☕ Um Café no Bellacosa Mainframe
Gostou do conteúdo? Ajude a manter o café quente, o COBOL compilando e o mainframe acordado. 😄
☕ Pague um café ao Bellacosa

Translate

Mostrar mensagens com a etiqueta SMF. Mostrar todas as mensagens
Mostrar mensagens com a etiqueta SMF. Mostrar todas as mensagens

terça-feira, 29 de setembro de 2026

🕵️ CHARLES PONZI ENTRA NO CPD — QUANDO O PROGRAMADOR COBOL DESCOBRIU QUE INTELIGÊNCIA É UM ENORME PERFORM UNTIL

 
Bellacosa Mainframe e System Security

☕ UM CAFÉ NO BELLACOSA MAINFRAME

🕵️ CHARLES PONZI ENTRA NO CPD — QUANDO O PROGRAMADOR COBOL DESCOBRIU QUE INTELIGÊNCIA É UM ENORME PERFORM UNTIL

Mainframe Security, RACF, SMF, CICS, Db2, MQ, fraude, lavagem de dinheiro, inteligência financeira, graph analytics, entity resolution, threat hunting, IA, falsos positivos, narcossubmarinos, análise de esgoto — e o dia em que descobrimos que 17.390 hipóteses descartadas talvez ainda tivessem alguma coisa para contar.



🎬 PRÓLOGO — CHARLES PONZI ESTAVA ESPERANDO NO CPD

Eram 03:17 da manhã.

O programador COBOL entrou no CPD carregando um café que provavelmente já poderia ser classificado como material radioativo.

Na frente do terminal 3270 havia um homem de terno impecável.

— Quem é você?

— Charles Ponzi.

O programador quase derrubou o café.

— O Charles Ponzi?

— Depende. Se você estiver oferecendo investimentos, não. Se estiver tentando entender fraude, talvez eu possa ser útil como exemplo do que não fazer.

Na tela havia 80 milhões de registros.

Contas.

Empresas.

Transações.

Usuários.

Endereços.

Telefones.

Logs.

Eventos.

O programador olhou aquilo e perguntou:

— Qual deles é criminoso?

Ponzi sorriu.

— Você já começou fazendo a pergunta errada.

— Qual seria a pergunta certa?

Ele apontou para a tela.

Quais relações nesse sistema não deveriam existir?

E foi assim que começou nossa viagem.



🧠 CAPÍTULO 1 — PRIMEIRO: SEGURANÇA NÃO É RACF

Para quem está começando em mainframe, é tentador imaginar:

SEGURANÇA = RACF

RACF é importantíssimo.

Mas segurança de um ambiente IBM Z moderno é muito maior.

Temos algo aproximadamente assim:

                    IDENTIDADE
                        │
                       RACF
                        │
        ┌───────────────┼───────────────┐
        │               │               │
       TSO             USS             JES
        │               │               │
        └───────────────┼───────────────┘
                        │
          ┌─────────────┼─────────────┐
          │             │             │
        CICS           Db2            MQ
          │             │             │
          └─────────────┼─────────────┘
                        │
                      APIs
                        │
                 z/OS Connect
                        │
                  CLOUD / WEB

Um profissional de Bellacosa Mainframe Security precisa compreender as relações entre essas camadas.

Não basta perguntar:

“Vagner possui acesso ao dataset PROD.PAYROLL.MASTER?”

Precisamos perguntar:

VAGNER
  │
  ▼
GROUP-X
  │
  ▼
JCL
  │
  ▼
SUBMIT
  │
  ▼
STARTED TASK
  │
  ▼
PROGRAMA
  │
  ▼
Db2
  │
  ▼
PAYROLL

Talvez Vagner não tenha acesso direto ao dado.

Mas possui um caminho até ele.

Essa mudança parece pequena.

Não é.

Estamos deixando de pensar somente em permissões e começando a pensar em grafos.



🕸️ CAPÍTULO 2 — MAS O QUE DIABOS É UM GRAFO?

Nada de assustador.

Um grafo é basicamente:

NÓS + RELAÇÕES

Imagine:

VAGNER ── trabalha_em ──► EMPRESA_A

Temos dois nós:

VAGNER
EMPRESA_A

e uma relação:

trabalha_em

Agora adicionamos:

VAGNER ───── usa ───────► USER123
USER123 ─── acessa ─────► CICS01
CICS01 ─── executa ─────► PAY001
PAY001 ───── lê ────────► DB2.TABLE_X

Pronto.

Temos um pequeno grafo de segurança.

Agora imagine milhões de nós.

É aí que começa a diversão.



💰 CAPÍTULO 3 — CHARLES PONZI OLHA PARA UMA TRANSAÇÃO

Ponzi colocou uma transferência na tela:

CONTA A → R$ 49.850 → CONTA B

— Fraudulenta? — perguntou ele.

O programador analisou.

Conta existente.

Saldo suficiente.

Autenticação correta.

Transação autorizada.

Horário normal.

— Parece legítima.

Ponzi colocou outra:

CONTA C → R$ 48.970 → CONTA B

Depois:

CONTA D → R$ 51.120 → CONTA E
CONTA E → R$ 50.880 → EMPRESA X
CONTA F → R$ 49.310 → EMPRESA X
CONTA G → R$ 50.220 → EMPRESA X

Então perguntou:

— E agora?

A resposta mudou.

Não porque alguma transação individual necessariamente seja criminosa.

Mas porque surgiu um comportamento.

Essa é uma ideia fundamental:

Uma transação pode ser tecnicamente perfeita e ainda fazer parte de um comportamento que merece investigação.

O mainframe pode responder:

RACF ........ OK
CICS ........ OK
Db2 ......... OK
MQ .......... OK
SALDO ....... OK
CONTA ....... OK

E ainda assim alguma coisa pode estar errada no nível superior.



🔎 CAPÍTULO 4 — EVENTO NÃO É COMPORTAMENTO

Esse princípio vale também para cybersecurity.

Imagine:

02:13 USERX READ DATASET.A

Normal.

Depois:

02:17 USERX SUBMIT JOB77

Talvez normal.

Depois:

02:19 JOB77 ACCESS DB2.TABLE

Ainda plausível.

Depois:

02:22 MQ PUT QUEUE.EXTERNAL

Agora temos:

LOGIN
  ↓
DATASET
  ↓
JOB
  ↓
Db2
  ↓
MQ
  ↓
EXTERNAL

Individualmente:

evento → talvez normal

Coletivamente:

sequência → interessante

É aqui que SMF deixa de ser apenas auditoria e passa a ser matéria-prima para inteligência.


🐒 CAPÍTULO 5 — OS CHIMPANZÉS INVENTAM OS IFs

Ponzi perguntou:

— Como começamos?

O programador COBOL respondeu imediatamente:

IF ALGUMA-COISA-ESTRANHA
    PERFORM INVESTIGAR
END-IF

Ponzi suspirou.

— Depois dizem que COBOL está morto.

A ideia é simples.

Começamos com muitos IFs.

IF movimentação incompatível
IF empresa recém-criada
IF endereço compartilhado
IF telefone compartilhado
IF dispositivo compartilhado
IF procurador compartilhado
IF fluxo circular
IF concentração incomum
IF dispersão rápida
IF comportamento temporal incomum

Nenhum deles significa:

CRIMINOSO = TRUE

Isso seria perigosíssimo.

Eles significam:

INTERESSE-ANALITICO = INTERESSE-ANALITICO + 1

🎯 CAPÍTULO 6 — DE MILHÕES DE EVENTOS PARA QUATRO PERGUNTAS

Aqui surgiu uma das ideias centrais da nossa conversa.

Imagine:

80.000.000 eventos
        ↓
17.432 hipóteses
        ↓
correlação
        ↓
2.100
        ↓
contexto
        ↓
340
        ↓
entity resolution
        ↓
42
        ↓
fontes independentes
        ↓
4

A função da IA não deveria ser anunciar:

“ENCONTREI QUATRO CRIMINOSOS!”

Não.

A função seria dizer:

“Estas quatro estruturas merecem que investigadores humanos gastem tempo entendendo o que está acontecendo.”

Essa diferença é gigantesca.

Temos:

ANOMALIA ≠ FRAUDE
CORRELAÇÃO ≠ CAUSALIDADE
RELAÇÃO ≠ CUMPLICIDADE
HIPÓTESE ≠ EVIDÊNCIA
EVIDÊNCIA ≠ CONDENAÇÃO

Grave isso.


👥 CAPÍTULO 7 — ENTITY RESOLUTION

Agora surge outro problema.

Quem é “João”?

Temos:

JOÃO
 │
 ├── CPF
 ├── telefone
 ├── endereço
 ├── conta
 ├── cartão
 ├── empresa
 ├── dispositivo
 └── e-mail

Outra empresa utiliza o mesmo endereço.

Outra conta utiliza o mesmo telefone.

Outra pessoa utiliza o mesmo dispositivo.

Outra empresa possui o mesmo procurador.

O que pareciam cem entidades independentes talvez formem um cluster.

É isso que Entity Resolution tenta resolver:

Quais registros representam a mesma entidade ou entidades relacionadas?

Esse problema aparece em bancos, seguradoras, telecomunicações, e-commerce, segurança e inteligência.


🕸️ CAPÍTULO 8 — NÃO PROCURE SOMENTE O MAIOR NÓ

Imagine:

A ─ B ─ C
│   │   │
D ─ X ─ E
    │
F ─ G ─ H

X talvez nem movimente mais dinheiro.

Mas praticamente todos os grupos passam por ele.

Isso introduz conceitos de centralidade em grafos.

Um nó pode ser importante porque:

  • possui muitas conexões;

  • conecta comunidades diferentes;

  • aparece em muitos caminhos;

  • controla um recurso;

  • concentra relacionamentos incomuns.

Às vezes a conta movimentando R$ 100 milhões chama atenção.

Mas o contador, procurador, dispositivo ou empresa que conecta quinze estruturas aparentemente independentes pode ser analiticamente muito mais interessante.

Dinheiro mostra volume. Conectividade pode revelar estrutura.


🔄 CAPÍTULO 9 — AS 17.390 HIPÓTESES NÃO MORRERAM

Aqui nossos chimpanzés tiveram outra crise existencial.

Suponha:

17.432 hipóteses

Após análise:

42 relevantes
17.390 descartadas

DELETE?

Jamais.

Talvez:

STATUS = LOW-PRIORITY

Porque hoje temos:

X → Y

Existe explicação comercial plausível.

Baixa prioridade.

Seis meses depois:

X → Y → Z → Q
        │
        └────► NOVA ENTIDADE RELEVANTE

Subitamente aquela transação antiga ganha outro significado.

O evento não mudou.

Nosso conhecimento mudou.


🦖 CAPÍTULO 10 — SMF JÁ SABIA

Isso é deliciosamente mainframe.

Imagine que um incidente seja descoberto em setembro.

Então alguém pergunta:

“Esse usuário já havia feito isso antes?”

Você consulta registros históricos.

E encontra:

MARÇO
USERX → DATASET.A

ABRIL
USERX → JOB77

MAIO
JOB77 → MQ.X

JUNHO
USERX → USS

Na época, eram eventos aparentemente desconectados.

Agora possuem contexto.

É por isso que retenção, integridade, timestamps e correlação histórica são tão importantes.

O passado pode adquirir novo significado.


♻️ CAPÍTULO 11 — O SISTEMA COMEÇA A APRENDER

Agora temos um loop:

OBSERVAR
   ↓
HIPÓTESE
   ↓
TESTAR
   ↓
INVESTIGAR
   ↓
RESULTADO
   ↓
APRENDER
   ↓
REANALISAR
   ↺

Se uma investigação confirmar determinada estrutura, aprendemos.

Se concluir que era perfeitamente legítima, também aprendemos.

Precisamos guardar:

TRUE POSITIVE
FALSE POSITIVE
FALSE NEGATIVE
TRUE NEGATIVE

Isso permite melhorar priorização futura.

