Category: Uncategorized

  • Amazon GameLift Streams ganha acesso seguro via terminal para sessões de stream

    Diagnóstico em tempo real sem complicação de infraestrutura

    A AWS anunciou uma novidade relevante para equipes que trabalham com o Amazon GameLift Streams: o serviço agora conta com o Stream Session Admin Shell, um recurso que oferece acesso seguro via terminal diretamente ao ambiente de execução de uma sessão de stream ativa.

    Na prática, isso significa que desenvolvedores e operadores podem se conectar ao ambiente em tempo real para fazer diagnósticos — sem precisar configurar chaves SSH (Secure Shell), abrir portas de rede ou lidar com credenciais de infraestrutura. Uma mão na roda para quem precisa investigar problemas em sessões ao vivo sem interromper o fluxo do usuário final.

    O que é possível fazer com o Admin Shell

    Uma vez conectado ao terminal da sessão, a equipe técnica pode realizar diversas ações de inspeção e diagnóstico, como:

    • Inspecionar logs da aplicação em tempo real
    • Consultar os processos em execução
    • Verificar a utilização da GPU (Unidade de Processamento Gráfico)
    • Examinar o estado atual da aplicação

    O nível de acesso concedido pelo terminal é equivalente ao que as próprias aplicações do Amazon GameLift Streams possuem — nem mais, nem menos. Isso garante um escopo controlado e seguro para as operações de diagnóstico.

    Como funciona na prática

    Para se conectar, o processo é direto: basta chamar a nova API CreateStreamSessionAdminShell informando os identificadores do grupo de stream e da sessão desejada. A API retorna as credenciais necessárias, que devem ser usadas em conjunto com o plugin SSM Session Manager da Interface de Linha de Comando (CLI) da AWS.

    O terminal é automaticamente encerrado quando a sessão de stream chega ao fim — sem necessidade de desconexão manual ou limpeza adicional.

    Compatibilidade e disponibilidade

    O Stream Session Admin Shell é compatível com os seguintes ambientes de execução:

    • Linux (Ubuntu 22.04)
    • Proton
    • Windows Server 2022

    O recurso está disponível sem custo adicional em todas as regiões da AWS onde o Amazon GameLift Streams já é oferecido. Para conferir a lista completa de regiões suportadas, a AWS disponibiliza a tabela de regiões da AWS.

    Documentação e próximos passos

    Para quem quiser se aprofundar ou já começar a usar o recurso, a AWS disponibilizou o guia do desenvolvedor do Stream Session Admin Shell e a referência da API CreateStreamSessionAdminShell com todos os detalhes técnicos necessários.

    Fonte

    Amazon GameLift Streams introduces secure terminal access for stream sessions (https://aws.amazon.com/about-aws/whats-new/2026/07/amazon-gamelift-streams-terminal-access/)

  • AWS Security Hub agora monitora recursos do Microsoft Azure

    Gerenciamento de segurança unificado entre AWS e Azure

    A AWS anunciou uma expansão significativa do AWS Security Hub: o serviço agora é capaz de monitorar recursos do Microsoft Azure, unificando a gestão de segurança para equipes que operam workloads nos dois provedores de nuvem ao mesmo tempo.

    Até então, times de segurança que trabalhavam com AWS e Azure precisavam operar ferramentas separadas para cada ambiente — o que dificultava a priorização de riscos de forma integrada e tornava a resposta a incidentes mais fragmentada. Com essa atualização, o Security Hub passa a oferecer uma experiência unificada para detectar e responder a riscos nos dois ambientes a partir de um único console.

    O que o Security Hub monitora no Azure

    O serviço realiza a descoberta automática de recursos do Azure, avaliando-os em busca de más configurações, exposição à internet e vulnerabilidades de software. Os recursos cobertos incluem:

    • Azure Virtual Machines (VMs)
    • Azure Container Registry (ACR) — imagens de contêiner
    • Azure Function Apps
    • Identidades do Azure

    Além da descoberta, o Security Hub realiza verificações de postura contra padrões de segurança reconhecidos, incluindo o CIS Benchmarks™ para Microsoft Azure Foundations. O resultado é um inventário unificado de recursos, análise de risco e exposição, e resposta automatizada por meio das integrações já existentes com o Amazon EventBridge.

