequeno detalhe inconveniente:
Ike é humano.
E precisa esconder isso.
Talvez exatamente por essa razão ele seja um excelente tutor para nossa história.
Ike conhece uma verdade fundamental da inteligência militar:
Aparência não é evidência.
No monitor havia uma mensagem impressionante:
SECURITY AI INCIDENT REPORT
SUBJECT: USER01
RISK SCORE: 97%
CLASSIFICATION:
HIGH PROBABILITY OF MALICIOUS ACTIVITY
CORROBORATING SOURCES: 8O jovem COBOLzeiro arregalou os olhos.
— General! Temos oito fontes confirmando!
Ike permaneceu imóvel.
— Quem criou a primeira informação?
Silêncio.
— Não sei.
— Então você não tem oito fontes.
Ike apontou para o monitor.
— Talvez tenha apenas uma informação repetida oito vezes.
🐒 E nosso chimpanzé, escondido atrás do rack do z17, imediatamente largou a banana.
Porque acabamos de entrar em um dos problemas mais perigosos da segurança baseada em Inteligência Artificial:
A IA PODE INVENTAR UMA SUSPEITA E DEPOIS ENCONTRAR A PRÓPRIA SUSPEITA COMO SE FOSSE EVIDÊNCIA INDEPENDENTE.
Prepare o café.
Hoje vamos descobrir como impedir que isso aconteça.
🧠 CAPÍTULO 1 — PRIMEIRO: O QUE DIABOS É UMA OBSERVAÇÃO?
Antes de falar sobre IA, precisamos voltar ao básico.
Imagine que o SMF registre:
USER01
JOB=PAYROLL
TIME=03:17:42
SYSTEM=PROD01O que sabemos?
Sabemos que determinado evento foi registrado.
Não sabemos automaticamente:
USER01 é hackerNão sabemos:
USER01 teve a senha roubadaMuito menos:
USER01 pertence ao grupo
internacional de hackers
"Chimpanzés da Madrugada"O registro apenas informa algo equivalente a:
USER01 executou determinada atividade às 03:17:42.
Isso é uma:
OBSERVATION
Uma observação é aquilo que uma fonte registrou diretamente.
Em nosso mundo mainframe, podemos ter observações provenientes de:
SMF;
RACF;
CICS;
Db2;
IMS;
MQ;
z/OS Connect;
logs de aplicações;
firewall;
EDR;
IAM;
SIEM.
Esses sistemas registram acontecimentos.
Depois alguém interpreta esses acontecimentos.
E aqui começa a confusão.
🔎 CAPÍTULO 2 — OBSERVATION NÃO É INFERENCE
Imagine que analisamos seis meses de histórico de USER01.
Descobrimos:
HORÁRIO NORMAL:
08:00 - 18:00
ATIVIDADE OBSERVADA:
03:17Agora podemos dizer:
Essa atividade está fora do padrão histórico do usuário.
Perfeito.
Mas perceba a mudança.
O SMF não escreveu:
ATIVIDADE ANORMALNós calculamos isso.
Portanto temos:
OBSERVATION
↓
INFERENCEA observação foi:
03:17A inferência foi:
horário incomumIsso parece uma distinção acadêmica.
Não é.
Em segurança, ela pode separar uma investigação correta de uma caça às bruxas digital.
Ike desenharia no quadro:
OBSERVATION ≠ INFERENCENunca esqueça isso.
🧩 CAPÍTULO 3 — DA INFERÊNCIA NASCE A HIPÓTESE
Agora acrescentamos algumas informações.
03:14 - falha de MFA
03:17 - JOB incomum
03:21 - consulta Db2 incomumO analista pensa:
Talvez a credencial de USER01 esteja comprometida.
Excelente.
Temos uma:
HYPOTHESIS
Hipótese não é prova.
É uma explicação que tentaremos testar.
Nossa cadeia agora é:
OBSERVATION
↓
INFERENCE
↓
HYPOTHESISPor exemplo:
OBSERVATION:
USER01 executou PAYROLL às 03:17.