Mas existe uma armadilha.


⚠️ CAPÍTULO 12 — A IA NÃO PODE CONFIRMAR A SI MESMA

Imagine:

IA suspeita de João
       ↓
João recebe mais investigação
       ↓
coletamos mais dados sobre João
       ↓
encontramos mais coisas incomuns
       ↓
IA conclui:
"EU TINHA RAZÃO!"

Talvez não.

Quanto mais observamos alguém, maior a chance de encontrarmos alguma anomalia.

Criamos um feedback loop de viés.

Portanto precisamos separar claramente:

OBSERVAÇÃO
     │
INFERÊNCIA
     │
HIPÓTESE
     │
EVIDÊNCIA INDEPENDENTE
     │
RESULTADO INVESTIGATIVO

A hipótese produzida pela IA não pode virar evidência para confirmar a própria hipótese.


🚽 CAPÍTULO 13 — QUANDO O ESGOTO VIROU TELEMETRIA

E então nossa conversa ficou realmente estranha.

Descobrimos que pesquisadores conseguem analisar águas residuais de cidades procurando metabólitos associados ao consumo de drogas.

Para cocaína, um marcador utilizado é a benzoilecgonina (BE).

A EUDA informa que seu estudo de 2025 envolveu 115 cidades europeias. Entre as 85 com dados comparáveis entre 2024 e 2025, 48 apresentaram aumento da carga de BE; no agregado comparável, houve aumento de aproximadamente 22%.

Isso não significa identificar indivíduos.

É uma medida populacional.

Em linguagem Bellacosa:

o esgoto virou uma espécie de SMF da cidade.

😂

Temos outro sensor independente:

APREENSÕES ───────────┐
                      │
PREÇO/PUREZA ─────────┤
                      │
ESGOTO ───────────────┤
                      │
HOSPITAIS ────────────┤
                      ├──► MODELO
FLUXOS FINANCEIROS ───┤
                      │
PORTOS ───────────────┤
                      │
INTELIGÊNCIA ─────────┘

Nenhum sensor sozinho conta toda a história.

A convergência é que interessa.


🚢 CAPÍTULO 14 — O NARCOSSUBMARINO NÃO É O PROBLEMA

Outro chimpanzé olhou pela janela e perguntou:

— Como organizações criminosas conseguem construir semissubmersíveis?

Boa pergunta.

A UNODC documenta diferentes categorias de embarcações utilizadas no tráfico marítimo, incluindo Low Profile Vessels, semissubmersíveis autopropulsados e, mais raramente, veículos totalmente submersíveis. As capacidades descritas chegam a várias toneladas por embarcação.

Mas o interessante para nós não é aprender a construir uma.

É perguntar:

Que organização precisa existir para conseguir produzir e operar repetidamente algo complexo?

Um artefato pressupõe uma rede:

EMBARCAÇÃO
    ▲
    │
engenharia
    │
materiais
    │
fornecedores
    │
financiamento
    │
pessoas
    │
conhecimento
    │
logística
    │
origem ───────────── destino

Portanto:

Não procure apenas o objeto produzido pela organização. Procure a organização capaz de produzir o próximo.

Isso vale para cybersecurity.

Encontrar um malware não significa necessariamente eliminar o grupo capaz de criar outro.

Bloquear um usuário comprometido não elimina necessariamente o caminho utilizado para comprometê-lo.


🧠 CAPÍTULO 15 — CONHECIMENTO TAMBÉM É UM ATIVO

Uma organização complexa aprende.

Algo parecido com:

MISSÃO
  ↓
RESULTADO
  ↓
FEEDBACK
  ↓
APRENDIZADO
  ↓
PRÓXIMA MISSÃO

Isso é organizational learning.

A embarcação pode desaparecer.

Uma carga pode ser apreendida.

Um operador pode ser preso.

Mas se permanecerem:

CAPITAL
+
CONHECIMENTO
+
FORNECEDORES
+
RELACIONAMENTOS
+
LOGÍSTICA

a capacidade pode ser reconstruída.

É exatamente a diferença entre:

destruir uma instância

e:

eliminar a capacidade de criar novas instâncias

Programadores entendem isso imediatamente.

Você matou um processo.

Mas quem continua fazendo:

START TASK

?


🏛️ CAPÍTULO 16 — MAS O ESTADO NÃO PENSA NISSO?

Aqui tivemos outra pergunta importante.

Se uma pessoa tomando café consegue chegar a essas ideias, por que autoridades não fariam o mesmo?

Fazem.

O Brasil possui estruturas de inteligência financeira e cooperação institucional. O Coaf, por exemplo, utiliza processos automatizados de classificação de risco e posteriormente análise aprofundada por analistas; informações recebidas permanecem em sua base e podem ganhar relevância quando confrontadas com novos dados.

Somente em 2025 foram produzidos 20.548 Relatórios de Inteligência Financeira (RIFs).

Ou seja:

DADOS
 ↓
RISCO
 ↓
PRIORIZAÇÃO
 ↓
ANALISTA
 ↓
RIF

Nossa ideia não nasceu em Marte.

O desafio é escala, integração e efetividade.


🧱 CAPÍTULO 17 — O CRIMINOSO NÃO RESPEITA ORGANOGRAMA

Uma organização estatal pode possuir:

POLÍCIA
RECEITA
COAF
BANCO CENTRAL
CVM
MINISTÉRIO PÚBLICO
JUDICIÁRIO
ESTADOS
MUNICÍPIOS

Cada qual com competências, sistemas, autorizações e limites legais.

A rede criminosa não precisa respeitar essas fronteiras.

Ela pensa simplesmente:

DINHEIRO
  ↓
PESSOA
  ↓
EMPRESA
  ↓
TRANSPORTE
  ↓
OUTRA EMPRESA
  ↓
OUTRO PAÍS

Essa assimetria é importantíssima.

O FATF/GAFILAT reconheceu avanços brasileiros em avaliação de risco, cooperação internacional e coordenação, mas também apontou necessidade de fortalecer cooperação entre determinadas autoridades — particularmente polícia, Ministério Público e administração tributária — e melhorar a persecução da lavagem de dinheiro.

Portanto:

o problema não é necessariamente ausência de inteligência. Pode ser dificuldade de transformar inteligências distribuídas em uma visão operacional integrada.

Isso parece familiar?

Claro.

É um problema de integração de sistemas.


🦖 CAPÍTULO 18 — O PROGRAMADOR COBOL FINALMENTE ENTENDE

Imagine:

SISTEMA-A
SISTEMA-B
SISTEMA-C
SISTEMA-D

Cada um possui dados excelentes.

Mas nenhum conversa adequadamente com os demais.

Programadores mainframe conhecem essa história desde antes de muita gente nascer.

O desafio passa a ser:

EXTRACT
   ↓
NORMALIZE
   ↓
CORRELATE
   ↓
RESOLVE ENTITY
   ↓
BUILD GRAPH
   ↓
ANALYZE

De repente, décadas trabalhando com sistemas corporativos deixam de ser apenas experiência em tecnologia antiga.

Viraram experiência em:

dados críticos, integração, identidade, transações, auditoria, consistência e processamento em escala.


🛡️ CAPÍTULO 19 — NASCE O BELLACOSA MAINFRAME SECURITY

Nossa trilha começou assim:

SECURITY 101

RACF
 ↓
USS
 ↓
CICS
 ↓
Db2
 ↓
MQ
 ↓
TCP/IP
 ↓
TLS

Depois:

SECURITY 201

ICSF / PKI
 ↓
SMF
 ↓
SIEM
 ↓
MITRE ATT&CK
 ↓
DevSecOps
 ↓
API Security
 ↓
Cloud Security

E finalmente:

SECURITY 301

Threat Hunting
 ↓
Incident Response
 ↓
UEBA
 ↓
Graph Analytics
 ↓
Entity Resolution
 ↓
Fraud Analytics
 ↓
Threat Intelligence
 ↓
AI Security

Agora a pergunta mudou.

Não queremos somente saber:

Quem possui acesso?

Queremos saber:

O que essa identidade consegue fazer?

Depois:

Esse comportamento é normal?

Depois:

Com quem essa entidade está relacionada?

E finalmente:

Qual estrutura aparece quando observamos todas essas relações conjuntamente?


🤖 CAPÍTULO 20 — A IA DOMÉSTICA E A IA INSTITUCIONAL

Durante nossa conversa fizemos algo curioso.

Humano:

"e se...?"

IA:

"plausível, mas..."

Humano:

"então talvez..."

IA:

"vamos testar..."

E repetimos.

Isso cria:

HUMANO
  ↓
HIPÓTESE
  ↓
IA
  ↓
CONFRONTO
  ↓
CONTRADIÇÃO
  ↓
REFINAMENTO
  ↓
NOVA HIPÓTESE
  ↺

Agora imagine isso dentro de uma organização, trabalhando somente sobre dados aos quais ela esteja legalmente autorizada a acessar.

A diferença não seria uma IA “sem limites”.

Seria:

IA
+
DADOS AUTORIZADOS
+
GRAPH
+
MEMÓRIA
+
AUDITORIA
+
ANALISTAS

Muito mais poderoso.

E também muito mais perigoso se mal governado.

Por isso precisaríamos praticamente de um RACF para a própria IA:

WHO
 ↓
ACCESSED WHAT
 ↓
WHY
 ↓
UNDER WHICH AUTHORITY
 ↓
WHAT WAS INFERRED
 ↓
WHAT WAS DECIDED
 ↓
WHO APPROVED
 ↓
AUDIT

🔐 CAPÍTULO 21 — ZERO TRUST PARA A INTELIGÊNCIA

Uma IA investigativa não deveria possuir:

SPECIAL
OPERATIONS
AUDITOR

tudo ao mesmo tempo.

😂

Precisamos de:

  • least privilege;

  • segregação de funções;

  • trilha de auditoria;

  • controle de acesso;

  • retenção adequada;

  • justificativa de consulta;

  • proteção de dados;

  • revisão humana;

  • cadeia de custódia;

  • controles contra abuso.

A mesma filosofia usada para proteger sistemas críticos deve proteger a ferramenta utilizada para investigá-los.


🔁 CAPÍTULO 22 — O GRANDE PERFORM UNTIL

Finalmente Ponzi voltou ao terminal.

— Então qual é o algoritmo?

O programador COBOL começou a escrever:

PERFORM UNTIL INVESTIGATION-COMPLETE

    PERFORM COLLECT-OBSERVATIONS

    PERFORM GENERATE-HYPOTHESES

    PERFORM TEST-HYPOTHESES

    PERFORM FIND-CONTRADICTIONS

    PERFORM CORRELATE-ENTITIES

    PERFORM PRIORITIZE

    PERFORM HUMAN-REVIEW

    PERFORM LEARN-FROM-RESULTS

    PERFORM REANALYZE-HISTORY

END-PERFORM.

Ponzi olhou.

— Isso compila?

— Provavelmente não.

— Então para que serve?

— Para explicar o conceito.


🧪 CAPÍTULO 23 — COMO EXPERIMENTAR ISSO SEM INVESTIGAR NINGUÉM

Aqui existe um excelente projeto educacional.

Crie dados inteiramente sintéticos.

Por exemplo:

50.000 pessoas fictícias
10.000 empresas fictícias
200.000 contas fictícias
5.000.000 transações fictícias

Introduza artificialmente alguns padrões conhecidos no dataset.

Depois tente encontrá-los.

Pipeline:

1. GERAR DADOS
      ↓
2. CRIAR ENTIDADES
      ↓
3. CRIAR RELAÇÕES
      ↓
4. INTRODUZIR PADRÕES
      ↓
5. ESCONDER A RESPOSTA
      ↓
6. EXECUTAR DETECÇÃO
      ↓
7. CRIAR GRAFO
      ↓
8. PRIORIZAR CLUSTERS
      ↓
9. MEDIR FALSOS POSITIVOS
      ↓
10. RETROALIMENTAR

Isso permitiria estudar graph analytics, IA e detecção sem acusar pessoas reais nem manipular dados sensíveis.