    Uma visão consolidada de riscos

    Findings da AWS e do Azure aparecem na mesma visualização priorizada, com os mesmos formatos e fluxos de automação. Isso significa que as equipes de segurança podem operar a partir de um único console, sem precisar alternar entre ferramentas diferentes para cada nuvem.

    Período de avaliação gratuita e preços

    O Security Hub oferece um período de avaliação gratuita independente de 30 dias para monitoramento de recursos do Azure, que se inicia assim que a integração com o Microsoft Azure é criada. Após o período de trial, o preço cobrado para monitorar recursos do Azure é o mesmo aplicado a recursos equivalentes na AWS.

    Disponibilidade e integrações independentes

    A integração com o Azure pode ser criada a partir de todas as regiões da AWS onde o Security Hub está disponível, com exceção de: Middle East (UAE), Middle East (Bahrain), Asia Pacific (Taipei) e Asia Pacific (New Zealand).

    Vale destacar que também é possível criar integrações com o Microsoft Azure de forma independente, tanto para o AWS Security Hub CSPM — Gerenciamento de Postura de Segurança em Nuvem (CSPM) — quanto para o Amazon Inspector, voltado ao gerenciamento de vulnerabilidades, sem necessidade de usar o Security Hub completo.

    Para conhecer os detalhes de cobrança e a documentação técnica completa, consulte a página de preços do AWS Security Hub e a documentação oficial do AWS Security Hub.

    Fonte

    AWS Security Hub extends unified security management to Microsoft Azure (https://aws.amazon.com/about-aws/whats-new/2026/06/aws-security-hub-supports-monitoring-microsoft-azure/)

  • Como garantir retenção zero de dados no Amazon Bedrock com Bedrock Projects e políticas de controle de serviço

    Por que o controle de retenção de dados no Bedrock ficou mais crítico

    Com a chegada de modelos que exigem compartilhamento de dados com provedores terceiros — como o Claude Fable 5 — a AWS reforçou os mecanismos disponíveis para que organizações controlem com precisão o que acontece com seus prompts e respostas após cada chamada de inferência. O Amazon Bedrock já oferecia controle sobre retenção de dados, mas agora a necessidade de aplicar essas políticas de forma centralizada e auditável ficou ainda mais evidente.

    Este artigo explica como os modos de retenção funcionam, quais ferramentas estão disponíveis para gerenciá-los e como verificar que as configurações estão funcionando corretamente — informações essenciais para times de segurança e engenharia que operam no Bedrock.

    Entendendo os modos de retenção de dados

    O Bedrock oferece quatro modos de retenção que determinam o que acontece com os dados após cada requisição de inferência. Consulte a documentação oficial do Amazon Bedrock para verificar quais modelos exigem retenção ou compartilhamento de dados.

    • none: Retenção zero. Prompts e respostas são processados e descartados imediatamente. Nenhum dado é compartilhado com o provedor do modelo.
    • default: Sem configuração explícita de compartilhamento. Alguns modelos podem reter dados por até 30 dias para verificações de segurança e confiança. Permite APIs que exigem retenção por natureza (como a Batch API e a Responses API com store=true). Modelos que suportam retenção zero continuam operando sem retenção.
    • inherit: Sem configuração explícita — herda o modo do escopo superior (projeto herda da conta, conta herda do padrão do serviço). Este é o padrão para novas contas.
    • provider_data_share: Dados são compartilhados com o provedor do modelo e retidos por até 30 dias para fins de segurança e confiança.

    Nota importante: Para combater a disseminação de material de abuso sexual infantil (CSAM), o Amazon Bedrock usa mecanismos automatizados de identificação nesse tipo de conteúdo nas entradas e saídas dos modelos. Conteúdos sinalizados podem ser armazenados e revisados mesmo quando o modo está configurado como none.

    O modo como teto, não como piso

    Um conceito fundamental: o modo configurado é o limite máximo de retenção que você aceita, não o que toda requisição vai usar. Configurar uma conta como provider_data_share não significa que todas as requisições passarão a reter e compartilhar dados.

