UM MODELO DE LINGUAGEM PEQUENO ESPECIALISTA EM ATAQUES CIBERNÉTICOS COM SUPERVISÃO AUTÔNOMA DO AJUSTE FINO

A sobrecarga de alertas em Centros de Operações de Segurança e as preocupações com privacidade em soluções de inteligência artificial baseadas em nuvem são desafios relevantes para a análise de logs em ambientes corporativos. Este trabalho propõe uma arquitetura de aprendizado de máquina para triagem semântica de registros de rede, baseada no ajuste fino de um modelo de linguagem pequeno (SLM) executado localmente. A metodologia adota o paradigma LLM juiz, no qual um modelo de linguagem é usado tanto para gerar dados sintéticos de treinamento quanto para avaliar automaticamente as respostas do SLM. Essa estratégia reduz a dependência de rotulagem manual, preserva a confidencialidade dos dados e viabiliza o processamento direto na borda da rede. A avaliação experimental, realizada por meio de um pipeline automatizado, considerou critérios de acurácia lógica e fidelidade estrutural. Os resultados indicam que o modelo ajustado alcançou vazão de 103 Tokens per Second (TPS) e 100% de fidelidade métrica, superando modelos genéricos em precisão e eficiência para aplicações de segurança em redes locais.