Detecção de anomalias é um tipo de técnica de segurança de computador usada para detectar e identificar dados ou atividades suspeitas que estão potencialmente vinculadas a ameaças à segurança ou ataques maliciosos. É uma forma de aprendizado de máquina não supervisionado que se baseia em dados existentes para detectar irregularidades desconhecidas e inesperadas nos dados que são potencialmente suspeitos.
Os métodos de detecção de anomalias são usados para detectar anormalidades em recursos de entrada de comprimento fixo, como tráfego de aplicativos de rede, dados de sistema de computador ou entradas de log, mensagens de texto ou outras fontes de dados. Também é usado para detectar comportamento incomum de usuários ou dispositivos, tráfego intra e inter-redes e outras atividades. Os modelos para detecção de anomalias normalmente usam métodos de aprendizagem supervisionados ou não supervisionados para detectar valores discrepantes, variam na quantidade de informações usadas nos dados e devem ser treinados em um conjunto de dados rotulados.
A detecção de anomalias funciona verificando pontos de dados que divergem do comportamento ou padrões esperados em um conjunto de dados. Isso pode incluir atividades incomuns em contas de clientes, tráfego de rede suspeito, possível fraude ou qualquer outro tipo de ponto de dados que se destaque do restante dos dados. Quando um padrão incomum é detectado, o sistema pode ser usado para alertar um operador ou iniciar uma resposta automatizada à ameaça.
Os sistemas de detecção de anomalias podem ser usados para segurança cibernética, coleta de inteligência, detecção de fraudes, detecção de defeitos de fabricação e análise de dados de saúde. Este tipo de detecção também pode ser usado na área da saúde para detectar problemas médicos, para diagnosticar mau funcionamento ou falha de equipamentos ou para detectar fraudes financeiras.
A detecção de anomalias é uma ferramenta poderosa para detectar ameaças ou comportamento malicioso. No entanto, devido à complexidade de alguns conjuntos de dados, podem ocorrer falsos positivos ou falsos negativos com estes modelos – onde um evento anormal é detectado incorretamente ou um comportamento malicioso passa despercebido. Para reduzir esses falsos positivos e negativos, os modelos de detecção de anomalias devem ser cuidadosamente ajustados e reavaliados periodicamente.