    Modelos que suportam retenção zero continuarão operando com retenção zero, independentemente do modo da conta. Pense nisso como um teto de permissões:

    • Conta em provider_data_share + modelo Claude Sonnet (suporta none) → retenção zero, o Sonnet não exige compartilhamento
    • Conta em provider_data_share + Claude Fable 5 (exige provider_data_share) → dados retidos por até 30 dias e possivelmente compartilhados
    • Conta em none + Claude Sonnet → retenção zero
    • Conta em none + Claude Fable 5 → bloqueado; o teto da conta está abaixo do que o modelo exige

    Além disso, provider_data_share não é herdado de um modelo — é um opt-in explícito configurado no nível da conta ou do projeto. Se a conta estiver em inherit ou default, nenhum modelo acionará o compartilhamento de dados com o provedor.

    Ferramentas disponíveis para gerenciar retenção

    A AWS disponibiliza múltiplas camadas de controle que podem ser usadas de forma independente ou combinadas para uma defesa em profundidade:

    • Console do Amazon Bedrock: configuração por conta e por região, com visibilidade imediata do modo atual.
    • Amazon Bedrock Projects: isolamento de cargas de trabalho com necessidades diferentes de retenção dentro da mesma conta, para modelos compatíveis.
    • Políticas de Controle de Serviço (SCPs): aplicação em toda a organização, impedindo qualquer conta de habilitar o compartilhamento de dados.
    • Políticas do IAM: controle granular por conta ou por principal, incluindo a conta de gerenciamento (que SCPs não cobrem).

    Usando o Amazon Bedrock Projects para controle granular

    Nem toda carga de trabalho dentro de uma conta tem os mesmos requisitos de retenção. Com o Amazon Bedrock Projects — disponível no endpoint bedrock-mantle — é possível isolar o tráfego que pode aceitar retenção daquele que não pode, mesmo dentro da mesma conta.

    Por exemplo, uma organização pode ter:

    • Um projeto de pesquisa onde a equipe precisa de acesso aos modelos mais recentes (incluindo os que exigem provider_data_share) para experimentação.
    • Um projeto de produção que lida com dados de clientes onde retenção zero é obrigatória.

    Com o Bedrock Projects, é possível configurar provider_data_share no projeto de pesquisa e manter o projeto de produção bloqueado em none. Cada projeto aplica seu próprio teto de retenção de forma independente.

    A lógica de resolução do modo efetivo segue a hierarquia: projeto → conta → padrão do serviço. O primeiro valor não-inherit encontrado nessa cadeia é o modo aplicado.

    Importante: O Bedrock Projects só está disponível no endpoint bedrock-mantle, com modelos acessados via APIs compatíveis com OpenAI (Responses, Chat Completions) e a API Anthropic Messages no endpoint mantle. Verifique a disponibilidade por modelo e endpoint antes de planejar sua arquitetura.

    Isolamento no endpoint bedrock-runtime

    Se você usa o endpoint bedrock-runtime (APIs Invoke e Converse), o controle por projeto não está disponível — o modo de retenção da conta se aplica a todas as requisições. Para alcançar isolamento nesse endpoint, a recomendação da AWS é usar contas AWS separadas, organizadas em Unidades Organizacionais (OUs) do AWS Organizations com SCPs aplicadas seletivamente.

    Organization Root
    ├── OU: Zero-Retention (SCP attached — blocks provider_data_share)
    │   ├── Account: Production-App-A
    │   └── Account: Production-App-B
    └── OU: Research (no SCP — allows provider_data_share)
        └── Account: ML-Experimentation

    Usando SCPs para aplicação em toda a organização

    Para organizações que precisam de uma garantia absoluta de que nenhuma conta pode habilitar o compartilhamento de dados — independentemente de quem tem acesso administrativo — as SCPs oferecem o mecanismo de aplicação mais forte.

    Uma SCP é uma barreira definida no nível organizacional. Ela se sobrepõe a todos os principais da organização, incluindo administradores de conta e usuários root. Mesmo com permissões de administrador completo, um deny de SCP não pode ser sobrescrito por uma política do AWS Identity and Access Management (IAM).

