OTIMIZAÇÃO DA DETECÇÃO DE PERDA DE DADOS ATRAVÉS DE DATA LOSS PREVENTION – DLP E ALGORITMOS BASEADOS NA LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL Eτ
Documento
Informações
Título
OTIMIZAÇÃO DA DETECÇÃO DE PERDA DE DADOS ATRAVÉS DE DATA LOSS PREVENTION – DLP E ALGORITMOS BASEADOS NA LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL Eτ
Título (EN)
OPTIMIZATION OF DATA LOSS DETECTION THROUGH DATA LOSS PREVENTION – DLP AND ALGORITHMS BASED ON PARACONSISTENT LOGIC ANNOTATED EVIDENTIAL Eτ
Autor(es)
Liliam Sayuri Sakamoto
Orientador(es)
Jair Minoro Abe
Data de Defesa
19/12/2023
Resumo (EN)
Purpose: The focus of this study is to optimize this analysis while minimizing the level of data loss. Many companies around the world have a gap in controlling the organization of structured and unstructured data. All this data can be grouped into repositories, however, the analysis of data loss, that is, prevention of data leakage, with the breach of privacy, directs the use of some Artificial Intelligence criteria with the use of DLP – Data Loss Prevention. Methods: This work is based on the application of the Annotated Eτ Paraconsistent Logic, through use in conjunction with DLP. The analysis technique based on a market DLP uses standard models that are monitored in a limited way, and often present a mass of contradictions and flaws, leading to false positive decision-making. Initially, Python programming was used to form a DLP structure working in conjunction with paraconsistent algorithms, which was called Paraconsistent DLP. Results: The Paraconsistent DLP was applied in tests with data from a transport company, analyzing its incidents, which showed a 60% data loss detection rate. Conclusion: In the research developed in this thesis, a
comparison is made between conventional DLP (data provided by the company) and Paraconsistent DLP with the aim of optimizing analyses to minimize data loss.
Resumo
Propósito: O foco deste estudo é otimizar essa análise minimizando o nível de perda de dados. Muitas empresas ao redor do mundo possuem uma lacuna no controle a organização de dados estruturados e não estruturados. Todos esses dados podem ser agrupados em repositórios, porém, a análise sobre perda de dados, ou seja, prevenção de vazamento de dados, com a quebra da privacidade, direciona o uso de alguns critérios de Inteligência Artificial com uso de DLP – Data Loss Prevention. Métodos: Este trabalho se fundamenta na aplicação da Lógica Paraconsistente Anotada Evidencial Eτ, através do uso em conjunto com o DLP. A técnica de análises baseada em um DLP de mercado utiliza modelos padrões que são monitorados de forma limitada, e frequentemente apresentam uma massa de contradições e falhas, levando a tomadas de decisões com falsos positivos. Inicialmente foi utilizado a programação Python, para formar uma estrutura do DLP funcionando em conjunto com algoritmos paraconsistentes, o que foi denominado DLP Paraconsistente. Resultados: O DLP Paraconsistente foi aplicado em testes com dados de uma empresa transportadora, analisando seus incidentes que apresenta 60% de deteção de perda de dados. Conclusão: Na pesquisa desenvolvida nesta tese é feita uma comparação entre DLP convencional (dados fornecidos pela empresa) e a DLP Paraconsistente com o objetivo de otimizar as análises para a minimização da perda de dados.
Tipo
Tese
Palavras-chave
DLP – Data Loss Prevention; Lógica Paraconsistente Anotada Evidencial Eτ; DLP Paraconsistente;
Área de Concentração
Gestão de Sistemas de Operação
Linha de Pesquisa
Métodos Quantitativos em Engenharia de Produção
Grupo de Pesquisa da UNIP cadastrado no CNPq
Lógica Paraconsistente e Inteligência Artificial
Instituição
Universidade Paulista
Financiamento
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001.
Direito de Acesso
Acesso Aberto