INFERENCE:
Esse horário é estatisticamente incomum.
HYPOTHESIS:
A credencial pode estar comprometida.Observe cuidadosamente o vocabulário:
pode estar.
Não:
está comprometida.
Essa pequena diferença linguística representa uma diferença gigantesca de conhecimento.
⚖️ CAPÍTULO 4 — EVIDENCE ENTRA NA SALA
Ike então pergunta:
— Como você pretende testar sua hipótese?
Precisamos procurar evidências.
Por exemplo:
IAM:
falhas de autenticação
EDR:
dispositivo desconhecido
FIREWALL:
IP não habitual
SMF:
atividade incomum
RACF:
alteração de privilégios
Db2:
acesso a tabelas sensíveisAgora começamos a construir um caso.
Mas existe uma regra:
A EVIDÊNCIA PRECISA SER RASTREÁVEL.
Precisamos saber:
quem produziu?
quando?
onde?
como?
a partir de quê?
foi modificada?
é original?
é derivada?E isso nos leva a uma palavra maravilhosa:
PROVENANCE
Ou proveniência.
🧬 CAPÍTULO 5 — PROVENANCE: QUEM DISSE ISSO PRIMEIRO?
Imagine:
AI-A:
USER01 pode estar comprometido.O resultado vai para um banco:
SECURITY-DATABASE:
USER01 - POSSIBLE COMPROMISEUma segunda IA consulta esse banco:
AI-B:
USER01 possui histórico de suspeita.Essa informação entra em um relatório:
REPORT-C:
USER01 aparece associado
a incidentes de segurança.Uma terceira IA lê o relatório:
AI-C:
Múltiplas fontes indicam
atividade suspeita de USER01.Caramba!
Agora parece grave.
Temos:
AI-A
DATABASE
AI-B
REPORT-C
AI-CCinco fontes?
Não.
Talvez tenhamos apenas:
AI-ATodo o restante descende da primeira inferência.
Graficamente:
┌── DATABASE
│
AI-A ─────────┼── AI-B
│
├── REPORT-C
│
└── AI-CIsso é linhagem de informação.
Se não preservarmos essa linhagem, quantidade vira uma ilusão.
🐒 CAPÍTULO 6 — O CHIMPANZÉ DESCOBRE O ARTIFICIAL CONFIRMATION LOOP
Agora começa a desgraça.
AI-A cria uma hipótese:
USER01 SUSPEITOEla entra no banco.
AI-B encontra:
USER01 SUSPEITOAI-B produz:
HIGH RISKO relatório de AI-B entra novamente no ecossistema.
AI-C encontra:
SUSPEITO
HIGH RISKEntão produz:
VERY HIGH RISKAlgum tempo depois AI-A é retreinada utilizando registros que incluem resultados derivados das outras IAs.
Temos:
AI-A
↓
HYPOTHESIS
↓
DATABASE
↓
AI-B
↓
REPORT
↓
AI-C
↓
DATABASE
↓
AI-ACABOOM.
Criamos o que podemos chamar, dentro desta série, de:
ARTIFICIAL CONFIRMATION LOOP — ACL
Uma hipótese entrou no sistema.
Nenhum fato novo necessariamente apareceu.
Mas cada volta pelo circuito aumentou sua aparência de credibilidade.
É uma espécie de juros compostos da desinformação.
🔁 CAPÍTULO 7 — FEEDBACK BIAS
Existe um parente desse problema chamado feedback bias.
Imagine que a IA conclua que determinado conjunto de contas apresenta risco maior.
Consequentemente essas contas recebem mais fiscalização.
MAIOR RISCO
↓
MAIOR MONITORAMENTO
↓
MAIS EVENTOS ENCONTRADOS
↓
MAIS ALERTAS
↓
MAIS REGISTROS NEGATIVOS
↓
MAIOR RISCOVeja o problema.
Talvez encontremos mais irregularidades porque realmente existam mais irregularidades.
