Libro disponible en 5 dias hábiles.

b'O avan\xe7o tecnol\xf3gico colabora com o aumento do risco de perda de dados sens\xedveis de empresas e resid\xeancias. Apesar da evolu\xe7\xe3o e vasta disponibilidade de ferramentas de prote\xe7\xe3o, nos atuais sistemas de preven\xe7\xe3o de vazamento de dados, como os Data Leak Prevent (DLP), a falta de flexibilidade, clareza e limita\xe7\xf5es funcionais dificultam a escolha. Existem diversas solu\xe7\xf5es comerciais que muitas vezes apresentam um alto custo de licenciamento, implanta\xe7\xe3o, al\xe9m de limita\xe7\xf5es de recursos de preven\xe7\xe3o. O objetivo deste trabalho \xe9 validar a aplica\xe7\xe3o de uma rede neural na potencializa\xe7\xe3o de um proxy DLP para impedir o envio n\xe3o autorizado de dados sens\xedveis armazenados ou capturados por c\xe2meras de v\xeddeo. Neste trabalho \xe9 proposta uma arquitetura de DLP, que passa por treinamentos e pela implanta\xe7\xe3o de uma ferramenta de reconhecimento de objetos em documentos de imagens e v\xeddeos - funcionalidade n\xe3o presente nos DLP comerciais pesquisados. A partir de um experimento, com base nos \xedndices de Verdadeiro Positivos, Falso Positivos e Verdadeiro Negativos, \xe9 poss\xedvel observar a acur\xe1cia e a efic\xe1cia do uso de uma rede neural em um ambiente de DLP. E mostrar que tal integra\xe7\xe3o protege com transpar\xeancia sem ocultar limita\xe7\xf5es, e atende caracter\xedsticas de prote\xe7\xe3o que as principais solu\xe7\xf5es comerciais como Triton Websense, Check Point, Varonis e AirWatch n\xe3o abordam.'