GuardAI — Agente Inteligente para Cibersegurança e Análise de Vulnerabilidades

A Inteligência Artificial está ampliando as possibilidades de atuação em diversas áreas da tecnologia. Na Cibersegurança, ela pode ajudar a organizar conhecimentos, compreender vulnerabilidades e orientar profissionais na identificação e correção de riscos.

Foi a partir dessa proposta que desenvolvi o GuardAI — Agente Inteligente para Cibersegurança e Análise de Vulnerabilidades, como parte de um desafio educacional da Digital Innovation One (DIO).

Neste artigo, compartilho um pouco do desenvolvimento, das personalizações realizadas e de uma demonstração prática de vulnerabilidade que fez parte do projeto.

1. A origem do GuardAI

O ponto de partida foi o projeto-base DIO Agent, disponibilizado pela DIO.

A proposta foi utilizar a estrutura existente e especializar o agente em um domínio específico.

Escolhi a área de Cibersegurança, com foco em análise de vulnerabilidades.

Assim nasceu o GuardAI, um agente com identidade, instruções e conhecimentos direcionados à segurança defensiva.

2. Como o agente foi especializado?

O desenvolvimento foi organizado em três componentes principais.

Persona — Identidade do agente

Personalizei as instruções do agente para que sua atuação fosse direcionada à segurança da informação, considerando autorização, identificação de riscos e orientação de correções.

Skill — Análise de vulnerabilidades

Desenvolvi uma habilidade específica para orientar o processo de análise, contemplando:

• Identificação de possíveis vulnerabilidades.
• Avaliação de riscos e severidade.
• Análise de possíveis impactos.
• Recomendações de correção.
• Orientações para validação.
• Organização dos resultados em relatórios.

Base de conhecimento

Criei uma base de conhecimento com fundamentos de segurança da informação, incluindo vulnerabilidades, ameaças, riscos, boas práticas e a tríade CIA:

• Confidencialidade.
• Integridade.
• Disponibilidade.

Essa estrutura permite que o agente tenha uma orientação especializada, em vez de atuar de maneira genérica.

3. Na prática: demonstrando uma vulnerabilidade SQL Injection

Uma das partes mais importantes do projeto foi desenvolver um laboratório prático utilizando Python e SQLite.

O objetivo foi demonstrar como uma falha na construção de consultas SQL pode comprometer a autenticação de uma aplicação.

O que é SQL Injection?

SQL Injection é uma vulnerabilidade que ocorre quando dados fornecidos pelo usuário são incorporados diretamente a comandos SQL, permitindo que uma entrada modifique a lógica da consulta.

Dependendo do contexto e das permissões da aplicação, essa falha pode permitir acesso indevido a informações, alteração de registros e outras operações não autorizadas.

A vulnerabilidade está relacionada à classificação CWE-89.

Como o problema foi demonstrado?

No laboratório, criamos dois cenários:

• Aplicação vulnerável.
• Aplicação corrigida.

No cenário vulnerável, a consulta SQL era construída utilizando interpolação de texto (f-string).

Conceitualmente, o código apresentava este formato:

query = f"SELECT * FROM users WHERE username = '{username}' AND password = '{password}'"

O problema é que os dados fornecidos pelo usuário eram inseridos diretamente na consulta.

Para demonstrar a falha, utilizamos a seguinte entrada no campo de usuário:

admin' --

E uma senha qualquer:

qualquercoisa

O trecho -- inicia um comentário SQL no SQLite. Com isso, a verificação da senha podia ser ignorada na consulta vulnerável.

Resultado observado: ACESSO CONCEDIDO.

Isso demonstrou que era possível contornar a autenticação sem fornecer a senha correta.

4. Como a vulnerabilidade foi corrigida?

Após identificar o problema, implementamos a correção utilizando consultas parametrizadas (prepared statements).

A consulta passou a utilizar parâmetros:

query = "SELECT * FROM users WHERE username = ? AND password = ?"
cursor.execute(query, (username, password))

Essa mudança é fundamental porque separa a estrutura do comando SQL dos valores fornecidos pelo usuário.

Assim, uma entrada maliciosa passa a ser tratada como dado, e não como parte da instrução SQL.

Repetimos a tentativa de exploração utilizando o mesmo payload:

admin' --

Resultado observado: ACESSO NEGADO.

Também verificamos que o login legítimo continuou funcionando, enquanto senhas incorretas e as entradas utilizadas na tentativa de injeção eram rejeitadas.

5. Antes e depois da correção

CenárioResultadoConsulta com interpolação de textoVulnerável à injeção demonstradaPayload admin' -- no modo vulnerávelAcesso concedidoConsulta parametrizadaProtegida contra a injeção demonstradaMesmo payload no modo corrigidoAcesso negadoCredenciais legítimas no modo corrigidoAcesso concedido

A principal lição foi compreender que a segurança não depende apenas de validar o que o usuário digita. É fundamental construir as consultas ao banco de dados de maneira segura.

6. O que esse desenvolvimento representou?

O GuardAI reuniu conhecimentos de diferentes áreas:

• Inteligência Artificial e especialização de agentes.
• Engenharia de instruções e organização de habilidades.
• Fundamentos de Cibersegurança.
• Python e SQLite.
• Identificação e classificação de vulnerabilidades.
• Correção e validação de falhas.
• Documentação técnica.

Também foi possível compreender a importância da tríade CIA na avaliação dos impactos de uma vulnerabilidade:

Confidencialidade: possibilidade de acesso indevido a informações.

Integridade: possibilidade de alteração não autorizada de dados, dependendo das permissões.

Disponibilidade: possibilidade de interrupção ou comprometimento do acesso aos serviços, dependendo da exploração.

No laboratório, demonstramos o contorno da autenticação. Os demais impactos foram avaliados como riscos potenciais, não como resultados diretamente executados.

7. Tecnologias e estrutura utilizadas

O projeto utilizou:

• Python.
• SQLite.
• Hermes Agent.
• Markdown.
• Git e GitHub.

Sua estrutura independente contém a persona do agente, a base de conhecimento, a skill de análise de vulnerabilidades, o laboratório prático e as evidências dos resultados.

8. Considerações finais

Desenvolver o GuardAI foi uma oportunidade de sair da teoria e aplicar conhecimentos em um projeto prático.

Um dos principais aprendizados foi perceber que identificar uma vulnerabilidade é apenas o começo. É necessário compreender sua causa, avaliar os riscos, implementar uma correção e verificar se ela realmente resolveu o problema.

No caso do SQL Injection, a utilização de consultas parametrizadas resolveu a falha demonstrada no laboratório.

O projeto também mostrou como a especialização de um agente de Inteligência Artificial pode organizar conhecimentos e orientar atividades em um domínio técnico específico.

Este é um passo importante na minha jornada de aprendizado em Inteligência Artificial e Cibersegurança.

Agradecimentos

Agradeço à Digital Innovation One (DIO) pela oportunidade de aprendizado e pelo projeto-base que possibilitou essa especialização.

Meu agradecimento também à instrutora Isadora Ferrão, PhD, pela condução e compartilhamento de conhecimento durante essa jornada.

Conheça o projeto

O GuardAI está disponível no GitHub:

https://github.com/adamasnegro/GuardAI

GuardAI — Inteligência Artificial aplicada à Cibersegurança.

#DIO #Cibersegurança #InteligênciaArtificial #CyberSecurity #Python #SQLInjection #SegurançaDaInformação #GitHub