13ago2026
09:00 Defesa de Doutorado Sala 85 do IC2
Tema
Phishing Detection in Conversational Platforms
Aluno
Stephane de Freitas Schwarz
Orientador / Docente
Anderson de Rezende Rocha
Breve resumo
O envio de mensagens do tipo Application-to-Person (A2P) transformou a forma como empresas interagem com seus clientes, viabilizando comunicações escaláveis, eficientes e personalizadas em diversos setores. No entanto, a ampla adoção, o baixo custo e a acessibilidade dos serviços de mensageria também contribuíram para o aumento das atividades fraudulentas, em particular o smishing, uma das formas mais antigas e prevalentes de phishing direcionado ao serviço de mensagens curtas (SMS). Esse desafio foi intensificado com o surgimento dos modelos generativos de linguagem, que ampliaram tanto a escala quanto a sofisticação da geração de mensagens fraudulentas, permitindo que atacantes produzam conteúdos altamente persuasivos enquanto evitam mecanismos tradicionais de detecção. Mensagens fraudulentas impactam múltiplas instituições ao longo do ecossistema, incluindo plataformas de mensageria responsáveis pela integridade do conteúdo, empresas legítimas cujas marcas podem ser imitadas e prejudicadas, e usuários finais, que permanecem como os alvos finais desses ataques. Embora abordagens anteriores tenham se concentrado principalmente na adaptação contínua de modelos supervisionados de detecção em dispositivos, por meio de fine-tuning em larga escala, pouca atenção tem sido dada à exploração de estruturas em nível de campanha, apesar da significativa sobreposição entre mensagens distribuídas em diferentes campanhas. Além disso, implantações em cenários reais impõem requisitos que vão além da acurácia de detecção, especialmente tempos de resposta de baixa latência que evitem introduzir atrasos no pipeline de envio de mensagens. Esta tese aborda esses desafios ao reduzir a lacuna entre a robustez dos modelos e os requisitos industriais para detecção de conteúdo malicioso em ambientes SMS, com extensões aplicáveis a outros canais de mensageria, incluindo over-the-top (OTT) e Rich Communication Services (RCS). Investigamos métodos que vão desde abordagens heurísticas simples até técnicas mais complexas de aprendizado de máquina, analisando suas vantagens e limitações para desenvolver um arcabouço integrado de detecção que explora múltiplas características ao longo de todo o pipeline de envio. Para enfrentar a escassez de conjuntos de dados e de alta qualidade na literatura, colaboramos com a plataforma de comunicação Sinch para construir um conjunto de dados e exploramos uma abordagem zero-shot para acelerar o processo de rotulagem. Nossos resultados mostram que uma solução integrada, combinando múltiplas fontes de informação contextual, pode se adaptar melhor, em tempo real, a padrões emergentes de fraude. Embora a natureza adversarial da detecção de fraudes permaneça como um contínuo jogo de gato e rato, este trabalho demonstra que a combinação entre modelagem robusta e inteligência contextual pode fortalecer significativamente as defesas contra mensagens maliciosas, ao mesmo tempo em que evidencia oportunidades para melhorias futuras à medida que os adversários continuam a evoluir.
Banca examinadora
Titulares:
| Anderson de Rezende Rocha | IC/UNICAMP |
| Thiago Alexandre Salgueiro Pardo | ICMC/USP |
| Hugo Pedro Martins Carriço Proença | UBI/Portugal |
| Washington Luiz Miranda da Cunha | IC/UNICAMP |
| Helena de Almeida Maia | IC/UNICAMP |
Suplentes:
| João Paulo Papa | FC/UNESP |
| David Menotti Gomes | DInf/UFPR |
| Marjory Cristiany da Costa Abreu | SHU/Reino Unido |