Mas existe outra possibilidade:
Encontramos mais porque procuramos mais.
Isso muda completamente a interpretação estatística.
Se examinarmos 100 operações do grupo A e 100.000 operações do grupo B, simplesmente contar ocorrências pode produzir uma conclusão enganosa.
Precisamos conhecer o denominador.
O velho COBOLzeiro sabe disso.
COMPUTE ERROR-RATE =
ERROR-COUNT / TOTAL-TRANSACTIONS
END-COMPUTE.Contagem sem contexto é perigosa.
🎯 CAPÍTULO 8 — FALSE POSITIVE NÃO É CRIMINOSO
Outra expressão fundamental:
FALSE POSITIVE
Imagine um sistema procurando fraude.
Ele classifica:
1000 operaçõescomo suspeitas.
Depois descobrimos que:
950 eram legítimas
50 realmente mereciam investigaçãoOs 950 casos incorretamente classificados são falsos positivos.
Em sistemas de segurança isso é inevitável.
O objetivo não é magicamente alcançar:
FALSE POSITIVE = ZEROO objetivo é conhecer e controlar o comportamento do sistema.
Porque um alerta deveria significar:
INVESTIGUEe não:
CONDENEEssa distinção deveria estar gravada na parede de qualquer SOC usando IA.
🧠 CAPÍTULO 9 — CONFIRMATION BIAS
Ike encontra outro problema.
O analista acredita que USER01 foi comprometido.
Então procura:
atividade estranhaEncontra.
Procura:
horários estranhosEncontra.
Procura:
conexões estranhasEncontra.
Pronto!
Caso encerrado?
Não.
Porque talvez o analista tenha procurado apenas aquilo que confirmava sua teoria.
Isso é:
CONFIRMATION BIAS
Uma investigação robusta deveria perguntar duas coisas:
O QUE CONFIRMA H1?e:
O QUE REFUTA H1?Se:
H1 =
credencial comprometidaprocuremos:
A FAVOR
novo IP
novo dispositivo
horário anormal
falhas MFA
comandos incomunsMas também:
CONTRA
change autorizado
plantão registrado
job recorrente
mesmo dispositivo habitual
atividade previamente aprovadaA investigação madura não tenta proteger sua hipótese.
Tenta destruí-la.
Se ela sobreviver, tornou-se mais interessante.
🧪 CAPÍTULO 10 — IKE CRIA DOIS AGENTES
Ike conhece estratégia militar.
Então não coloca todo mundo defendendo a mesma tese.
Cria dois agentes.
AGENT-A
INVESTIGATOR
Missão:
construir a hipótese.E:
AGENT-B
SKEPTIC
Missão:
destruir a hipótese.Temos:
HYPOTHESIS
/ \
/ \
INVESTIGATOR SKEPTIC
↓ ↓
SUPPORT REFUTATION
\ /
\ /
HUMANIsso é extremamente interessante em sistemas multiagentes.
Mas existe uma condição importantíssima.
Os dois agentes não podem simplesmente compartilhar cegamente todas as conclusões desde o começo.
Caso contrário teremos:
AGENT-A:
X é suspeito.
AGENT-B:
Li que X é suspeito.
AGENT-A:
Viu? B concordou comigo!🐒
Nosso chimpanzé acaba de pedir demissão.
🔍 CAPÍTULO 11 — EXPLAINABLE AI NÃO É MÁQUINA DA VERDADE
Agora USER01 recebe:
RISK SCORE = 94Perguntamos:
Por quê?
O sistema responde:
35% comportamento transacional
25% horário
20% relacionamento
10% dispositivo
10% localizaçãoExcelente.
Temos uma explicação.
Mas cuidado:
EXPLANATION ≠ VALIDATION
Explainable AI pode ajudar humanos a compreender por que determinado sistema chegou a uma saída.
Isso não significa que a saída seja verdadeira.
Imagine:
2 + 2 = 5E alguém produzir uma explicação maravilhosamente organizada de três páginas justificando o resultado.
A explicação pode ser compreensível.
