Optimizing the Data Loss Prevention Level Using Logic Paraconsistent Annotated Evidential Eτ
Documento
Informações
Título
Optimizing the Data Loss Prevention Level Using Logic Paraconsistent Annotated Evidential Eτ
Título (EN)
Optimizing the Data Loss Prevention Level Using Logic Paraconsistent Annotated Evidential Eτ
Autor(es)
Sakamoto, L.S., Abe, J.M., de Souza, J.S., de Lima, L.A.
Instituição
Universidade Paulista
Tipo
Artigo
Tipo de Mídia
Revista
Resumo (EN)
Currently, corporations worldwide have a problem that grows exponentially: orchestrating the organization and understanding structured and unstructured data. These unstructured data can be grouped in repositories, for isolated and random data entry, however on the other hand the data loss analysis, that is, data loss prevention, where some criteria of artificial intelligence create templates that are monitored, and that, because they are very restricted, also present contradictions and flaws. The focus of this study is to optimize this analysis by minimizing the level of data loss using the Logic Paraconsistent Annotated Evidential Eτ. With a bibliographic review on DLP—Data Loss Prevention, Logic Paraconsistent Annotated Evidential Eτ, Artificial Intelligence techniques, and data protection. With the use of a Python program, and applied research will be carried out with data from a financial company, which presents 40% of data loss in its analysis with this process of Artificial Intelligence, in comparison with the minimization of this data loss with the use of Logic Paraconsistent Annotated Evidential Eτ to 25%, that is, a difference of 15%.
Resumo
Atualmente, organizações em todo o mundo enfrentam um problema que cresce de forma exponencial: orquestrar a organização e compreender grandes volumes de dados estruturados e não estruturados. Os dados não estruturados podem ser armazenados em repositórios destinados ao registro isolado e aleatório de informações; entretanto, a análise voltada à prevenção de perda de dados (Data Loss Prevention – DLP) ainda apresenta limitações. Nesses sistemas, técnicas de Inteligência Artificial são utilizadas para criar padrões de monitoramento, mas, por serem altamente restritivas, frequentemente geram contradições, inconsistências e falhas na identificação de eventos relacionados à perda de dados. Nesse contexto, o objetivo deste estudo foi otimizar esse processo de análise, buscando minimizar o índice de perda de dados por meio da aplicação da Lógica Paraconsistente Anotada Evidencial Eτ (LPAE Eτ). A pesquisa fundamentou-se em uma revisão bibliográfica sobre Data Loss Prevention (DLP), Lógica Paraconsistente Anotada Evidencial Eτ, técnicas de Inteligência Artificial e proteção de dados. Além disso, foi desenvolvido um programa em Python, aplicado em um estudo de caso utilizando dados de uma empresa do setor financeiro. Os resultados demonstraram que o processo convencional de Inteligência Artificial apresentava aproximadamente 40% de perda de dados durante a análise, enquanto a utilização da LPAE Eτ reduziu esse índice para 25%, correspondendo a uma diminuição de 15 pontos percentuais. Esses achados indicam que a aplicação da Lógica Paraconsistente Anotada Evidencial Eτ pode contribuir significativamente para o aumento da eficiência dos sistemas de prevenção de perda de dados, reduzindo inconsistências e aprimorando a confiabilidade dos processos de monitoramento e proteção das informações.
Palavras-chave
Data Loss Prevention, AI, Paraconsistent Annotated Evidential Logic Eτ
Direito de Acesso
Acesso restrito
Financiamento
Programa de Suporte à Pós-Graduação de Instituições de Ensino Particulares – PROSUP/CAPES.
Publicado em
SAKAMOTO, Liliam Sayuri; ABE, Jair Minoro; SOUZA, Jonatas Santos de; LIMA, Luiz Antonio de. Optimizing the data loss prevention level using logic paraconsistent annotated evidential Eτ. In: ABE, Jair Minoro (ed.). Advances in applied logics: applications of logic for philosophy, mathematics and information technology. Cham: Springer, 2023. p. 129–151. DOI: https://doi.org/10.1007/978-3-031-35759-6_9.