    As SCPs cobrem tanto o plano de controle do Amazon Bedrock (bedrock:PutAccountDataRetention) quanto o endpoint mantle (bedrock-mantle:PutAccountDataRetention, bedrock-mantle:CreateProject, bedrock-mantle:UpdateProject).

    A política SCP para retenção zero

    Atenção: Novas contas têm o modo padrão inherit, não none. Antes de anexar a SCP, é necessário configurar explicitamente cada conta para none:

    aws bedrock put-account-data-retention --region us-east-1 --mode none

    Para centenas ou milhares de contas, consulte o artigo do AWS re:Post Automate Bedrock Zero Data Retention Across All Accounts in Your Organization para aprender como escalar esse processo.

    A política SCP que restringe a retenção somente ao modo none:

    {
      "Version": "2012-10-17",
      "Statement": [
        {
          "Sid": "RESTRICTBEDROCKDATARETENTION",
          "Effect": "Deny",
          "Action": [
            "bedrock:PutAccountDataRetention"
          ],
          "Resource": "*",
          "Condition": {
            "StringNotEquals": {
              "bedrock:DataRetentionMode": "none"
            }
          }
        }
      ]
    }

    O bloco Condition usa StringNotEquals, o que significa que o deny é acionado para qualquer valor diferente de none. Com essa política em vigor: ninguém pode habilitar o compartilhamento de dados com provedores de modelos; modelos que exigem provider_data_share (como Claude Fable 5 e Claude Mythos 5) ficam permanentemente indisponíveis; todos os outros modelos continuam funcionando normalmente.

    Bloqueando também as configurações por projeto

    O endpoint bedrock-mantle suporta configurações de retenção por projeto. Sem cobertura adicional na SCP, alguém poderia criar ou atualizar um projeto com provider_data_share, contornando a restrição no nível da conta. Para evitar isso, estenda a SCP:

    {
      "Version": "2012-10-17",
      "Statement": [
        {
          "Sid": "RESTRICTBEDROCKDATARETENTION",
          "Effect": "Deny",
          "Action": [
            "bedrock:PutAccountDataRetention",
            "bedrock-mantle:PutAccountDataRetention",
            "bedrock-mantle:CreateProject",
            "bedrock-mantle:UpdateProject"
          ],
          "Resource": "*",
          "Condition": {
            "StringNotEquals": {
              "bedrock:DataRetentionMode": "none"
            }
          }
        }
      ]
    }

    O endpoint bedrock-runtime não precisa dos bloqueios de projeto porque projetos não existem nesse endpoint — apenas a ação bedrock:PutAccountDataRetention já é suficiente para cobri-lo.

    Retenção de dados e inferência entre regiões

    Ao usar perfis de inferência entre regiões (cross-Region inference profiles), o modo de retenção é avaliado na região de origem da requisição — a região onde a chamada de API é feita. Não é necessário configurar o modo em cada região de destino.

    Porém, há um ponto de atenção: embora a verificação do modo ocorra na região de origem, os dados podem ser retidos na região de destino onde a inferência é processada. Isso é relevante para organizações que monitoram onde os dados retidos residem geograficamente.

    Uma vantagem importante das SCPs nesse contexto: uma única SCP anexada à OU raiz bloqueia provider_data_share em todas as regiões automaticamente, sem necessidade de configuração por região.

    Verificando suas configurações

    A AWS oferece três formas de verificar as configurações de retenção: o console do Amazon Bedrock, a Interface de Linha de Comando da AWS (AWS CLI) (versão 2.35+) e a API bedrock-mantle.

    Verificar o modo atual da conta

    Via AWS CLI:

    aws bedrock get-account-data-retention --region us-east-1

    Resposta esperada:

    {
      "mode": "none",
      "updatedAt": "2026-07-01T01:58:34.684Z"
    }

    Via API bedrock-mantle (usando uma chave de API do Bedrock):

    curl https://bedrock-mantle.us-east-1.api.aws/v1/data_retention \
      -H "x-api-key: $BEDROCK_API_KEY"

    Verificar o modo efetivo de um modelo específico

    curl https://bedrock-mantle.us-east-1.api.aws/v1/models/anthropic.claude-fable-5 \
      -H "x-api-key: $BEDROCK_API_KEY"

    Resposta:

    {
      "id": "anthropic.claude-fable-5",
      "status": "available",
      "data_retention": {
        "mode": "provider_data_share",
        "source": "account",
        "allowed_modes": ["provider_data_share"]
      }
    }

    Se o modelo aparecer com "status": "unavailable", o campo status_reason explicará o conflito de modo de retenção.

