OTIMIZAÇÃO DA DETECÇÃO DE PERDA DE DADOS ATRAVÉS DE DATA LOSS PREVENTION – DLP E ALGORITMOS BASEADOS NA LÓGICA PARACONSISTENTE ANOTADA EVIDENCIAL Eτ

Resumo/Assunto

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.