Cibersegurança frente aos riscos da transição quântica, da inteligência artificial, e de aspectos humanos
DOI:
https://doi.org/10.5753/compbr.2026.55.7498Keywords:
Cibersegurança, Referenciais de Formação, Ameaça Quântica, Tecnologias Emergentes, Fatores humanosAbstract
Este artigo descreve os principais desafios de pesquisa e inovação da área de Cibersegurança. Apoiando-se nos eixos temáticos definidos nos Referenciais de Formação do Curso de Bacharelado em Cibersegurança (RF-CS) da SBC, foram identificados os seguintes temas: a ameaça da computação quântica, que ao menos em teoria pode vir a violar as propriedades de segurança de diversos algoritmos criptográficos atuais; os riscos e incertezas criados por tecnologias emergentes, em especial as associadas à construção e operação de sistemas autônomos e inteligentes; e a necessidade de reduzir riscos decorrentes da interação humana com sistemas computacionais, via decisões e comportamentos que levam a violações de segurança de forma acidental ou intencional. Em adição à discussão técnica, o texto aborda também iniciativas em andamento que podem ajudar a sanar os desafios identificados.
Downloads
Referências
ITU-T (2019). Recommendation ITU-T Y.3800 - overview on networks supporting quantum key distribution. Relatório técnico, International Telecommunication Union.
NIST (2023). SP 1800-38B: Migration to Post-Quantum Cryptography. Quantum Readiness: Cryptographic Discovery. National Institute of Standards and Technology.
Pollini, A., Callari, T. C., Tedeschi, A., Ruscio, D., Save, L., Chiarugi, F. e Guerri, D. (2022). Leveraging human factors in cybersecurity: an integrated methodological approach. Cognition, Technology & Work, 24(2):371–390.
Rose, S., Borchert, O., Mitchell, S. e Connelly, S. (2020). NIST SP 800-207: Zero trust architecture. Relatório técnico, National Institute of Standards and Technology.
SBC (2023). Referenciais de formação para o curso de bacharelado em cibersegurança. Relatório técnico, Sociedade Brasileira de Computação (SBC).
Vassilev, A., Oprea, A., Fordyce, A. e Anderson, H. (2024). Adversarial machine learning: A taxonomy and terminology of attacks and mitigations. Relatório técnico, National Institute of Standards and Technology.
Downloads
Published
Como Citar
Issue
Section
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