    Confirmar que a SCP está funcionando

    Tente definir o modo como provider_data_share:

    aws bedrock put-account-data-retention \
      --region us-east-1 \
      --mode provider_data_share

    Se a SCP estiver funcionando, você receberá um erro de acesso negado:

    An error occurred (AccessDeniedException) when calling the PutAccountDataRetention operation: User: arn:aws:iam::123456789012:user/admin is not authorized to perform: bedrock:PutAccountDataRetention with an explicit deny in a service control policy

    Se a requisição for bem-sucedida, a SCP não está funcionando. Reverta imediatamente com --mode none e verifique: se a SCP está anexada à OU raiz (não a uma OU filha), a sintaxe da política e as condition keys, e lembre-se de que a conta de gerenciamento do AWS Organizations é isenta de SCPs — use uma política IAM para cobri-la.

    Gerenciando retenção no nível do projeto

    O gerenciamento de retenção por projeto é feito exclusivamente via API bedrock-mantle — não há comando AWS CLI para configurações no nível do projeto.

    # Definir um projeto como provider_data_share
    curl -X POST https://bedrock-mantle.us-east-1.api.aws/v1/organization/projects/proj_abc123 \
      -H "x-api-key: $BEDROCK_API_KEY" \
      -H "Content-Type: application/json" \
      -d '{ "data_retention": { "mode": "provider_data_share" } }'
    
    # Definir um projeto como none (retenção zero)
    curl -X POST https://bedrock-mantle.us-east-1.api.aws/v1/organization/projects/proj_abc123 \
      -H "x-api-key: $BEDROCK_API_KEY" \
      -H "Content-Type: application/json" \
      -d '{ "data_retention": { "mode": "none" } }'
    
    # Verificar a configuração atual de um projeto
    curl -X POST https://bedrock-mantle.us-east-1.api.aws/v1/organization/projects/proj_abc123 \
      -H "x-api-key: $BEDROCK_API_KEY"

    Recursos adicionais

    Fonte

    Enforce zero data retention on Amazon Bedrock with Bedrock Projects and service control policies (https://aws.amazon.com/blogs/security/enforce-zero-data-retention-on-amazon-bedrock-with-bedrock-projects-and-service-control-policies/)

  • Como redatar automaticamente Informações Pessoais Identificáveis (PII) em imagens com o Amazon Nova

    O desafio de proteger dados pessoais em imagens

    Compartilhar dados entre times internos, parceiros externos ou usá-los para treinar modelos de Aprendizado de Máquina (ML) é uma prática comum no dia a dia das empresas. O problema surge quando esses dados contêm Informações Pessoais Identificáveis (PII) — e as obrigações legais sob regulações como o Regulamento Geral de Proteção de Dados (GDPR) e o Padrão de Segurança de Dados da Indústria de Cartões de Pagamento (PCI DSS) entram em cena. Sem a redação adequada, o risco é real: penalidades regulatórias, danos à reputação e perda de confiança dos clientes.

    Redatar PII em imagens do mundo real é particularmente desafiador. Ao contrário de texto estruturado, informações sensíveis em imagens aparecem nos lugares mais inesperados: um rosto parcialmente visível na borda do quadro, um rosto refletido na lataria polida de um carro, uma placa de rua que — combinada com outros elementos visuais — permite identificar uma localização, ou um documento sobre uma mesa em uma foto panorâmica que revela nomes, endereços ou números de identificação. Esses casos-limite costumam derrotar ferramentas de mascaramento de propósito único.

    Foi pensando nesses cenários complexos que a AWS publicou uma arquitetura de referência usando o Amazon Nova como orquestrador inteligente de um pipeline completo de redação de PII em imagens.

    O papel do Amazon Nova como coordenador do pipeline

    O Amazon Nova é uma família de modelos de fundação com capacidades avançadas de compreensão visual. Diferente de ferramentas especializadas em uma única tarefa, o Nova interpreta o conteúdo da imagem de forma holística — raciocina sobre o que constitui PII em contexto, incluindo os casos sutis e incomuns descritos acima, e coordena todo o pipeline de redação do início ao fim.

