Modelagem integrada de violações de dados : previsão de incidentes, análise de sobrevivência e privacidade diferencial em séries temporais

Abstract

Esta dissertação investiga violações de dados sob a ótica da segurança da informação e da proteção de dados pessoais, articulando previsão temporal, análise de recorrência e privacidade diferencial. Parte-se de uma análise bibliométrica sobre privacidade e segurança cibernética, seguida da exploração da base Data Breach Chronology da Privacy Rights Clearinghouse, com estratificação por setor organizacional. No eixo preditivo, comparam-se modelos estatísticos (SARIMA e Prophet), modelos de aprendizado de máquina baseados em árvores de decisão (XGBoost) e redes neurais profundas (TCN e LSTM) para a previsão mensal de incidentes, avaliando o desempenho por meio das métricas MAPE, MAE e RMSE. Em seguida, aplica-se a análise de Sobrevivência (Kaplan–Meier) para estimar o tempo até a reincidência do próximo incidente por setor, evidenciando perfis diferenciados de risco temporal. Por fim, avalia-se o impacto da privacidade diferencial, por meio do mecanismo de Laplace, em dados tabulares de incidentes sintéticos, quantificando o equilíbrio entre orçamento de privacidade, deslocamento distributivo e perda de acurácia. Os resultados indicam melhor desempenho preditivo de redes neurais em séries mais complexas, janelas de recorrência menores em setores críticos e faixas de parâmetros de privacidade que preservam utilidade analítica. Em conjunto, os achados compõem um arcabouço aplicado para apoiar planejamento, definição de SLAs e divulgação responsável de estatísticas em conformidade com a Lei Geral de Proteção de Dados Pessoais.