💡 CAPÍTULO 24 — DICA PARA O PROGRAMADOR COBOL

Não tente aprender tudo simultaneamente.

Comece pelas coisas que você já conhece.

Primeiro:

RACF.

Depois:

SMF.

Pergunte:

Quem fez o quê, quando e usando qual identidade?

Depois leve os eventos para um SIEM.

Aprenda correlação.

Depois aprenda Python suficiente para analisar dados.

Depois SQL.

Depois fundamentos de grafos.

Depois uma linguagem de consulta de grafos.

Depois:

  • anomaly detection;

  • entity resolution;

  • UEBA;

  • threat intelligence;

  • machine learning;

  • LLMs aplicados à análise.

Seu conhecimento COBOL não é obstáculo.

É vantagem.

Você já sabe que:

INPUT
 ↓
VALIDATION
 ↓
PROCESSING
 ↓
STATE CHANGE
 ↓
OUTPUT
 ↓
LOG

Todo sistema transacional sério faz alguma variação disso.


🧠 CAPÍTULO 25 — A GRANDE LIÇÃO DOS CHIMPANZÉS

No começo da conversa tínhamos perguntas aparentemente desconectadas.

Crime organizado.

Fintech.

Bancos.

Lavagem.

Política.

Produção agrícola.

Rotas.

Semissubmersíveis.

Águas residuais.

Mainframe.

SMF.

Grafos.

IA.

Parecia uma bagunça.

Até percebermos:

TODOS SÃO SISTEMAS

Sistemas possuem:

ENTIDADES
RELAÇÕES
ENTRADAS
SAÍDAS
ESTADO
DEPENDÊNCIAS
GARGALOS
TELEMETRIA
ANOMALIAS

E isso muda completamente nossa maneira de olhar problemas.


🎁 EASTER EGG — O COPYBOOK DE PONZI

Antes de ir embora, Ponzi deixou um copybook sobre a mesa:

       01 WS-INVESTIGATION.
          05 WS-HYPOTHESIS          PIC X(100).
          05 WS-CONFIDENCE          PIC 9(03).
          05 WS-EVIDENCE-COUNT      PIC 9(05).
          05 WS-CONTRADICTION-COUNT PIC 9(05).
          05 WS-STATUS              PIC X(10).

             88 HYPOTHESIS-WEAK     VALUE 'WEAK'.
             88 HYPOTHESIS-ACTIVE   VALUE 'ACTIVE'.
             88 HYPOTHESIS-REFUTED  VALUE 'REFUTED'.
             88 NEEDS-HUMAN         VALUE 'REVIEW'.

Na última linha havia um comentário:

      *-------------------------------------------------------*
      * NEVER MOVE 'GUILTY' TO WS-STATUS.                    *
      * THAT FIELD BELONGS TO DUE PROCESS, NOT TO THIS JOB.   *
      *-------------------------------------------------------*

O programador sorriu.

Finalmente Ponzi tinha produzido alguma coisa que ele confiaria em produção.


☕ EPÍLOGO — NÃO PROCURE O CRIMINOSO. PROCURE A PERGUNTA CERTA.

Talvez essa tenha sido a principal descoberta dessa viagem.

Um sistema de inteligência moderno não precisa começar sabendo a resposta.

Ele precisa conseguir perguntar:

“E se?”

Depois:

“Que evidência sustentaria isso?”

Depois:

“Que evidência destruiria essa hipótese?”

Depois:

“Existem fontes independentes apontando para a mesma estrutura?”

Depois:

“Qual explicação legítima também produziria esse comportamento?”

E somente depois:

“Vale gastar tempo humano investigando isso?”

É uma mudança brutal.

De:

ENCONTRE O CULPADO

para:

ENCONTRE AS MELHORES PERGUNTAS

É exatamente aí que IA e inteligência humana podem formar uma simbiose poderosa.

O humano possui algo maravilhoso:

curiosidade.

Ele olha para um problema e pergunta:

“Mas espere... e se?”

A máquina possui outra capacidade:

escala.

Ela pode procurar essa possibilidade em milhões de registros.

O humano volta:

“Isso não prova nada. Que outra explicação existe?”

A máquina testa novamente.

E nasce o loop:

              HUMANO
                 │
              pergunta
                 ↓
                IA
                 │
               dados
                 ↓
               GRAFO
                 │
             hipótese
                 ↓
           contradições
                 │
                 ▼
              HUMANO
                 │
             nova pergunta
                 │
                 └──────────────↺

Talvez o futuro da inteligência não seja uma super-IA dizendo aos humanos o que aconteceu.

Talvez seja algo muito mais interessante:

um humano extremamente curioso fazendo perguntas cada vez melhores enquanto uma máquina extremamente paciente verifica milhões de possibilidades.

E para o programador COBOL iniciante existe uma deliciosa ironia.

Passamos décadas escrevendo:

IF ...
    PERFORM ...
END-IF

Agora estamos descobrindo que algumas das perguntas mais difíceis de segurança, fraude e inteligência do século XXI continuam começando exatamente da mesma maneira:

IF isso estiver relacionado àquilo...

    o que mais deveria ser verdade?

Não execute a sentença.

Execute a investigação.

☕ Bellacosa Mainframe Security

Porque proteger o computador é importante.

Mas compreender o sistema que existe ao redor dele é muito mais interessante.

sexta-feira, 11 de setembro de 2020

💀 ARC E O SMF DA EMPRESA INTEIRA — COMO CONSTRUIR A CAIXA-PRETA CORPORATIVA SEM CRIAR O BIG BROTHER

 
Bellacosa Mainframe analisando logs

☕ UM CAFÉ NO BELLACOSA MAINFRAME

💀 ARC E O SMF DA EMPRESA INTEIRA — COMO CONSTRUIR A CAIXA-PRETA CORPORATIVA SEM CRIAR O BIG BROTHER

SMF, COBOL, RACF, CICS, Db2, IAM, APIs, Cloud, EDR, SIEM, OpenTelemetry, grafos, Zero Trust, fraude, privacidade — e o dia em que Arc descobriu que investigar um incidente não significa vigiar uma pessoa.



🎬 PRÓLOGO — ARC ENCONTROU UMA DUNGEON MUITO ESTRANHA

Arc já havia acordado em mundos piores.

Virar um cavaleiro esqueleto gigantesco usando uma armadura pesada definitivamente não estava entre as experiências mais comuns de um programador.

Mas aquilo era diferente.

Não havia goblins.

Não havia dragões.

Não havia necromantes.

Na frente dele existia apenas um terminal 3270.

Na tela:

SDSF PRIMARY OPTION MENU

COMMAND INPUT ===>

Arc aproximou-se.

— Bellacosa-san... que espécie de magia ancestral é essa?

— Isso, meu caro esqueleto, é um mainframe.

Arc colocou a mão sobre a espada.

— Parece perigoso.

— E é. Digite qualquer coisa errada em produção numa sexta-feira às 17:58 e você descobrirá.

Arc prudentemente afastou a mão do teclado.

Foi então que apareceu nossa missão.

Uma empresa havia identificado uma transferência financeira suspeita.

O dinheiro passara por vários sistemas:

Internet
   ↓
API Gateway
   ↓
Cloud
   ↓
MQ
   ↓
CICS
   ↓
COBOL
   ↓
Db2
   ↓
Pagamento

O problema era descobrir:

o que aconteceu antes da transferência?

Arc perguntou:

— Não existe algum registro dizendo isso?

Sorri.

— Existe uma coisa no mainframe chamada SMF.

— Então basta consultar o SMF?

— Não exatamente. Porque metade da história aconteceu fora do mainframe.

Arc olhou novamente para o terminal.

E então nasceu nossa pergunta:

🕵️ QUAL SERIA O “SMF” DE UMA EMPRESA INTEIRA?



🦖 CAPÍTULO 1 — PRIMEIRO: O QUE DIABOS É SMF?

Se você está começando em COBOL e z/OS, provavelmente encontrará cedo ou tarde estas três letras:

SMF — System Management Facilities.

Simplificando bastante, podemos imaginar o SMF como um enorme mecanismo de registro de eventos do z/OS.

O sistema operacional e diversos componentes podem produzir registros descrevendo acontecimentos importantes.

Por exemplo:

JOB iniciou
JOB terminou
STEP executou
recurso foi utilizado
atividade de segurança ocorreu
dataset foi acessado
subsistema executou determinada operação

Esses registros possuem estruturas conhecidas.

Existem diferentes tipos e subtipos de registros SMF.

O resultado é algo extraordinariamente importante para operação, capacidade, auditoria, segurança, accounting, performance e investigação.

Imagine:

14:03:11 USER01 submeteu JOB12345
14:03:12 JOB12345 iniciou
14:03:13 STEP01 executou PROG001
14:03:14 PROG001 acessou recursos
14:03:18 STEP01 terminou
14:03:19 JOB12345 terminou

Agora imagine que algo deu errado.

Você pode reconstruir parte da história.

Essa palavra será fundamental durante todo este artigo:

história.

Porque segurança moderna não deveria procurar apenas eventos isolados.

Ela deveria conseguir reconstruir sequências de acontecimentos.



🧙 CAPÍTULO 2 — ARC DESCOBRE QUE O MUNDO DISTRIBUÍDO É UMA BAGUNÇA

Arc achou aquilo simples.

— Então instalamos SMF em todos os computadores!

Infelizmente não funciona assim.

O ambiente corporativo moderno pode possuir:

Windows
Linux
macOS
Android
iOS
Azure
AWS
Google Cloud
Kubernetes
firewalls
VPN
ZTNA
Active Directory
Entra ID
API Gateways
Kafka
MQ
Oracle
Db2
PostgreSQL
CICS
IMS
z/OS
aplicações Java
aplicações COBOL
SaaS
e-mail
sistemas financeiros
controle de acesso físico

Cada plataforma produz seus próprios registros.

Pior:

cada uma fala seu próprio dialeto.

Uma pode registrar:

USER=JOAO

Outra:

principal=j.silva@empresa

Outra:

uid=83921

Outra:

RACFID=JSILVA

Talvez sejam todos a mesma pessoa.

Talvez não.

Bem-vindo à primeira dungeon.



🧩 CAPÍTULO 3 — O PROBLEMA NÃO É TER LOGS

Grandes empresas normalmente possuem uma quantidade monstruosa de logs.

A dificuldade é responder:

Como relacionar acontecimentos espalhados por dezenas de tecnologias?

Imagine nosso funcionário fictício USER042.

Às 08:01:

PHYSICAL ACCESS

identity=USER042
door=HQ-ENTRANCE
result=GRANTED

Às 08:07:

IAM

identity=USER042
device=NOTEBOOK221
action=LOGIN
result=SUCCESS

08:13:

EMAIL

identity=USER042
action=OPEN_ATTACHMENT
message=M882193

08:14:

EDR

device=NOTEBOOK221
parent=OUTLOOK.EXE
process=POWERSHELL.EXE

08:15:

IAM

identity=USER042
action=TOKEN_REQUEST
application=CLOUD

08:17:

API

identity=USER042
endpoint=/customer/export
status=200

08:18:

DB2

authid=APISRV1
table=CUSTOMER
operation=SELECT
rows=284931

Separadamente, temos sete registros.

Mas Arc colocou os registros sobre a mesa e enxergou outra coisa:

EMAIL
  ↓
ATTACHMENT
  ↓
ENDPOINT
  ↓
POWERSHELL
  ↓
TOKEN
  ↓
API
  ↓
DB2
  ↓
284.931 ROWS

Agora temos uma narrativa técnica.

E isso muda completamente a investigação.



🔗 CAPÍTULO 4 — CORRELAÇÃO É A VERDADEIRA MAGIA

Pense numa aplicação moderna chamando um programa COBOL.