    A solução apresentada pela AWS é um pipeline de múltiplas etapas dirigido pelo Amazon Nova, que usa seu raciocínio visual contextual para coordenar ferramentas complementares:

    • O Segment Anything Model (SAM 3), modelo open-source da Meta, implantado no Amazon SageMaker AI para segmentação em nível de pixel.
    • O Amazon Textract para Reconhecimento Óptico de Caracteres (OCR).

    O pipeline foi projetado para oferecer redação de PII abrangente e em conformidade regulatória, mesmo para casos desafiadores como impressões digitais, carteiras de identidade ou placas de veículos em orientações arbitrárias.

    Componentes principais da solução

    Amazon Nova 2 Lite

    O Amazon Nova 2 Lite é um modelo de fundação multimodal rápido e com boa relação custo-benefício, capaz de processar texto, imagens, vídeos e documentos. Disponível no Amazon Bedrock, ele atua como o coordenador central de toda a solução — tomando decisões em cada etapa e direcionando os serviços especializados para alcançar resultados abrangentes.

    Segment Anything Model (SAM 3)

    O SAM 3 é um modelo de segmentação open-source que detecta, segmenta e rastreia objetos em imagens a partir de prompts textuais e visuais. Nessa solução, ele age como um instrumento de precisão dirigido pelo Nova: quando o Nova identifica elementos visuais de PII, delega ao SAM 3 a tarefa de produzir os contornos exatos para a redação.

    Imagem original — fonte: Aws

    Amazon Textract

    O Amazon Textract é um serviço de ML que extrai automaticamente texto, escrita manual, elementos de layout e dados de formatos como PDFs, imagens, tabelas e formulários. No pipeline, ele funciona como a capacidade de OCR do Nova: quando o Nova determina que uma imagem contém PII textual, direciona o Textract para extrair todo o conteúdo textual junto com suas coordenadas.

    Quais tipos de PII o pipeline detecta?

    Os itens de PII mais comuns encontrados em imagens incluem, mas não se limitam a:

    • Nome
    • Número de identificação (como número de carteira de motorista)
    • Endereço
    • Número de telefone
    • Informações de ativos (como endereço de Controle de Acesso à Mídia — MAC)
    • Número de identificação de propriedade (como Número de Identificação do Veículo — VIN)
    • Características pessoais, como imagens faciais
    • Dados biométricos, como impressões digitais

    Esses itens se dividem em duas modalidades: textual (nome, número de identificação, endereço, telefone, informações de ativos e número de propriedade) e visual (características pessoais e dados biométricos). O Nova coordena um fluxo de trabalho com acesso a dois subprocessos, cada um identificando as coordenadas de pixel dos itens de PII de cada modalidade.

    Arquitetura da solução

    O pipeline funciona de forma serverless e automatizada, com o Nova dirigindo cada decisão do fluxo. Veja como cada etapa se encaixa:

    Imagem original — fonte: Aws

    1. Upload e disparo do fluxo

    Quando uma imagem é carregada na pasta input/ do Amazon S3, uma notificação de evento aciona uma regra no Amazon EventBridge, que inicia o fluxo de trabalho no AWS Step Functions.

    2. Validação e triagem inicial de PII

    O fluxo valida primeiro se o tipo de arquivo é compatível com os formatos suportados pelo Amazon Bedrock. Em seguida, o Nova 2 Lite realiza uma avaliação inicial da imagem, atuando como primeira linha de inteligência para determinar se há PII presente. Se o Nova concluir que não há PII, o fluxo encerra antecipadamente e a imagem é movida para a pasta noPII/ do S3, pronta para uso sem processamento adicional.

    Essa saída antecipada é um diferencial importante de custo: a maioria das imagens corporativas não contém PII, e o Nova evita chamadas desnecessárias ao Textract e ao SAM 3 para esses casos.

