Year: 2026
Type: dissertation
Abstract: O rápido avanço de agentes impulsionados por Grandes Modelos de Linguagem (LLMs) introduziu uma assimetria crescente entre as capacidades ofensivas e defensivas em cibersegurança.Esta tese aborda esse desequilíbrio através de uma estrutura de duplo agente, avaliada num ambiente de simulação IT/OT em contentores, de alta fidelidade, modelado como uma rede Capture The Flag (CTF) de múltiplas fases.O agente ofensivo, The Entity, adota uma arquitetura de duplo agente Planeador/Executor que dissocia o planeamento estratégico da execução tática.Este design resolve diretamente os estrangulamentos cognitivos de linhas de base monolíticas, que estagnaram numa progressão da cadeia de ataque (kill chain) de apenas 28,89% sob observabilidade parcial.A avaliação empírica em três infraestruturas de LLMs de pesos abertos demonstra que as arquiteturas nativas de raciocínio em Cadeia-de-Pensamento (Chain-of-Thought (CoT)) sofrem de grave poluição de contexto em operações de longo horizonte, consumindo mais de 15,8 milhões de tokens.Em contraste, um modelo padrão ajustado por instruções (instruction-tuned), restrito a uma janela de contexto de 16.384 tokens, alcançou o equilíbrio operacional ideal, atingindo 90,00% de progressão na cadeia de ataque e uma recordação (recall) de rede perfeita.O agente defensivo, a Poison Pill, introduz a Defesa Contextual: injetando instruções adversariais em todos os canais de saída textual do ambiente e implementando um honeypot generativo com preservação de estado (stateful), suportado por LLM.As avaliações de Red-Blue Teaming confirmam que estes componentes neutralizam eficazmente a linha de base ofensiva otimizada, interrompendo as operações através de estados fabricados de sucesso da missão ou exaurindo os recursos computacionais do agente.Uma experiência final revela que a consciencialização adversarial apenas ao nível da instrução (prompt) é insuficiente para garantir a resiliência: agentes previamente avisados identificam as cargas úteis (payloads) enganosas, mas carecem dos mecanismos de validação cruzada necessários para distinguir a manipulação de uma falha genuína, resultando no corte das suas próprias vias de ataque.
Author: Rúben Silvério Fernandes Esteves
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7198062515