O usuário abre o navegador:

Browser

que chama:

API Gateway

que chama:

Java Microservice

que publica:

IBM MQ

que aciona:

CICS

que executa:

PROGCOB1

que finalmente executa:

UPDATE CONTA
   SET SALDO = ...

no Db2.

Cada plataforma pode conhecer apenas seu pedaço.

O navegador conhece uma sessão.

A API conhece uma requisição.

MQ conhece uma mensagem.

CICS conhece uma transação.

COBOL conhece dados recebidos.

Db2 conhece determinado acesso.

Precisamos transportar identificadores que permitam correlacionar tudo isso.

Algo conceitualmente semelhante a:

event_id
timestamp
actor_id
device_id
session_id
trace_id
transaction_id
source
target
action
result

Imagine:

TRACE-ID=ABC99172

atravessando:

API
 ↓
Java
 ↓
MQ
 ↓
CICS
 ↓
COBOL
 ↓
Db2

Agora podemos reconstruir a jornada.

Essa ideia aproxima o velho universo transacional do mainframe das técnicas modernas de distributed tracing.

O OpenTelemetry trabalha justamente com conceitos de traces, métricas e logs e com convenções semânticas destinadas a tornar a telemetria mais consistente entre tecnologias.

O velho COBOLzeiro pode olhar isso e pensar:

— Rapaz... o mundo inventou um negócio sofisticado para descobrir por onde passou uma transação.

Sim.

Bem-vindo ao século XXI.

😎


💀 CAPÍTULO 5 — ARC DESCOBRE O CORPORATE SMF

Vamos dar um nome à nossa arquitetura:

CORPORATE EVENT FABRIC

Ela receberia eventos de diferentes domínios:

IAM ───────────────┐
Endpoint ──────────┤
E-mail ────────────┤
Network ───────────┤
Cloud ─────────────┤
API ───────────────┤
Applications ──────┤
Databases ─────────┼──► EVENT FABRIC
Payments ──────────┤
Physical Access ───┤
Kafka/MQ ──────────┤
RACF ──────────────┤
CICS ──────────────┤
Db2 ───────────────┤
SMF ───────────────┘

Mas atenção.

Isso não significa simplesmente:

“Jogue todos os logs num SIEM.”

O SIEM seria apenas um dos consumidores.

Outros poderiam ser:

SOC
Incident Response
Fraud Detection
Forensics
IAM
Zero Trust
Compliance
Observability
SOAR
AI Agents

O Corporate Event Fabric seria uma espécie de memória factual corporativa.


👁️ CAPÍTULO 6 — E NASCE O BIG BROTHER

Arc ficou animado.

— Então podemos registrar absolutamente tudo!

Silêncio na sala.

— Arc...

— Sim?

— Foi exatamente aí que você quase criou o vilão da história.

Porque tecnicamente poderíamos produzir:

08:01 funcionário entrou
08:07 ligou notebook
08:11 abriu e-mail
08:31 acessou sistema
09:17 imprimiu documento
09:31 saiu da sala
09:47 entrou em outra sala
10:02 retornou

Isso seria extraordinariamente poderoso para investigação.

Mas poderia facilmente virar:

FUNCIONÁRIO FICOU 47 MINUTOS INATIVO.

FUNCIONÁRIO CHEGOU 11 MINUTOS ATRASADO.

FUNCIONÁRIO FOI AO BANHEIRO 6 VEZES.

Acabamos de atravessar uma fronteira.

Saímos de:

observabilidade

para:

vigilância.

A diferença não é apenas tecnológica.

É arquitetural, organizacional, jurídica, ética e cultural.


🛡️ CAPÍTULO 7 — REGISTRE EVENTOS, NÃO VIDAS

Aqui surge uma regra fundamental.

O Corporate SMF não deveria perguntar constantemente:

Onde está João?

Ele deveria registrar acontecimentos necessários para finalidades claramente estabelecidas.

Por exemplo, talvez não seja necessário armazenar:

VAGNER entrou no DATACENTER.

Podemos registrar:

actor=ENTITY-A91F27
zone=DATACENTER
action=ENTRY
result=GRANTED
timestamp=02:14:31

A relação:

ENTITY-A91F27 = pessoa real

pode ficar protegida em outro domínio.

Somente uma investigação devidamente autorizada poderia solicitar a resolução da identidade.

Isso cria algo muito interessante:

pseudonimização operacional.

O sistema consegue correlacionar:

ENTITY-A91F27

através de vários eventos sem necessariamente revelar imediatamente quem está por trás daquele identificador.


🧅 CAPÍTULO 8 — AS TRÊS CAMADAS DA CEBOLA DE ARC

Arc sugeriu dividir a arquitetura.

Desta vez o esqueleto acertou.

Camada 1 — EVIDENCE

Aqui registramos fatos.

event_id=9917821
actor=ENTITY-A91F27
device=DEVICE-882
action=READ
resource=DB:CUSTOMER
result=SUCCESS
timestamp=...

Nada de:

USER_IS_EVIL=YES

ou:

EMPLOYEE_SUSPICIOUS=87%

O evento deve dizer:

o que aconteceu.


Camada 2 — DETECTION

Agora podemos correlacionar acontecimentos.

Exemplo:

NEW DEVICE
+
UNUSUAL HOUR
+
PRIVILEGE ELEVATION
+
MASSIVE EXPORT

Resultado:

RISK_EVENT=R991

Observe a diferença.

Não estamos dizendo:

USER=CRIMINAL

Estamos dizendo:

ESTA SEQUÊNCIA MERECE INVESTIGAÇÃO.

Isso é profundamente diferente.


Camada 3 — INVESTIGATION

Somente uma investigação autorizada acessaria uma timeline ampliada:

RISK_EVENT
     ↓
RELATED EVENTS
     ↓
DEVICES
     ↓
IDENTITIES
     ↓
RESOURCES
     ↓
FULL TIMELINE

Assim separamos:

registro factual → detecção → investigação.


🕸️ CAPÍTULO 9 — ARC ENTRA NA DUNGEON DOS GRAFOS

Agora vem uma das partes mais interessantes.

Não pense apenas em linhas de log.

Pense em nós e relacionamentos.

Temos:

USER
DEVICE
TOKEN
GROUP
API
APPLICATION
QUEUE
CICS TRANSACTION
COBOL PROGRAM
DATABASE
ACCOUNT
PAYMENT

E relações:

USER ─uses────────► DEVICE

USER ─member_of───► GROUP

USER ─owns────────► TOKEN

TOKEN ─calls──────► API

API ─publishes────► MQ

MQ ─triggers──────► CICS

CICS ─executes────► COBOL

COBOL ─accesses───► DB2

Isso cria um Event Graph.

Mas podemos ir mais longe.

Podemos combinar:

IDENTITY GRAPH
+
PRIVILEGE GRAPH
+
RESOURCE GRAPH
+
EVENT GRAPH
+
TEMPORAL GRAPH

Aí a investigação muda completamente.

Em vez de procurar:

USER042

em 38 ferramentas diferentes, perguntamos:

Quais caminhos relacionam USER042 ao pagamento PAY991 durante a janela de 30 minutos anterior ao evento?

Isso é praticamente investigação forense como graph traversal.


💰 CAPÍTULO 10 — FRAUDE DEIXA DE SER UMA TRANSAÇÃO

Sistemas antifraude tradicionalmente podem observar algo como:

PIX
valor=800000
destino=NOVO
horario=02:11

E calcular risco.

Mas nosso Corporate SMF permite perguntar:

O que aconteceu antes desse PIX?

Talvez encontremos:

01:51 phishing
       ↓
01:55 attachment opened
       ↓
01:56 PowerShell
       ↓
02:01 credential/token
       ↓
02:03 VPN
       ↓
02:07 privilege elevation
       ↓
02:09 API
       ↓
02:10 MQ
       ↓
02:10 CICS
       ↓
02:10 COBOL
       ↓
02:11 PAYMENT

Agora a pergunta deixou de ser:

“Esta transação é estranha?”

Passou a ser:

“Qual história produziu esta transação?”

Essa mudança é gigantesca.


🏢 CAPÍTULO 11 — QUANDO O MUNDO FÍSICO ENCONTRA O DIGITAL

Controle físico pode enriquecer investigações.

Imagine:

02:03 VPN LOGIN
country=BR

e simultaneamente:

02:04 BADGE ENTRY
location=LONDON

Não precisamos concluir automaticamente:

FRAUDE!

Talvez exista explicação.

Credencial compartilhada.

Erro de relógio.

Sistema de badge mal integrado.

VPN.

Conta técnica.

Evento duplicado.

Mas podemos produzir:

ANOMALY:
incompatible physical/digital presence

O sistema apresenta a inconsistência.

O investigador decide o significado.

Essa separação é fundamental.


🔐 CAPÍTULO 12 — ZERO TRUST ENCONTRA O CORPORATE SMF

Antigamente poderíamos pensar:

LOGIN SUCCESS
     ↓
TRUSTED

Zero Trust muda isso.

A autenticação é apenas uma evidência.

Podemos ter:

IDENTITY      OK
DEVICE        OK
MFA           OK
LOCATION      UNUSUAL
RESOURCE      CRITICAL
BEHAVIOR      UNUSUAL
TRANSACTION   HIGH VALUE

A política poderia responder:

STEP-UP AUTHENTICATION

ou:

ALLOW + MONITOR

ou:

DENY

O Corporate Event Fabric fornece contexto para decisões desse tipo.


📦 CAPÍTULO 13 — NÃO COPIE O UNIVERSO

Outro princípio fundamental:

metadado antes de conteúdo.

No e-mail talvez precisemos registrar:

sender_hash
recipient_hash
message_id
attachment_hash
attachment_type
timestamp
delivery_result

Não precisamos necessariamente guardar:

BODY COMPLETO DO EMAIL

Para banco de dados, talvez seja suficiente:

actor
database
table
operation
rows
query_fingerprint

em vez de copiar:

CPF
SALARIO
ENDERECO
DADOS PESSOAIS

O Corporate SMF deveria saber que uma interação ocorreu.

Não necessariamente possuir uma cópia de tudo que participou dela.

Isso reduz:

  • exposição;

  • armazenamento;

  • impacto de vazamentos;

  • risco de privacidade;

  • complexidade regulatória.


🧊 CAPÍTULO 14 — HOT, WARM, COLD E ARCHIVE

Existe ainda um problema brutal:

volume.

Uma empresa grande pode gerar quantidades absurdas de eventos.

Portanto podemos trabalhar com camadas:

HOT
alta resolução
horas/dias

WARM
eventos normalizados
semanas/meses

COLD
eventos relevantes
meses/anos

ARCHIVE
retenção regulatória

E existe uma técnica particularmente interessante:

Progressive Evidence Preservation

Normalmente:

TELEMETRY=NORMAL

Surge um incidente:

RISK DETECTED

Então aumentamos temporariamente:

TELEMETRY=DETAILED

e preservamos evidências relacionadas.

É quase como colocar:

DISPLAY TRACE=ON

quando algo começa a cheirar estranho.

O velho operador de mainframe já conhece essa filosofia há décadas.


🧨 CAPÍTULO 15 — MAS E SE O ATACANTE APAGAR O LOG?

Arc levantou a mão.

— Mestre, se eu dominar o servidor, posso apagar meus rastros?

Muito bem observado.

Se o atacante controla:

SERVER01

não podemos depender exclusivamente de:

SERVER01.LOG

O ideal é transportar eventos rapidamente para outro domínio:

SERVER01
    │
    ▼
COLLECTOR
    │
    ▼
IMMUTABLE EVENT STORE

Podemos acrescentar mecanismos como:

append-only
WORM
hashing
signatures
restricted deletion
segregation of duties
independent credentials

E surge uma regra deliciosa:

O CORPORATE SMF PRECISA TER UM SMF DO CORPORATE SMF.

Sim.

Recursão.

😎

Se alguém alterar políticas de retenção:

registre.

Se alguém consultar uma investigação:

registre.

