Capítulo 41 — Arquitetura e engenharia de segurança: otimização do sistema
Mapa da aula
Aula 41 publicada. Mapa, exemplo, EX121.
flowchart TD
N0["41.1 Escolher sob restrições"]
N1["41.2 Guloso versus exaustivo"]
N2["Laboratório — Seleção de controles gulosa e exaustiv"]
N3["Síntese"]
N0 --> N1 --> N2 --> N3
N3 --> EX["Exemplo resolvido"]
EX --> Q["Exercício EX121"]
Desenho lógico
flowchart LR
N0["41.1 Escolher sob restrições"]
N1["41.2 Guloso versus exaustivo"]
N2["Laboratório — Seleção de controles gulosa e exaustiv"]
N3["Síntese"]
N0 --> N1 --> N2 --> N3 --> Q["EX121"]
[41.1 Escolher sob restrições]
|
v
[41.2 Guloso versus exaustivo]
|
v
[Laboratório — Seleção de controles gulosa e exaustiv]
|
v
[Síntese]
|
v
[Exemplo resolvido] --> [Exercício EX121]
Objetivos de aprendizagem
Você vai (1) formular a seleção de controles como uma otimização sob orçamento; (2) comparar a seleção gulosa e a exaustiva sobre dados sintéticos; (3) reconhecer os limites da otimização numérica na segurança.
41.1 Escolher sob restrições
O orçamento de segurança da Corvia para o próximo ano não consegue financiar todos os controles propostos. Sofia formula a escolha como uma otimização: cada controle candidato tem um custo e uma redução de risco estimada a partir da avaliação de risco do capítulo 24, e o objetivo é maximizar a redução total dentro do orçamento. Essa é uma versão do problema da mochila da matemática discreta. Formular a decisão assim torna as premissas explícitas e permite que as partes interessadas vejam por que um controle foi preferido a outro, em vez de depender de quem argumenta mais alto numa reunião de orçamento.
41.2 Guloso versus exaustivo
Sofia compara dois métodos sobre oito controles candidatos sintéticos. Um método guloso escolhe os controles em ordem de redução por unidade de custo até esgotar o orçamento. Uma busca exaustiva testa todas as combinações, o que é viável aqui porque oito itens dão só 256 subconjuntos. O laboratório abaixo mostra que a seleção gulosa chega perto, mas perde a melhor combinação, porque enche o orçamento com itens pequenos e eficientes e não deixa espaço para um controle grande e valioso. Em problemas maiores, a busca exaustiva se torna impossível, e os engenheiros usam algoritmos melhores ou aceitam aproximações conscientemente.
Laboratório — Seleção de controles gulosa e exaustiva
# Greedy vs exhaustive control selection under budget (synthetic costs and risk reductions).
from itertools import combinations
C = {"mfa-admins": (8, 10), "egress-filter": (15, 13), "log-review": (20, 14), "hsm-keys": (50, 34),
"edr-depots": (35, 20), "phish-training": (12, 9), "backup-offline": (25, 17), "waf": (30, 15)}
B = 100
g, cost, val = [], 0, 0
for k, (c, v) in sorted(C.items(), key=lambda kv: kv[1][1] / kv[1][0], reverse=True):
if cost + c <= B: g.append(k); cost += c; val += v
best = max((s for r in range(len(C) + 1) for s in combinations(C, r) if sum(C[k][0] for k in s) <= B),
key=lambda s: sum(C[k][1] for k in s))
print(f"greedy: value {val}, cost {cost}, {sorted(g)}")
print(f"exhaustive: value {sum(C[k][1] for k in best)}, cost {sum(C[k][0] for k in best)}, {sorted(best)}")
Execute com python3 lab_knapsack.py. Saída verificada:
greedy: value 63, cost 80, ['backup-offline', 'egress-filter', 'log-review', 'mfa-admins', 'phish-training']
exhaustive: value 74, cost 98, ['backup-offline', 'egress-filter', 'hsm-keys', 'mfa-admins']
41.3 Limites dos números
A otimização só é tão boa quanto seus dados de entrada. As estimativas de redução de risco são incertas, os controles interagem, de modo que dois controles podem se sobrepor em vez de se somar, e alguns controles são obrigatórios para a conformidade, qualquer que seja a pontuação. Sofia roda a seleção com estimativas baixas e altas e mostra quais controles são escolhidos em todos os cenários; essas são as escolhas robustas. Ela apresenta o resultado como apoio à decisão, e não como uma decisão. Daniel acrescenta que o principal valor do exercício é a conversa que ele força sobre as estimativas, que muitas vezes revela que ninguém sabe quanto um controle popular de fato reduz o risco.
Exemplo resolvido
Sofia formula os controles do próximo ano como um problema da mochila com orçamento, mostra a seleção gulosa perdendo o ótimo em dados sintéticos e identifica as escolhas robustas nas faixas de estimativa.
Caso sintético. Os controles, os custos e as reduções são sintéticos.
Erros e limites
A redução de risco aditiva é irrealista quando os controles se sobrepõem. Os controles obrigatórios precisam ser fixados antes da otimização.
Exercícios
-
EX121 — Tipo de problema. A que problema clássico a seleção de controles com orçamento se assemelha? Rubrica: 3 = o problema da mochila;; 2 = mochila;; 1 = ordenação;; 0 = nenhuma.
-
EX122 — Deficiência do guloso. No laboratório, como a seleção gulosa se comparou ao ótimo exaustivo? Rubrica: 3 = o guloso chegou a 63 com custo 80; o ótimo foi 74 com custo 98 e incluiu hsm-keys;; 2 = os dois valores;; 1 = iguais;; 0 = nenhuma.
-
EX123 — Escolha robusta. O que torna um controle uma escolha robusta? Rubrica: 3 = ele é selecionado tanto com as estimativas baixas quanto com as altas;; 2 = os dois cenários;; 1 = maior pontuação;; 0 = nenhuma.
Síntese
A otimização enquadra com clareza o investimento em segurança, mas estimativas incertas e que interagem fazem do seu resultado um conselho, e não um veredito.
Continue estudando — aula 41 (capítulo 41 de 50)
← Capítulo 40 · Índice das aulas · Capítulo 42 →
Continue para a próxima aula já escrita.