Capítulo 3 — Proposta de contribuição original

Capítulo 3 — Proposta de contribuição original

Mapa da aula

Aula 03 publicada. Mapa, exemplo, EX015.

flowchart TD
  N0["3.1 Tipos de contribuição"]
  N1["3.2 O mecanismo: visibilidade complementar"]
  N2["3.3 Modelo de observador"]
  N3["3.4 Hipóteses e limiares"]
  N4["3.5 Linhas de base e rivais"]
  N5["Síntese do capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5
  N5 --> EX["Exemplo resolvido"]
  EX --> Q["Exercício EX015"]

Desenho lógico

flowchart LR
  N0["3.1 Tipos de contribuição"]
  N1["3.2 O mecanismo: visibilidade complementar"]
  N2["3.3 Modelo de observador"]
  N3["3.4 Hipóteses e limiares"]
  N4["3.5 Linhas de base e rivais"]
  N5["Síntese do capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> Q["EX015"]

[3.1 Tipos de contribuição]
    |
    v
[3.2 O mecanismo: visibilidade complementar]
    |
    v
[3.3 Modelo de observador]
    |
    v
[3.4 Hipóteses e limiares]
    |
    v
[3.5 Linhas de base e rivais]
    |
    v
[Síntese do capítulo]
    |
    v
[Exemplo resolvido] --> [Exercício EX015]

Objetivos de aprendizagem e conexão

Depois deste capítulo, você consegue (1) classificar uma contribuição proposta por tipo; (2) expressar um mecanismo que explique por que um método deveria funcionar; (3) escrever um modelo de observador — o equivalente, na pesquisa de inventário, de um modelo de atacante; (4) enunciar hipóteses com limiares pré-registrados e condições de falha; e (5) selecionar linhas de base justas e nomear explicações rivais. Ele transforma a lacuna falseável do Capítulo 2 numa proposta que o Capítulo 4 pode pilotar.

3.1 Tipos de contribuição

Uma contribuição de doutorado nesta área geralmente é uma das seguintes: um novo método (um procedimento de inventário de duas fontes), uma nova medição (a primeira estimativa independente da revocação das ferramentas de inventário), um novo artefato (um corpus adjudicado aberto), um resultado negativo (mostrar que uma métrica muito usada é inválida) ou uma teoria (um modelo de como a agilidade reduz o tempo até a substituição). Enuncie um tipo principal; contribuições secundárias são bem-vindas, mas não devem diluir a alegação que os examinadores vão testar. A contribuição principal do Ciphertrail Study é uma medição — revocação e precisão independentes de um método de duas fontes —, com o corpus adjudicado como artefato secundário.

3.2 O mecanismo: visibilidade complementar

Um método merece estudo quando há uma razão para que ele funcione. A análise estática — varredura do código-fonte, dos manifestos de dependências, dos binários e da configuração — vê a criptografia que a organização constrói e configura, mas não o que os appliances fechados de fornecedores fazem internamente. A telemetria passiva — metadados dos handshakes de TLS, SSH e IKE — vê o que é realmente negociado na rede, inclusive dentro dos appliances de fornecedores, mas não vê nada sobre os dados em repouso nem sobre dispositivos que nunca conversam num segmento monitorado. O mecanismo é a visibilidade complementar: as duas fontes falham em classes de ativos diferentes, então a sua união deveria elevar a revocação onde uma é cega e a outra não, e não deveria ajudar onde as duas são cegas. Um mecanismo que prevê onde o método vai falhar é mais valioso do que um que prevê apenas o sucesso, porque torna a alegação falseável.

3.3 Modelo de observador

Defina o que cada instrumento consegue e não consegue observar, como um modelo de atacante definiria capacidades:

Note a sutileza do TLS 1.3: os certificados trafegam cifrados no TLS 1.3, então um sensor puramente passivo vê o grupo de troca de chaves selecionado, mas não o algoritmo de assinatura do servidor, a menos que se acrescente registro nos pontos finais. Uma proposta que ignorasse isso alegaria demais sobre a cobertura passiva das assinaturas.

3.4 Hipóteses e limiares

Pré-registre, antes de ver o corpus principal:

• H1 — A revocação de duas fontes dos usos vulneráveis à computação quântica excede a revocação só estática em pelo menos 0,10 no corpus da HRHN (comparação pareada; o limite inferior do IC de 95% da diferença é de pelo menos 0,10).
• H2 — A precisão de duas fontes é de pelo menos 0,90 (as constatações passivas podem produzir duplicatas e atribuições erradas).
• H3 — O ganho de revocação se concentra nos appliances de fornecedores; nos usos de dados em repouso, o ganho fica abaixo de 0,02. Esta hipótese prevê uma falha.
• H4 — Os resultados se transferem: no corpus intocado da Marrow, com limiares e regras de fusão congelados, o ganho de revocação continua sendo de pelo menos 0,05.

Cada hipótese tem uma condição declarada sob a qual é rejeitada. A H3 está incluída porque um método que "ajuda em toda parte" seria suspeito, dado o mecanismo.