Se alguém exportar eventos:

registre.

Se alguém tentar apagar eventos:

registre.


🕵️ CAPÍTULO 16 — QUEM VIGIA O INVESTIGADOR?

Aqui mora um dos controles mais importantes.

Imagine:

SEARCH

employee=FULANO
period=365 days

Essa consulta é extremamente invasiva.

Portanto ela também deveria gerar evidência:

AUDIT_ACCESS

investigator=SECURITY17
case=INC82991
reason=FRAUD
scope=TIMELINE
timestamp=...

Para casos especialmente sensíveis poderíamos exigir:

SOC
 +
COMPLIANCE
 +
CASE-ID

antes de revelar identidade.

É o princípio das duas chaves.

Nenhum administrador deveria possuir sozinho o equivalente corporativo a:

SELECT *
FROM HUMANITY;

Arc tentou executar.

Resultado:

SQLCODE = -911

REASON:
DIVINE PRIVACY DEADLOCK

Eis nosso easter egg.


🧭 CAPÍTULO 17 — COMO COMEÇAR SEM CRIAR UM DATA LAKE DE LIXO

Erro clássico:

“Vamos coletar tudo!”

Seis meses depois:

PETABYTES DE LOG
+
FATURA DE CLOUD
+
NINGUÉM SABE O QUE PROCURAR

Comece com perguntas.

Passo 1 — Identidade

QUEM?

Passo 2 — Dispositivo

DE ONDE?

Passo 3 — Recurso

ACESSOU O QUÊ?

Passo 4 — Ação

FEZ O QUÊ?

Passo 5 — Resultado

FUNCIONOU?

Só depois acrescente contexto.

Uma implementação poderia evoluir assim:

FASE 1
IAM + Endpoint + VPN

FASE 2
Cloud + API + Network

FASE 3
Applications + Databases + MQ/Kafka

FASE 4
RACF + SMF + CICS + IMS + Db2

FASE 5
Payments + Email Metadata + Physical Access

Cada nova fonte precisa responder:

Qual pergunta de segurança, operação, auditoria ou investigação isso nos ajuda a responder?

Se a resposta for:

“Nenhuma, mas o log existe.”

Talvez não devamos ingeri-lo.


🪪 CAPÍTULO 18 — A DUNGEON MAIS DIFÍCIL: IDENTIDADE

João pode ser:

joao.silva
jsilva
JOSILVA
U883921
RACF=JSILVA
badge=192882
email=joao.silva@...

Tudo pode representar uma pessoa.

Mas:

APISRV1

pode representar uma aplicação.

E:

CERTIFICATE-X91

pode representar uma workload.

Precisamos distinguir:

HUMAN IDENTITY
SERVICE IDENTITY
DEVICE IDENTITY
WORKLOAD IDENTITY
APPLICATION IDENTITY

Daí surge o Identity Graph.

PERSON
 ├── RACF ID
 ├── CLOUD ID
 ├── EMAIL ID
 ├── BADGE ID
 └── DEVICE LOGIN

Enquanto:

APPLICATION
 ├── SERVICE ACCOUNT
 ├── CERTIFICATE
 ├── API KEY
 └── WORKLOAD ID

Sem essa resolução, correlação corporativa rapidamente vira caos.


⚠️ CAPÍTULO 19 — ANOMALIA NÃO É CULPA

Esse princípio merece letras garrafais:

UMA ANOMALIA É UMA PERGUNTA, NÃO UMA SENTENÇA.

Suponha:

login 03:00
+
new device
+
large export

Pode ser ataque.

Pode ser administrador trabalhando numa emergência.

Pode ser processo automatizado mal classificado.

Pode ser migração.

Pode ser teste.

Pode ser erro de relógio.

Pode ser falso positivo.

Portanto:

EVENT
   ↓
CORRELATION
   ↓
ANOMALY
   ↓
INVESTIGATION
   ↓
CONCLUSION

Nunca:

ANOMALY
   ↓
GUILTY

Essa distinção protege pessoas e melhora a própria segurança.


👁️ CAPÍTULO 20 — OBSERVABILIDADE NÃO É VIGILÂNCIA

Finalmente Arc compreendeu a diferença.

Observabilidade corporativa

Pergunta:

O que aconteceu com o sistema?

Características:

event-centric
resource-centric
purpose-limited
security-oriented
auditable

Vigilância corporativa

Pergunta:

O que esta pessoa está fazendo o tempo inteiro?

Características:

person-centric
continuous
open-ended
behavioral

Uma arquitetura saudável deveria possuir barreiras explícitas contra usos incompatíveis com sua finalidade.

O fato de ser tecnicamente possível inferir algo não significa que devamos fazê-lo.

Essa talvez seja a maior lição deste artigo.


💀 CAPÍTULO 21 — ARC FINALMENTE ENXERGA A DUNGEON INTEIRA

No final da investigação tínhamos:

              CORPORATE MEMORY

 IAM ───────────────┐
 Endpoint ──────────┤
 Network ───────────┤
 Cloud ─────────────┤
 API ───────────────┤
 Application ───────┤
 Database ──────────┼──► NORMALIZATION
 Payments ──────────┤          │
 Email Metadata ────┤          ▼
 Physical Access ───┤      EVENT GRAPH
 MQ/Kafka ──────────┤          │
 RACF/CICS/Db2 ─────┤          ▼
 SMF ───────────────┘     CORRELATION
                               │
                      ┌────────┴────────┐
                      ▼                 ▼
                  DETECTION       INVESTIGATION
                      │                 │
                      └────────┬────────┘
                               ▼
                            EVIDENCE

Mas poderíamos descrevê-lo ainda melhor:

CORPORATE SMF
      =
EVENT STORE
      +
IDENTITY GRAPH
      +
PRIVILEGE GRAPH
      +
RESOURCE GRAPH
      +
TEMPORAL GRAPH
      +
GOVERNANCE

E perceba a última palavra.

Governance.

Sem ela, construímos o Big Brother.

Com ela, podemos construir uma poderosa caixa-preta corporativa.


☕ EPÍLOGO — O QUE O MAINFRAME JÁ SABIA

Arc levantou-se diante do 3270.

Depois de atravessar IAM, endpoints, APIs, cloud, MQ, CICS, COBOL, Db2, pagamentos, controle físico, grafos e Zero Trust, finalmente compreendeu.

— Bellacosa-san, então o objetivo não é observar todo mundo?

— Não.

— Nem guardar tudo?

— Também não.

— Então qual é?

Olhei novamente para o SDSF.

A resposta estava ali desde o começo.

Quando alguma coisa importante acontecer, deixe evidência suficiente para reconstruir o que aconteceu.

Esse princípio atravessou décadas de computação.

No mainframe temos uma cultura fortíssima de registros operacionais.

No mundo distribuído estamos tentando recuperar essa visão através de logs estruturados, tracing, observabilidade, telemetria, SIEM, EDR, cloud audit, IAM e tantas outras tecnologias.

O desafio agora é conectá-las.

Não queremos perguntar:

O QUE O FUNCIONÁRIO FEZ DURANTE TODO O DIA?

Queremos conseguir perguntar:

O QUE EXPLICA ESTE INCIDENTE?

Então podemos reconstruir:

quem
 ↓
usou qual identidade
 ↓
em qual dispositivo
 ↓
obteve qual privilégio
 ↓
atravessou qual caminho
 ↓
chamou qual API
 ↓
publicou qual mensagem
 ↓
acionou qual transação CICS
 ↓
executou qual COBOL
 ↓
acessou qual registro Db2
 ↓
originou qual pagamento
 ↓
em qual instante

Esse é o verdadeiro poder do conceito.

O SMF corporativo não seria simplesmente outro SIEM.

Seria uma camada de memória e evidência capaz de conectar os mundos físico, distribuído, cloud e mainframe.

Uma espécie de gravador de voo da empresa.

Se o avião corporativo sofrer uma pane, queremos reconstruir os últimos acontecimentos.

Queremos saber quais controles funcionaram.

Quais falharam.

Qual identidade apareceu.

Qual privilégio foi utilizado.

Qual API foi chamada.

Qual mensagem entrou no MQ.

Qual transação chegou ao CICS.

Qual programa COBOL executou.

Qual registro mudou.

E qual pagamento saiu.

Mas não precisamos passar o voo inteiro espionando se o passageiro pediu café duas ou três vezes.

Arc colocou o elmo.

A dungeon estava encerrada.

Antes de sair, porém, digitou no terminal:

//ARCJOB   JOB CLASS=A,MSGCLASS=X
//STEP01   EXEC PGM=BIGBROTHER

O JES respondeu:

IEF452I ARCJOB - JOB NOT RUN - JCL ERROR

Arc olhou para mim.

— Errei a JCL?

— Não.

— Então? 

— O sistema tem governança.

Arc permaneceu alguns segundos em silêncio.

Então começou a rir.

E em algum dataset perdido do z/OS apareceu mais um registro.

Porque no mainframe...

até o esqueleto deixa rastro.

☕💀🖥️

Bellacosa Mainframe — porque observabilidade sem contexto é apenas uma montanha de logs; contexto sem governança pode virar vigilância; e um bom COBOLzeiro sabe que, quando a produção explode às 03:17 da manhã, a primeira pergunta continua sendo a mesma: “onde está o log?”

terça-feira, 4 de agosto de 2020

🐒 IKE ENTRA NO SOC — QUANDO A IA INVENTOU O CRIMINOSO E DEPOIS PROVOU QUE ELE EXISTIA

 
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: 8

O 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=PROD01

O que sabemos?

Sabemos que determinado evento foi registrado.

Não sabemos automaticamente:

USER01 é hacker

Não sabemos:

USER01 teve a senha roubada

Muito 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:
03:17

Agora podemos dizer:

Essa atividade está fora do padrão histórico do usuário.

Perfeito.

Mas perceba a mudança.

O SMF não escreveu:

ATIVIDADE ANORMAL

Nós calculamos isso.

Portanto temos:

OBSERVATION
     ↓
INFERENCE

A observação foi:

03:17

A inferência foi:

horário incomum

Isso 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 ≠ INFERENCE

Nunca 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 incomum

O 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
     ↓
HYPOTHESIS

Por 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 sensíveis

Agora 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 COMPROMISE

Uma 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-C

Cinco fontes?

Não.

Talvez tenhamos apenas:

AI-A

Todo o restante descende da primeira inferência.

Graficamente:

              ┌── DATABASE
              │
AI-A ─────────┼── AI-B
              │
              ├── REPORT-C
              │
              └── AI-C

Isso 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 SUSPEITO

Ela entra no banco.

AI-B encontra:

USER01 SUSPEITO

AI-B produz:

HIGH RISK

O relatório de AI-B entra novamente no ecossistema.

AI-C encontra:

SUSPEITO
HIGH RISK

Então produz:

VERY HIGH RISK

Algum 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-A

CABOOM.

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 RISCO

Veja 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 operações

como suspeitas.

Depois descobrimos que:

950 eram legítimas
50 realmente mereciam investigação

Os 950 casos incorretamente classificados são falsos positivos.

Em sistemas de segurança isso é inevitável.

O objetivo não é magicamente alcançar:

FALSE POSITIVE = ZERO

O objetivo é conhecer e controlar o comportamento do sistema.

Porque um alerta deveria significar:

INVESTIGUE

e não:

CONDENE

Essa 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 estranha

Encontra.

Procura:

horários estranhos

Encontra.

Procura:

conexões estranhas

Encontra.

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 comprometida

procuremos:

A FAVOR

novo IP
novo dispositivo
horário anormal
falhas MFA
comandos incomuns

Mas também:

CONTRA

change autorizado
plantão registrado
job recorrente
mesmo dispositivo habitual
atividade previamente aprovada

A 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
             \          /
              \        /
               HUMAN

Isso 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 = 94

Perguntamos:

Por quê?

O sistema responde:

35% comportamento transacional
25% horário
20% relacionamento
10% dispositivo
10% localização

Excelente.