O resultado continua errado.
Portanto:
EXPLAINABILITYserve para entendermos o comportamento do sistema.
Não deve ser confundida com:
TRUTH🕸️ CAPÍTULO 12 — PRECISAMOS DE UM GRAFO PARA AUDITAR O GRAFO
Em Bellacosa Security usamos grafos para estudar:
usuários
contas
transações
dispositivos
grupos RACF
jobs
STCs
CICS
Db2
MQ
APIsAgora precisamos aplicar grafos às próprias evidências.
Imagine:
FACT-001
SMF EVENT
FACT-002
derived from FACT-001
FACT-003
derived from FACT-002
REPORT-004
derived from FACT-003Podemos representar:
FACT001
↓
FACT002
↓
FACT003
↓
REPORT004Se REPORT004 aparecer posteriormente como suposta confirmação de FACT002, podemos detectar:
REPORT004
↓
ancestry
↓
FACT002Logo:
INDEPENDENT = NOIsso é poderosíssimo.
A IA precisa conhecer não apenas o conteúdo da informação.
Precisa conhecer sua genealogia.
💾 CAPÍTULO 13 — COMO IMPLEMENTAR ISSO?
Podemos imaginar um registro conceitual:
RECORD-ID
SOURCE-ID
SOURCE-TYPE
TIMESTAMP
CLASSIFICATION
DERIVED-FROM
MODEL-ID
MODEL-VERSION
CONFIDENCE
HUMAN-VALIDATED
HASHPor exemplo:
RECORD-ID:
882731
SOURCE:
SMF30
CLASSIFICATION:
OBSERVATION
DERIVED:
NODepois:
RECORD-ID:
882732
SOURCE:
SECURITY-AI-17
CLASSIFICATION:
INFERENCE
DERIVED-FROM:
882731
CONFIDENCE:
0.73Depois:
RECORD-ID:
882733
CLASSIFICATION:
HYPOTHESIS
DERIVED-FROM:
882731,882732Agora podemos perguntar:
TRACE ANCESTORS OF 882733Em COBOL imaginário:
PERFORM TRACE-PROVENANCE
UNTIL ORIGINAL-SOURCE
OR SOURCE-NOT-FOUND
END-PERFORM.COBOL encontra IA.
E funciona maravilhosamente bem.
🦖 CAPÍTULO 14 — O MAINFRAME JÁ SABIA DISSO
Existe uma curiosidade deliciosa aqui.
Mainframes trabalham há décadas com uma cultura fortíssima de:
auditabilidade
logs
controle
reconciliação
rastreabilidade
segregaçãoPense no SMF.
Sua função fundamental não deveria ser escrever romances policiais.
Ele registra acontecimentos.
Algo como:
USER
RESOURCE
TIME
SYSTEM
ACTION
RESULTDepois outros sistemas interpretam.
Isso cria uma separação extremamente saudável:
SYSTEM OF RECORD
↓
OBSERVATION
↓
ANALYTICS
↓
INFERENCE
↓
HYPOTHESIS
↓
INVESTIGATION
↓
DECISIONA IA moderna não deveria destruir essa disciplina.
Deveria aprender com ela.
🏦 CAPÍTULO 15 — O PROBLEMA FICA GIGANTE EM FRAUDE E AML
Imagine:
A → B
B → C
C → DD possui histórico de investigação.
Uma IA poderia concluir:
A está conectado a D.Verdade.
Mas depois transformar isso em:
A pertence à organização de D.Não necessariamente.
Temos:
GRAPH PROXIMITYmas não necessariamente:
CRIMINAL ASSOCIATIONEssa distinção é crucial.
Em redes financeiras enormes, pessoas perfeitamente legítimas podem estar separadas de contas problemáticas por poucos saltos.
Portanto:
CONNECTEDnão significa:
COMPLICITEsse é exatamente o tipo de salto semântico que uma IA de segurança não deveria fazer silenciosamente.