3.5 Linhas de base e rivais

A linha de base é a análise só estática configurada por um engenheiro competente, com o mesmo acesso, e não um scanner deliberadamente fraco. Uma segunda linha de base é a só passiva. Entre as explicações rivais para um ganho observado estão: constatações passivas que duplicam constatações estáticas com nomes diferentes (inflando as contagens), adjudicadores influenciados por qual ferramenta encontrou um item (inflando a precisão) e um corpus que super-representa appliances (inflando o ganho agregado). O desenho responde a cada uma: identificadores canônicos por uso, adjudicação cega e relato por classe.

Escreva cada rival com o resultado que a sustentaria, para que o desenho possa ser julgado antes de os dados chegarem.

3.6 Exemplo resolvido e Laboratório 3

A proposta inclui um estudo-modelo para verificar se H1 e H3 são sequer plausíveis antes de qualquer dado ser coletado. As probabilidades de detecção são valores didáticos arbitrários, escolhidos para encarnar o mecanismo.

# Lab 3 - Ciphertrail Study (synthetic): static-only vs dual-source inventory recall.
# Each quantum-vulnerable "use" belongs to an asset class; each source detects it with a
# class-specific probability (ARBITRARY teaching values). Dual-source = union of detections.
import random
random.seed(2026)
classes = {  # class: (count, P(static detects), P(passive detects))
    "in-house code":       (420, 0.90, 0.55),
    "vendor appliance":    (260, 0.20, 0.80),
    "embedded/offline":    (180, 0.30, 0.10),
    "data at rest":        (140, 0.70, 0.00),
}
tot = {"static": 0, "dual": 0}; n_all = 0
print(f"{'class':18s}{'n':>5s}{'static':>8s}{'dual':>7s}")
for c, (n, ps, pp) in classes.items():
    s = d = 0
    for _ in range(n):
        hs, hp = random.random() < ps, random.random() < pp
        s += hs; d += (hs or hp)
    tot["static"] += s; tot["dual"] += d; n_all += n
    print(f"{c:18s}{n:5d}{s/n:8.2f}{d/n:7.2f}")
print(f"{'ALL':18s}{n_all:5d}{tot['static']/n_all:8.2f}{tot['dual']/n_all:7.2f}")

Saída esperada:

class                 n  static   dual
in-house code       420    0.89   0.94
vendor appliance    260    0.18   0.84
embedded/offline    180    0.39   0.47
data at rest        140    0.69   0.69
ALL                1000    0.59   0.79

O modelo mostra o padrão previsto: um grande ganho nos appliances de fornecedores, quase nenhum nos dados em repouso e um ganho agregado (0,20) que depende fortemente da composição das classes. Esse último ponto é um alerta de desenho — uma organização com menos appliances mostraria um ganho agregado menor para o mesmo método, então a tese precisa relatar os resultados por classe e a composição.

3.7 Erros comuns e limites

• Propor um método sem mecanismo, de modo que qualquer resultado possa ser racionalizado.
• Hipóteses que não podem falhar, como "a revocação de duas fontes é pelo menos tão alta quanto a estática" (verdadeiro por construção, para uma união).
• Linhas de base fracas, escolhidas para fazer o método parecer bom.
• Ignorar que o TLS 1.3 esconde os certificados dos observadores passivos.
• Estudos-modelo provam apenas a consistência interna; os números do Laboratório 3 são pressupostos.

Cada erro tem um sintoma visível numa proposta: um método descrito sem dizer onde deveria falhar, uma hipótese que uma união garante, uma linha de base estática executada com as configurações padrão por alguém que não a conhece, ou uma alegação de cobertura passiva das assinaturas sob TLS 1.3. Verifique esses sintomas na proposta antes que o comitê o faça.

Exercícios — capítulo 3

• EX015 — Tipo de contribuição. Classifique a contribuição do Ciphertrail e um enquadramento alternativo; argumente qual um examinador acharia mais forte. Rubrica: 3 = justificado com referência à testabilidade.
• EX016 — Mecanismo. Escreva um parágrafo de mecanismo para um método diferente (por exemplo, inventário a partir de listas de materiais de software). Rubrica: 3 = prevê pelo menos uma classe de falha.
• EX017 — Modelo de observador. Acrescente um observador "E — registros dos pontos finais" à tabela de 3.3. Rubrica: 3 = colunas vê/não vê precisas, incluindo o custo para a privacidade.
• EX018 — Hipótese que pode falhar. Reescreva "duas fontes é melhor" como uma hipótese que possa ser rejeitada. Rubrica: 3 = limiar, comparação e condição de rejeição enunciados.
• EX019 — Composição das classes. Modifique o Laboratório 3 para que os appliances de fornecedores sejam 60 em vez de 260 (ajuste o código interno para 620). Relate o ganho agregado e explique. Rubrica: 3 = execução correta e interpretação ligada à composição das classes.
• EX020 — Rivais. Nomeie mais duas explicações rivais para um ganho de revocação e o elemento do desenho que responde a cada uma. Rubrica: 3 = rivais plausíveis, controles específicos.

Síntese do capítulo

Uma contribuição é defensável quando o seu mecanismo prevê tanto o sucesso quanto a falha, o seu modelo de observador declara o que cada instrumento não consegue ver, as suas hipóteses podem ser rejeitadas e as suas linhas de base são fortes. O Ciphertrail Study propõe a visibilidade complementar e prevê onde ela não vai ajudar.

Continue estudando — capítulo 03 de 08

← Capítulo 02 · Índice de capítulos do curso · Capítulo 04 →

Siga para a próxima lição escrita.