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 = 5

E alguém produzir uma explicação maravilhosamente organizada de três páginas justificando o resultado.

A explicação pode ser compreensível.

O resultado continua errado.

Portanto:

EXPLAINABILITY

serve 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
APIs

Agora 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-003

Podemos representar:

FACT001
   ↓
FACT002
   ↓
FACT003
   ↓
REPORT004

Se REPORT004 aparecer posteriormente como suposta confirmação de FACT002, podemos detectar:

REPORT004
   ↓
ancestry
   ↓
FACT002

Logo:

INDEPENDENT = NO

Isso 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
HASH

Por exemplo:

RECORD-ID:
882731

SOURCE:
SMF30

CLASSIFICATION:
OBSERVATION

DERIVED:
NO

Depois:

RECORD-ID:
882732

SOURCE:
SECURITY-AI-17

CLASSIFICATION:
INFERENCE

DERIVED-FROM:
882731

CONFIDENCE:
0.73

Depois:

RECORD-ID:
882733

CLASSIFICATION:
HYPOTHESIS

DERIVED-FROM:
882731,882732

Agora podemos perguntar:

TRACE ANCESTORS OF 882733

Em 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
segregação

Pense no SMF.

Sua função fundamental não deveria ser escrever romances policiais.

Ele registra acontecimentos.

Algo como:

USER
RESOURCE
TIME
SYSTEM
ACTION
RESULT

Depois outros sistemas interpretam.

Isso cria uma separação extremamente saudável:

SYSTEM OF RECORD
       ↓
OBSERVATION
       ↓
ANALYTICS
       ↓
INFERENCE
       ↓
HYPOTHESIS
       ↓
INVESTIGATION
       ↓
DECISION

A 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 → D

D 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 PROXIMITY

mas não necessariamente:

CRIMINAL ASSOCIATION

Essa distinção é crucial.

Em redes financeiras enormes, pessoas perfeitamente legítimas podem estar separadas de contas problemáticas por poucos saltos.

Portanto:

CONNECTED

não significa:

COMPLICIT

Esse 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 Gateway

Cinco logs mostram atividade.

Temos cinco evidências independentes?

Talvez não.

Imagine:

API
 ↓
MQ
 ↓
CICS
 ↓
COBOL
 ↓
Db2

Uma única transação produziu cinco registros.

Portanto:

5 LOGS

podem representar:

1 EVENTO

Esse 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
 ↓
DECISION

A 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
    ↓
AI

A IA encontra quatro referências.

Sem provenance:

FOUR SOURCES

Com provenance:

             SOURCE-A
              / | \
             /  |  \
            B   C   D

Resultado:

INDEPENDENT ROOT SOURCES = 1

A 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
DECISION

Passo 3 — Registre provenance.

Toda informação derivada precisa apontar para seus ancestrais.

Passo 4 — Identifique conteúdo gerado por modelos.

MODEL_GENERATED = YES

Passo 5 — Registre modelo e versão.

MODEL=SECURITY17
VERSION=17.4

Passo 6 — Procure ciclos.

Se:

A → B → C → A

temos um enorme sinal vermelho.

Passo 7 — Conte raízes independentes, não documentos.

10 REPORTS

podem significar:

1 ROOT SOURCE

Passo 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.DAT

Curioso, 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
     ≠
CORROBORATION

E 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: 37

Antes 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.

segunda-feira, 6 de julho de 2020

🧬 MYNE E A BIBLIOTECA DOS LOGS ESQUECIDOS — QUANDO O PROGRAMADOR COBOL DESCOBRIU QUE UMA IA PODE INVESTIGAR UM ATAQUE DE CINCO ANOS ATRÁS

 
Bellacosa Mainframe e o controle dos logs

☕ UM CAFÉ NO BELLACOSA MAINFRAME

🧬 MYNE E A BIBLIOTECA DOS LOGS ESQUECIDOS — QUANDO O PROGRAMADOR COBOL DESCOBRIU QUE UMA IA PODE INVESTIGAR UM ATAQUE DE CINCO ANOS ATRÁS

SMF, RACF, CICS, Db2, MQ, Threat Intelligence, Historical Threat Hunting, IOC, TTP, embeddings, grafos temporais, Inteligência Artificial, COBOL, arqueologia digital — e o dia em que Myne descobriu que alguns livros só podem ser compreendidos depois de escritos.



🎬 PRÓLOGO — MYNE ENCONTROU UMA BIBLIOTECA QUE NINGUÉM LIA

Myne entrou no CPD carregando três livros.

Isso por si só não deveria surpreender ninguém que conhecesse Honzuki no Gekokujou: Shisho ni Naru Tame ni wa Shudan wo Erandeiraremasen.

Se existisse uma biblioteca dentro de um IBM z17, provavelmente ela tentaria conseguir um cartão de acesso antes mesmo de perguntar onde ficava a saída de emergência.

O programador COBOL olhou para ela.

— Myne, aqui não temos livros.

Ela apontou para as fitas, discos, datasets e arquivos históricos.

— Claro que têm.

— Isso são logs.

— Então vocês têm livros que as máquinas escrevem.

O programador ficou alguns segundos olhando para o terminal 3270.

Droga.

A menina tinha razão.

Porque existe uma maneira curiosa de entender o System Management Facilities — SMF.

O SMF é uma espécie de cronista do z/OS.

Jobs começam.

Jobs terminam.

Usuários entram.

Programas executam.

Recursos são acessados.

Subsistemas trabalham.

Eventos acontecem.

E o mainframe escreve.

E escreve.

E escreve.

Durante anos.

O problema é que frequentemente fazemos algo bastante humano:

guardamos livros que nunca mais lemos.

Myne abriu um deles.

Na capa estava escrito:

SMF — 2021

— O que aconteceu aqui?

— Nada.

— Você leu?

— Na época.

— E o que vocês sabiam naquela época?

Silêncio.

Myne sorriu.

Ali começava nosso problema.

Porque:

O passado não muda. Nosso conhecimento sobre o passado muda.



🦖 CAPÍTULO 1 — PRIMEIRO: O QUE DIABOS É UM LOG?

Antes de colocar inteligência artificial, embeddings, grafos e outros nomes bonitos na história, precisamos começar pelo básico.

Um computador executa operações.

Algumas dessas operações produzem registros.

Chamamos genericamente esses registros de logs, embora no mainframe existam estruturas muito mais específicas.

Imagine:

10:01 USER01 LOGIN
10:03 USER01 SUBMIT JOB
10:04 JOB01 START
10:06 JOB01 READ DATASET
10:07 JOB01 END RC=0000
10:09 USER01 LOGOFF

Isso é uma narrativa extremamente simplificada daquilo que aconteceu.

Perceba uma coisa importante.

O log normalmente não escreve:

10:03 HACKER COMEÇOU ATAQUE

Ele registra um evento.

Quem precisa interpretar o significado daquele evento somos nós.

No universo z/OS temos uma fonte particularmente importante:

SMF — System Management Facilities.

O SMF registra inúmeros tipos de atividades do sistema.

Existem diferentes record types, cada um representando determinadas categorias de informação.

Um exemplo muito conhecido é o SMF Type 30, relacionado ao ciclo de vida de jobs, started tasks, sessões TSO e outras atividades.

No mundo da segurança RACF encontramos registros como o SMF Type 80, capazes de registrar eventos relacionados à segurança.

Nosso programador COBOL pode imaginar algo conceitualmente semelhante a:

01 SECURITY-EVENT.
   05 EVENT-DATE       PIC X(10).
   05 EVENT-TIME       PIC X(08).
   05 USER-ID          PIC X(08).
   05 RESOURCE-NAME    PIC X(44).
   05 ACCESS-TYPE      PIC X(08).
   05 RESULT-CODE      PIC X(04).

Não é a estrutura real do SMF.

É apenas nosso copybook didático.

Agora imagine:

USER-ID       = JOAO
RESOURCE-NAME = FINANCE.PAYROLL
ACCESS-TYPE   = READ
RESULT-CODE   = 0000

Tudo certo.

João estava autorizado.

RACF respondeu:

ACCESS ALLOWED

O erro começa quando transformamos isso mentalmente em:

ACCESS ALLOWED = ATIVIDADE LEGÍTIMA

Não.

RACF respondeu uma pergunta:

Essa identidade possui autorização para realizar essa operação?

Mas existe outra pergunta:

Essa operação faz sentido dentro do comportamento esperado dessa identidade?

E outra:

Por que essa identidade acessou esse recurso às 02:17?

E outra:

O que aconteceu cinco minutos antes?

E outra:

O que aconteceu depois?

E finalmente:

Outras identidades fizeram exatamente a mesma sequência?

Agora nossa investigação começa a ficar interessante.



📚 CAPÍTULO 2 — MYNE DESCOBRE QUE O MAINFRAME ESCREVE LIVROS HÁ DÉCADAS

Myne observou as pilhas de registros históricos.

— Quanto tempo vocês guardam isso?

O operador respondeu:

— Depende.

Essa talvez seja uma das respostas mais importantes de toda nossa história.

Porque nenhuma IA pode analisar aquilo que deixou de existir.

Imagine:

2021 → LOGS → RETENÇÃO → DELETE

Chegamos a 2026.

Descobrimos uma nova técnica de ataque.

Queremos investigar 2021.

Mas:

DATA NOT FOUND

Fim da investigação.

IA não é necromante de storage.

Se o dado foi destruído, não existe prompt capaz de ressuscitá-lo fielmente.

Por isso retenção é uma decisão de segurança.

Uma organização pode preservar diferentes tipos de telemetria:

SMF
RACF
CICS
Db2
IMS
MQ
Syslog
Firewall
Proxy
DNS
EDR
IAM
APIs
Aplicações
OpenTelemetry

E isso cria algo extraordinário:

uma memória operacional da organização.

Myne entendeu imediatamente.

— Então vocês possuem livros contando o que o computador fez?

— Sim.

— E podem relê-los?

— Sim.

— Então por que não fazem isso quando aprendem algo novo?

O programador COBOL congelou.

Boa pergunta.



🕰️ CAPÍTULO 3 — A MÁQUINA DO TEMPO NÃO É A IA

Existe uma distinção importante.

Quando dizemos:

"Uma IA poderia descobrir em 2026 um ataque ocorrido em 2021?"

parece que a IA está viajando no tempo.

Não está.

A verdadeira máquina do tempo é:

telemetria preservada.

Imagine:

2021
 │
 ├── SMF
 ├── RACF
 ├── CICS
 ├── Db2
 └── MQ
      │
      ↓
 HISTORICAL STORAGE
      │
      ↓
     2026

Agora podemos fazer perguntas novas sobre informações antigas.

Essa diferença é fundamental.

A equação não é:

IA = MÁQUINA DO TEMPO

É:

RETENÇÃO
   +
NOVO CONHECIMENTO
   +
NOVAS FERRAMENTAS
   =
REANÁLISE DO PASSADO

E isso nos leva à ideia central deste artigo:

Dados antigos podem produzir descobertas novas.



🔬 CAPÍTULO 4 — O ATAQUE QUE NÃO EXISTIA EM 2021

Calma.

O ataque existia.

O que talvez não existisse era nosso conhecimento sobre ele.

Imagine que encontramos isto em 2021:

REMOTE-IP = 198.51.100.77

Consultamos nossas fontes.

Resultado:

UNKNOWN

Nada especialmente interessante.

Cinco anos passam.

Outras organizações são atacadas.

Pesquisadores investigam.

Infraestruturas são relacionadas.

Malwares são analisados.

Técnicas são documentadas.

Surge nova threat intelligence.

Agora descobrimos:

198.51.100.77
      ↓
Infrastructure associated with Campaign X

Imediatamente surge uma pergunta:

Esse endereço apareceu alguma vez em nossa infraestrutura?

Consultamos os registros históricos.