📚 CAPÍTULO 16 — CINCO LOGS NÃO SIGNIFICAM CINCO EVIDÊNCIAS
Essa é outra pegadinha fantástica.
Temos:
SMF
CICS
Db2
MQ
API GatewayCinco logs mostram atividade.
Temos cinco evidências independentes?
Talvez não.
Imagine:
API
↓
MQ
↓
CICS
↓
COBOL
↓
Db2Uma única transação produziu cinco registros.
Portanto:
5 LOGSpodem representar:
1 EVENTOEsse conceito precisa entrar na correlação de segurança.
Caso contrário o sistema pode raciocinar:
cinco sistemas observaram!Quando deveria dizer:
um evento deixou cinco rastros.Diferença brutal.
🛡️ CAPÍTULO 17 — A ARQUITETURA DE IKE
Ike finalmente redesenha o SOC.
Primeira camada:
┌────────────────────────┐
│ RAW OBSERVATIONS │
└────────────────────────┘Imutável sempre que possível.
Depois:
┌────────────────────────┐
│ DERIVED FEATURES │
└────────────────────────┘Depois:
┌────────────────────────┐
│ MODEL INFERENCES │
└────────────────────────┘Depois:
┌────────────────────────┐
│ HYPOTHESES │
└────────────────────────┘Depois:
┌────────────────────────┐
│ VERIFIED EVIDENCE │
└────────────────────────┘Finalmente:
┌────────────────────────┐
│ HUMAN DECISION │
└────────────────────────┘Temos:
RAW
↓
FEATURE
↓
INFERENCE
↓
HYPOTHESIS
↓
CORROBORATION
↓
DECISIONA regra sagrada:
NUNCA PERMITIR QUE UMA INFERÊNCIA VOLTE DISFARÇADA DE OBSERVAÇÃO.
☣️ CAPÍTULO 18 — E SE UM ATACANTE DESCOBRIR ISSO?
Agora nossa história fica ainda mais interessante.
O atacante não precisa necessariamente enganar diretamente a IA.
Ele pode tentar contaminar o ecossistema de informação.
Imagine:
FAKE SIGNAL
↓
SOURCE-A
↓
AGGREGATOR-B
↓
REPORT-C
↓
DATABASE-D
↓
AIA IA encontra quatro referências.
Sem provenance:
FOUR SOURCESCom provenance:
SOURCE-A
/ | \
/ | \
B C DResultado:
INDEPENDENT ROOT SOURCES = 1A árvore genealógica matou o ataque.
Isso mostra que provenance também é controle de segurança.
Não é apenas governança de dados.
🐒 CAPÍTULO 19 — O TESTE DO CHIMPANZÉ
Nosso chimpanzé agora recebeu um cargo oficial no SOC.
Toda vez que aparece:
RISK SCORE = 97%ele pergunta:
97% de quê?
Depois:
Qual população?
Depois:
Qual período?
Depois:
Qual baseline?
Depois:
Quais variáveis?
Depois:
Qual taxa de falso positivo?
Depois:
Qual versão do modelo?
Depois:
Quais fontes são independentes?
E finalmente:
QUAL É A EVIDÊNCIA ORIGINAL?
Se ninguém conseguir responder, não temos necessariamente uma investigação.
Talvez tenhamos apenas uma narrativa estatística muito elegante.
🧯 CAPÍTULO 20 — PASSO A PASSO PARA NÃO INVENTAR O CRIMINOSO
Se você estiver projetando uma solução de segurança com IA, pense neste checklist.
Passo 1 — Preserve o dado original.
Nunca destrua a observação original ao enriquecê-la.
Passo 2 — Classifique epistemologicamente cada registro.
Use categorias explícitas:
OBSERVATION
INFERENCE
HYPOTHESIS
EVIDENCE
DECISIONPasso 3 — Registre provenance.
Toda informação derivada precisa apontar para seus ancestrais.
Passo 4 — Identifique conteúdo gerado por modelos.
MODEL_GENERATED = YESPasso 5 — Registre modelo e versão.
MODEL=SECURITY17
VERSION=17.4Passo 6 — Procure ciclos.