SELECT *
FROM HISTORICAL_EVENTS
WHERE REMOTE_IP = '198.51.100.77';

E encontramos:

17/04/2021
24/04/2021
02/05/2021
09/05/2021

O endereço que parecia irrelevante ganhou significado.

O passado mudou?

Não.

Mudou nosso conhecimento.


🧬 CAPÍTULO 5 — IOC: AS PEGADAS MAIS ÓBVIAS

Aqui nosso programador COBOL precisa conhecer uma sigla:

IOC — Indicator of Compromise.

Pode envolver coisas como:

IP
domínio
hash
arquivo
URL
certificado

Imagine que conhecemos o hash de um malware.

Podemos pesquisar registros históricos procurando aquele valor.

Isso é útil.

Mas existe um problema.

Atacantes podem trocar infraestrutura.

Mudam IP.

Mudam domínio.

Recompilam malware.

Alteram hashes.

Então:

HASH-A

vira:

HASH-B

Uma detecção baseada exclusivamente em igualdade pode falhar.

IF HASH = KNOWN-BAD-HASH
    PERFORM SECURITY-ALERT
END-IF.

Se mudou um byte:

NO MATCH

Por isso precisamos subir um degrau.


🥷 CAPÍTULO 6 — TTP: NÃO PROCURE APENAS O SAPATO, PROCURE O JEITO DE ANDAR

Agora encontramos:

TTP — Tactics, Techniques and Procedures.

Em vez de perguntar apenas:

Qual IP o atacante utilizou?

podemos perguntar:

Como ele trabalha?

Talvez uma campanha costume realizar algo parecido com:

obter credencial
      ↓
autenticar
      ↓
enumerar recursos
      ↓
executar programa legítimo
      ↓
acessar dados
      ↓
movimentar informações

IPs podem mudar.

Usuários podem mudar.

Hosts podem mudar.

Mas certas características comportamentais podem permanecer.

É como reconhecer alguém não pelo sapato, mas pelo jeito de andar.

E agora nosso histórico fica muito mais valioso.

Porque podemos perguntar:

Existe no passado alguma sequência parecida com esse comportamento?

Essa pergunta seria extremamente difícil usando apenas pesquisas exatas.

É aqui que entram técnicas mais modernas.


🕸️ CAPÍTULO 7 — MYNE DESENHA UM GRAFO NA MESA DO CPD

Myne pegou uma folha.

Escreveu:

USER01

Depois:

JOB17

Ligou os dois:

USER01 ──SUBMITTED──> JOB17

Acrescentou:

JOB17 ──EXECUTED──> PROG01

Depois:

PROG01 ──READ──> PAYROLL.DATA

Finalmente:

PROG01 ──PUT──> MQ.EXTERNAL

O programador COBOL olhou.

— Você fez um grafo.

— Fiz uma história.

Exatamente.

Grafos são extraordinariamente úteis porque permitem representar:

entidades

como:

USER
JOB
PROGRAM
DATASET
TRANSACTION
IP
DATABASE
QUEUE
CERTIFICATE
HOST
API

e:

relações

como:

submitted
executed
read
connected
authenticated
called
sent
received

Assim:

USER01
   │
submitted
   ↓
 JOB17
   │
executed
   ↓
 PROG01
   │
  read
   ↓
CUSTOMER.DATA

O que antes eram quatro linhas espalhadas em bilhões de registros torna-se uma relação visual e computável.


⏱️ CAPÍTULO 8 — O GRAFO PRECISA DE UM RELÓGIO

Segurança possui uma característica essencial:

tempo.

Não basta saber:

USER01 → DATASET

Precisamos saber quando.

Imagine:

02:01 LOGIN
02:04 SUBMIT JOB
02:06 READ DATASET
02:08 DB2 QUERY
02:10 MQ PUT
02:12 LOGOFF

Agora encontramos outra identidade:

03:01 LOGIN
03:04 SUBMIT JOB
03:06 READ DATASET
03:08 DB2 QUERY
03:10 MQ PUT
03:12 LOGOFF

E outra:

01:31 LOGIN
01:34 SUBMIT JOB
01:36 READ DATASET
01:38 DB2 QUERY
01:40 MQ PUT
01:42 LOGOFF

Individualmente:

NORMAL
NORMAL
NORMAL

Mas a sequência diz:

🤨

Por que três usuários diferentes executaram praticamente a mesma cadeia?

Criamos então um:

grafo temporal.

Não queremos apenas relações.

Queremos relações ordenadas no tempo.


🧠 CAPÍTULO 9 — ENTRAM OS EMBEDDINGS

Aqui precisamos evitar transformar IA em magia.

Um embedding é uma representação numérica de alguma informação.

De maneira extremamente simplificada:

evento/sequência
       ↓
representação
       ↓
embedding
       ↓
[0.18, -0.42, 0.71, 0.09 ...]

Dependendo de como o sistema foi construído, podemos comparar representações buscando similaridade.

Isso muda nossa pesquisa.

O velho modelo perguntava:

IS A = B?

Agora podemos perguntar:

HOW SIMILAR IS A TO B?

Imagine um ataque conhecido:

LOGIN
 ↓
PRIVILEGE CHANGE
 ↓
JOB SUBMISSION
 ↓
UNUSUAL READ
 ↓
TRANSFER

No passado encontramos:

LOGIN
 ↓
PRIVILEGE CHANGE
 ↓
JOB SUBMISSION
 ↓
DB2 READ
 ↓
TRANSFER

Não é idêntico.

Mas estruturalmente talvez seja interessante.

O mecanismo pode dizer:

HIGH SIMILARITY

Isso não significa:

ATTACK CONFIRMED

Significa:

INVESTIGATE THIS

Essa diferença é gigantesca.


🔗 CAPÍTULO 10 — CINCO EVENTOS INOCENTES PODEM FORMAR UM ATAQUE

Agora chegamos ao coração da investigação.

Imagine:

RACF

USER01 accessed DATASET.X
SUCCESS

Normal.

JES/SMF

USER01 submitted JOB77
SUCCESS

Normal.

Db2

APP17 queried CUSTOMER
SUCCESS

Normal.

MQ

APP17 PUT QUEUE.EXTERNAL
SUCCESS

Normal.

Rede

HOST17 contacted external destination
SUCCESS

Normal.

Separadamente:

NORMAL
NORMAL
NORMAL
NORMAL
NORMAL

Agora ligamos tudo:

USER01
   ↓
JOB77
   ↓
APP17
   ↓
CUSTOMER
   ↓
MQ.EXTERNAL
   ↓
HOST17
   ↓
EXTERNAL DESTINATION

Oops.

Esse é um princípio extraordinariamente importante:

um ataque pode ser construído inteiramente com operações que, isoladamente, são legítimas.

O atacante não precisa necessariamente quebrar a porta.

Talvez possua uma chave válida.


👻 CAPÍTULO 11 — O FANTASMA QUE NUNCA RECEBEU ACCESS DENIED

Nosso invasor hipotético é cuidadoso.

Durante meses:

ACCESS ALLOWED
RC=0000
SUCCESS
SUCCESS
SUCCESS

Nenhuma senha inválida.

Nenhum acesso negado.

Nenhum programa obviamente malicioso.

Nenhum:

HACKER.EXE

Ele utiliza:

credencial válida
programa válido
job válido
dataset permitido
transação legítima

Uma defesa baseada exclusivamente em:

IF ACCESS-DENIED
    PERFORM ALERT
END-IF

pode não perceber nada.

Precisamos perguntar também:

É comum?

É esperado?

Esse horário é normal?

Esse usuário costuma acessar esse dataset?

Esse job normalmente executa esse programa?

Por que isso aconteceu depois daquele outro evento?

Quem mais apresentou a mesma sequência?

Saímos de:

EVENT SECURITY

para:

BEHAVIOR SECURITY

🧮 CAPÍTULO 12 — O PERFORM UNTIL DA SEGURANÇA

Nosso COBOLzeiro finalmente percebe algo familiar.

Antigamente ele poderia imaginar:

IF RESULT-CODE NOT = ZERO
    PERFORM WRITE-ALERT
END-IF.

Agora nosso sistema conceitualmente executa:

PERFORM ANALYZE-RELATIONSHIP
   UNTIL NO-MORE-RELATIONSHIPS.

Pergunta:

quem chamou isso?

Depois:

o que essa entidade chamou?

Depois:

quem mais fez isso?

Depois:

o que aconteceu antes?

Depois:

o que aconteceu depois?

Depois:

isso aconteceu em outro LPAR?

Depois:

há comportamento semelhante em 2021?

É quase um gigantesco PERFORM UNTIL investigativo.

E, sim, nosso velho COBOL acabou de encontrar graph analytics.


🦴 CAPÍTULO 13 — LOGS SÃO FÓSSEIS DIGITAIS

Myne fechou o livro de 2021.

— Então vocês são arqueólogos.

— Analistas de segurança.

— Arqueólogos.

Pensando bem...

Ela novamente tinha razão.

Um fóssil não muda quando descobrimos uma nova teoria.

Uma amostra biológica antiga não muda quando inventamos um novo sequenciador.

Uma fotografia antiga não muda quando desenvolvemos melhor processamento de imagem.

O que muda é nossa capacidade de extrair conhecimento do artefato.

Logs podem funcionar da mesma maneira.

São:

fósseis digitais.

Em 2021:

DATA2021
+
KNOWLEDGE2021
=
INTERPRETATION2021

Em 2026:

DATA2021
+
KNOWLEDGE2026
=
INTERPRETATION2026

O primeiro termo permanece.

O segundo mudou.

Consequentemente, o terceiro também pode mudar.


🕳️ CAPÍTULO 14 — O EVENTO QUE NÃO EXISTE

Existe uma possibilidade ainda mais fascinante.

Imagine:

02:01 EVENT
02:02 EVENT
02:03 EVENT

      ...

02:17 EVENT
02:18 EVENT

Existe um buraco.

Na época alguém escreveu:

Collector failure.

Cinco anos depois aprendemos que determinada técnica pode provocar justamente perda ou degradação da telemetria.

Agora:

NO EVENT

torna-se potencialmente:

EVENT OF INTEREST

Isso parece paradoxal.

Mas segurança frequentemente trabalha com expectativas.

Se sabemos que determinado sistema deveria produzir:

A
B
C
D
E

e encontramos:

A
B
C

E

a ausência de D merece explicação.

Em lógica:

EXPECTED(EVENT-D)
AND
NOT(EVENT-D)

pode ser informação.

Myne sorriu.

— Até páginas arrancadas contam uma história.

Exatamente.


🔎 CAPÍTULO 15 — ENCONTRANDO O "PACIENTE ZERO"

Suponhamos que detectamos uma intrusão em 2026.

Começamos a reconstruir o grafo para trás.

2026
 ↑
2025
 ↑
2024
 ↑
2023
 ↑
2022
 ↑
2021

Finalmente encontramos:

17/03/2021
USERX
JOBY
HOSTZ

Antes disso, nada relacionado aparece.

Podemos chamar isso de primeiro evento observado relacionado à investigação.

Mas cuidado.

Não devemos automaticamente afirmar:

"O ataque começou exatamente aqui."

Talvez registros anteriores tenham sido destruídos.

Talvez o atacante estivesse em uma área sem telemetria.

Talvez nossa correlação esteja incompleta.

A formulação tecnicamente responsável é:

Esse é o ponto mais antigo que conseguimos associar à atividade usando a telemetria atualmente disponível.

Segurança também é saber onde termina nossa evidência.


⚠️ CAPÍTULO 16 — IA TAMBÉM ENXERGA FANTASMAS

Agora precisamos destruir uma ilusão.

Se pesquisarmos:

10.000.000.000 eventos

vamos encontrar coincidências.

Muitas.

Algumas parecerão assustadoras.

Isso não significa que sejam ataques.