Se:
A → B → C → Atemos um enorme sinal vermelho.
Passo 7 — Conte raízes independentes, não documentos.
10 REPORTSpodem significar:
1 ROOT SOURCEPasso 8 — Procure evidências contrárias.
Não pergunte apenas:
Como confirmar?
Pergunte:
Como provar que estou errado?
Passo 9 — Separe explicação de validação.
XAI explica.
Não absolve nem condena.
Passo 10 — Preserve decisão humana nas situações críticas.
Especialmente quando consequências reais atingem pessoas, contas, empregos, acesso ou investigações.
🎮 EASTER EGG — O ARQUIVO HUMAN.DAT
Enquanto todos saíam do SOC, o COBOLzeiro percebeu um dataset que não estava documentado.
IKE.SECURITY.HUMAN.DATCurioso, abriu.
Encontrou:
01 IKE-IDENTITY.
05 SPECIES PIC X(08)
VALUE 'HUMAN'.O programador arregalou os olhos.
Ike apareceu atrás dele.
— Encontrou alguma coisa?
O jovem fechou o ISPF imediatamente.
— Apenas um falso positivo, general.
Ike sorriu.
🐒 O chimpanzé decidiu que aquele era um excelente momento para procurar bananas em outra LPAR.
☕ EPÍLOGO — A IA NÃO DEVE SER DETETIVE, TESTEMUNHA, PROMOTOR E JUIZ AO MESMO TEMPO
Nosso maior risco talvez não seja uma IA que diga:
Não sei.
Uma IA que reconhece incerteza pode ser administrada.
Muito mais perigoso é construir um ecossistema no qual:
AI cria hipótese
↓
hipótese vira dado
↓
dado entra no banco
↓
outra AI encontra o dado
↓
produz confirmação
↓
confirmação retorna ao banco
↓
primeira AI encontra confirmação
↓
CONFIANÇA = 99%Nenhuma nova evidência entrou.
Mas nossa confiança explodiu.
Esse é o Artificial Confirmation Loop.
O antídoto começa pela disciplina:
OBSERVATION
≠
INFERENCE
INFERENCE
≠
HYPOTHESIS
HYPOTHESIS
≠
EVIDENCE
EXPLANATION
≠
VALIDATION
CORRELATION
≠
CAUSATION
REPETITION
≠
CORROBORATIONE podemos acrescentar a regra de Ike:
Nenhuma conclusão produzida por uma IA deve retornar ao processo como evidência independente de si própria ou de seus descendentes.
É aqui que o velho universo mainframe tem muito a ensinar à inteligência artificial.
Durante décadas aprendemos a guardar logs, registrar timestamps, preservar trilhas de auditoria, reconciliar arquivos, identificar sistemas de registro, separar produção de homologação, controlar privilégios e descobrir exatamente quem fez o quê.
Agora precisamos aplicar a mesma obsessão à genealogia do conhecimento produzido pelas máquinas.
Porque amanhã talvez o SOC mostre:
SUBJECT: USER01
RISK: 99.7%
SOURCES: 37Antes de bloquear conta, abrir incidente, acusar alguém ou disparar uma investigação, nosso COBOLzeiro precisa fazer a pergunta que Ike ensinou:
DISPLAY
'QUANTAS FONTES INDEPENDENTES EXISTEM?'
END-DISPLAY.Talvez sejam 37.
Talvez sejam três.
Talvez seja uma.
Ou talvez encontremos algo muito mais assustador:
SOURCE:
THE AI ITSELF🐒
Nesse momento não encontramos um criminoso.
Encontramos um sistema convencendo a si próprio.
E quando máquinas começam a utilizar suas próprias conclusões como provas das próprias conclusões, o problema já não está no suspeito.
O incidente está dentro do SOC.
☕ Um Café no Bellacosa Mainframe
Porque antes de perguntar se a Inteligência Artificial encontrou o criminoso, talvez devêssemos perguntar quem contou a história para ela primeiro.