Portanto:

ANOMALIA ≠ ATAQUE

CORRELAÇÃO ≠ CAUSALIDADE

SIMILARIDADE ≠ IDENTIDADE

EMBEDDING PRÓXIMO ≠ MESMO ATACANTE

MESMO IP ≠ MESMA PESSOA

Um modelo pode encontrar uma sequência extremamente semelhante à de uma campanha conhecida.

Excelente.

Mas o próximo passo deveria ser:

HYPOTHESIS
     ↓
RAW EVIDENCE
     ↓
TIMELINE
     ↓
CORROBORATION
     ↓
ANALYST
     ↓
CONCLUSION

Não:

AI
 ↓
GUILTY

A IA é extraordinária para reduzir um oceano de eventos a um conjunto investigável.

A conclusão continua dependendo das evidências.


🏗️ CAPÍTULO 17 — CONSTRUINDO A BIBLIOTECA DE MYNE

Se quiséssemos construir nosso Bellacosa Historical Threat Hunting Lab, poderíamos imaginar:

          HISTORICAL TELEMETRY
                  │
      ┌───────────┼───────────┐
      ↓           ↓           ↓
     SMF         RACF       CICS
      │           │           │
      ├───────────┼───────────┤
      ↓           ↓           ↓
     Db2          MQ        NETWORK
      └───────────┼───────────┘
                  ↓
            NORMALIZATION
                  ↓
             ENTITY MODEL
                  ↓
            TEMPORAL GRAPH
                  ↓
       ┌──────────┴──────────┐
       ↓                     ↓
   EMBEDDINGS          THREAT INTEL
       └──────────┬──────────┘
                  ↓
            AI ANALYSIS
                  ↓
             HYPOTHESES
                  ↓
          HUMAN INVESTIGATION

Observe algo importante.

IA está perto do final.

Porque antes dela existe muito trabalho pouco glamouroso:

coleta
qualidade
retenção
normalização
identidade
timestamp
integridade
contextualização

Garbage in, garbage out continua valendo em 2026.


🧹 CAPÍTULO 18 — NORMALIZAÇÃO: O TRABALHO QUE NINGUÉM COLOCA NA DEMO

SMF fala sua língua.

CICS possui seus eventos.

Db2 possui os seus.

MQ possui os seus.

Linux possui outros.

Cloud tem outros.

Aplicações têm outros.

Precisamos transformar:

SMF EVENT
CICS EVENT
DB2 EVENT
MQ EVENT
LINUX EVENT
CLOUD EVENT

em alguma representação comparável:

CANONICAL SECURITY EVENT

Conceitualmente:

{
  "timestamp": "...",
  "identity": "...",
  "source": "...",
  "action": "...",
  "resource": "...",
  "result": "...",
  "system": "..."
}

Agora podemos perguntar:

WHO
DID WHAT
TO WHAT
FROM WHERE
WHEN
WITH WHAT RESULT

Parece simples.

Na prática, essa pode ser uma das partes mais difíceis do projeto.


🔄 CAPÍTULO 19 — O PULO DO GATO: REPROCESSAR AUTOMATICAMENTE O PASSADO

Agora chegamos à ideia que Myne realmente gostou.

Um novo livro chega à biblioteca:

NEW THREAT INTELLIGENCE

Em vez de utilizá-lo apenas para detectar ataques futuros, o sistema pergunta:

Isso aconteceu conosco antes?

Automaticamente:

NEW IOC
   ↓
SEARCH HISTORY

ou:

NEW TTP
   ↓
SEARCH HISTORY

ou:

NEW BEHAVIORAL MODEL
   ↓
SEARCH HISTORY

Resultado:

2026 → NO MATCH
2025 → WEAK
2024 → WEAK
2023 → STRONG
2022 → STRONG
2021 → POSSIBLE FIRST OBSERVATION

Acabamos de criar algo fascinante:

Threat Intelligence Time Machine.

Não estamos somente protegendo o futuro.

Estamos continuamente reinterpretando o passado.


💾 CAPÍTULO 20 — ENTÃO GUARDEMOS TUDO PARA SEMPRE!

O programador COBOL levantou a mão.

— Resolvido. Guardamos tudo.

Do fundo do CPD vieram quatro vozes.

Storage:

— Quem paga?

Jurídico:

— Precisamos conversar.

Privacidade:

— Nem pense nisso.

Segurança:

— E quem protege esse gigantesco arquivo?

Excelente.

Retenção infinita não é automaticamente uma boa estratégia.

Logs podem conter informações sensíveis.

Um repositório histórico gigantesco também pode virar alvo.

Então precisamos pensar em:

retenção
criptografia
controle de acesso
imutabilidade
integridade
minimização
tokenização
compressão
classificação
requisitos legais
chain of custody

Talvez:

HOT  → meses
WARM → anos
COLD → período maior

Dependendo do valor e das obrigações associadas aos dados.


🧪 CAPÍTULO 21 — UM EXPERIMENTO PARA O PROGRAMADOR COBOL

Quer entender isso praticamente?

Crie um pequeno laboratório conceitual.

PASSO 1 — Crie eventos históricos

2021 USER01 LOGIN
2021 USER01 JOB01
2021 JOB01 READ CUSTOMER
2021 JOB01 MQPUT EXTERNAL

2021 USER02 LOGIN
2021 USER02 JOB09
2021 JOB09 READ INVENTORY

PASSO 2 — Finja que você está em 2021

Nenhum indicador conhecido.

Classifique tudo:

NORMAL

PASSO 3 — Avance para 2026

Agora surge inteligência:

Known suspicious sequence:

LOGIN
→ JOB
→ CUSTOMER READ
→ EXTERNAL MQ PUT

PASSO 4 — Reprocesse 2021

Resultado:

USER01
  ↓
JOB01
  ↓
CUSTOMER
  ↓
EXTERNAL

MATCH

PASSO 5 — Investigue

Não declare ataque automaticamente.

Pergunte:

USER01 deveria fazer isso?

JOB01 era legítimo?

Esse fluxo era documentado?

Qual volume foi transferido?

Existem outros eventos relacionados?

Quem criou JOB01?

Isso aconteceu novamente?

Pronto.

Você acabou de construir uma versão minúscula de historical threat hunting.


🧬 CAPÍTULO 22 — O QUE DEVEMOS PRESERVAR HOJE PARA DESCOBRIR AMANHÃ?

Essa talvez seja a pergunta mais profunda de todo o artigo.

Não é:

Quanto storage precisamos?

Nem:

Quantos anos de SMF devemos guardar?

A pergunta arquitetural é:

Quais evidências do presente precisamos preservar para permitir investigações que ainda não sabemos que serão necessárias?

Porque talvez em 2031 exista uma técnica analítica que hoje nem imaginamos.

E ela possa olhar para:

SMF de 2026

e descobrir algo que passou despercebido.

Isso transforma retenção.

De:

BACKUP

para:

INVESTIGATIVE MEMORY

📖 CAPÍTULO 23 — MYNE FINALMENTE ENTENDE O SMF

Myne colocou o último volume na estante.

Na lombada:

SMF — SEPTEMBER 2026

O programador perguntou:

— Então você acha que deveríamos guardar tudo?

— Não.

— Achei que você adorasse livros.

— Justamente por isso. Uma biblioteca não é um depósito de papel.

Silêncio novamente.

— Precisamos saber o que preservar, como catalogar e como encontrar.

Ela apontou para as estantes.

— Um livro impossível de encontrar quase não existe.

O programador olhou para seus bilhões de registros SMF sem normalização adequada.

Aquilo doeu.


🥚 EASTER EGG — O JOB QUE ESPEROU CINCO ANOS PARA SER LIDO

Em 2021:

//MYNE01  JOB ...
//STEP01  EXEC PGM=BOOKWORM

Executou.

RC=0000

Ninguém ligou.

O SMF registrou.

O dataset foi arquivado.

Os anos passaram.

Em 2026 chegou nova threat intelligence.

O sistema começou a reprocessar o passado.

2026...
2025...
2024...
2023...
2022...
2021...

Então:

MATCH FOUND

O analista abriu o registro.

Data:

17/03/2021 02:17:43

Ele chamou Myne.

— Encontramos o ataque.

Ela corrigiu:

— Não.

— Como não?

— O ataque já estava lá.

Myne apontou para o registro.

— Vocês encontraram a capacidade de lê-lo.


☕ EPÍLOGO — A BIBLIOTECA DO FUTURO JÁ ESTÁ SENDO ESCRITA

Existe uma tentação enorme quando falamos de inteligência artificial em cybersecurity de imaginar máquinas mágicas detectando hackers instantaneamente.

Mas talvez uma das aplicações mais fascinantes da IA seja muito menos cinematográfica.

Ela pode ajudar a reler.

Reinterpretar.

Correlacionar.

Comparar.

Encontrar relações.

Transformar bilhões de eventos isolados em histórias investigáveis.

O mainframe registrou:

USER
JOB
PROGRAM
DATASET
TRANSACTION
MESSAGE
DATABASE
TIMESTAMP

O RACF registrou.

O CICS registrou.

O Db2 registrou.

O MQ registrou.

A rede registrou.

Talvez ninguém tenha entendido a história naquele momento.

Cinco anos depois temos:

novos IOCs
+
novas TTPs
+
threat intelligence
+
grafos temporais
+
embeddings
+
modelos comportamentais
+
IA

e fazemos novamente a pergunta.

De repente:

EVENT
+
EVENT
+
EVENT
+
EVENT

deixa de parecer ruído.

Transforma-se em:

STORY

Essa talvez seja uma das grandes mudanças que IA, graph analytics e threat intelligence podem trazer para investigação digital.

Não apenas perguntar:

O que está acontecendo agora?

Mas:

O que aconteceu conosco quando ainda não sabíamos reconhecer aquilo que estava acontecendo?

E isso nos leva à frase que Myne deixou escrita em uma pequena etiqueta na entrada da biblioteca:

O passado não muda. O conhecimento capaz de interrogá-lo muda.

Em mainframe, isso significa que um SMF aparentemente insignificante produzido hoje pode ser a peça fundamental de uma investigação em 2031.

Por isso logs não são simplesmente lixo operacional.

Nem apenas instrumentos de troubleshooting.

Nem apenas accounting.

Nem apenas auditoria.

Quando preservados com propósito, integridade, contexto e governança, tornam-se:

MEMÓRIA INVESTIGATIVA.

E talvez o SOC do futuro tenha uma função que hoje ainda tratamos como excepcional:

NEW KNOWLEDGE
      ↓
REPROCESS HISTORY
      ↓
DISCOVER RELATIONSHIPS
      ↓
GENERATE HYPOTHESIS
      ↓
HUMAN INVESTIGATION

Uma espécie de:

PERFORM INVESTIGATE-PAST
   UNTIL NO-MORE-QUESTIONS.

Só existe um pequeno problema.

Como qualquer COBOLzeiro experiente percebeu imediatamente:

NO-MORE-QUESTIONS

provavelmente nunca será TRUE.

Myne abriu outro volume.

O programador colocou café na caneca.

E em algum dataset esquecido do mainframe havia um registro de cinco anos atrás esperando pacientemente que alguém inventasse a pergunta certa.

Porque algumas histórias são registradas muito antes de existir alguém capaz de entendê-las.

☕ Bellacosa Mainframe — onde até o SMF antigo merece uma segunda leitura.

Vagner Renato Bellacosa, IBM Champion e especialista em IBM Mainframe
IBM Z17 SYSTEM ONLINE
Sobre o autor

Vagner Renato Bellacosa

IBM Champion 2026 • Especialista em IBM Mainframe

Vagner Renato Bellacosa trabalha com IBM Mainframe desde 1988 , é IBM Champion e especialista em COBOL, CICS, Db2, z/OS e IBM Z. Compartilha experiências profissionais, conhecimento técnico, história da computação e práticas do universo mainframe para aproximar novas gerações das tecnologias que sustentam empresas, bancos e governos ao redor do mundo.

IBM Champion IBM Z COBOL CICS Db2 z/OS Mainframe desde 1988
GitHub LinkedIn
Inicializando conteúdo...