    3. Detecção visual de PII

    Quando o Nova 2 Lite identifica PII em potencial, ele classifica o tipo detectado — textual, visual ou ambos — e decide o roteamento para os subprocessos. O processo visual foca em elementos como rostos e placas de veículos. Sob a direção do Nova, o SAM 3, implantado no SageMaker AI, é acionado para localizar esses elementos e produzir máscaras de segmentação pixel a pixel.

    Uma máscara de segmentação é um contorno em nível de pixel que traça o formato exato de um objeto na imagem — diferente de uma caixa delimitadora retangular, ela segue os contornos reais do item detectado. Isso permite redatar apenas os pixels sensíveis sem obscurecer o conteúdo ao redor, preservando o valor da imagem para usos como treinamento de modelos de ML.

    4. Detecção textual de PII

    O processo textual usa o raciocínio multimodal do Nova em conjunto com o Amazon Textract. Primeiro, o Textract identifica a localização em nível de pixel do texto na imagem e extrai seu conteúdo, fornecendo coordenadas de caixa delimitadora alinhada ao eixo e coordenadas de polígono para cada elemento de texto detectado. O Nova 2 Lite então avalia cada elemento extraído, junto com a imagem bruta, para determinar quais contêm PII.

    É aqui que a inteligência contextual do Nova se torna crítica: alguns elementos de texto, considerados isoladamente, podem não parecer PII, mas o Nova consegue raciocinar sobre o contexto visual ao redor para reconhecer sua natureza sensível. Por exemplo, o nome de uma rua e um número de residência em dois locais distintos da imagem não constituem PII separadamente — mas como ambos aparecem na mesma imagem, o endereço completo fica visível e deve ser redatado.

    5. Redação e verificação final

    Após a conclusão dos subprocessos, as coordenadas identificadas são passadas para a etapa de redação. Uma função AWS Lambda mescla as coordenadas retornadas pelos processos em um conjunto unificado de localizações de PII. A função Lambda RedactPII então obscurece as regiões identificadas na imagem original usando a biblioteca Pillow (PIL) em Python e armazena a imagem redatada na pasta redacted/ do S3.

    Como etapa final de garantia de qualidade, o Nova 2 Lite realiza uma revisão abrangente da imagem redatada para verificar se todo o PII detectado foi removido. Se o Nova determinar que a imagem está limpa, ela é movida para a pasta noPII/. Se ainda detectar PII, a imagem é movida para uma pasta de quarentena para revisão manual.

    Imagem original — fonte: Aws
    Imagem original — fonte: Aws

    Pré-requisitos para implementar a solução

    Para seguir com essa solução, a AWS recomenda que você tenha:

    É importante estar ciente de que a solução gera cobranças na AWS, incluindo armazenamento no S3, invocações do Lambda, transições de estado no Step Functions, hospedagem de endpoint no SageMaker AI, chamadas de API no Amazon Bedrock e chamadas de API no Amazon Textract. Verifique os preços desses serviços na sua região AWS antes de criar os recursos correspondentes.

    Por que essa abordagem se destaca?

    A solução é ideal para cenários de pré-processamento de imagens individuais ou em lote onde alta precisão de redação é necessária. A forte relação custo-benefício, a baixa latência e o raciocínio multimodal avançado do Nova 2 Lite tornam essa arquitetura adequada para coordenar o fluxo de trabalho sem que a organização precise de expertise profunda em ML ou de ajuste fino de modelos especializados.

    Para começar, a AWS recomenda explorar os modelos Amazon Nova no console do Amazon Bedrock e consultar a documentação do Amazon Nova, a documentação do Amazon Textract e a documentação do Amazon SageMaker AI para implantar os serviços complementares usados no pipeline.

    Fonte

    Automatically redact PII in images with Amazon Nova (https://aws.amazon.com/blogs/machine-learning/automatically-redact-pii-in-images-with-amazon-nova/)

  • AWS Certificate Manager passa a suportar o protocolo ACME para certificados públicos

    O que mudou no ACM

    A AWS anunciou que o Gerenciador de Certificados da AWS (ACM — AWS Certificate Manager) agora oferece suporte ao protocolo ACME (Ambiente de Gerenciamento de Certificados Automatizado). Com essa novidade, é possível provisionar um endpoint de servidor ACME totalmente gerenciado, que emite certificados TLS públicos com validade de 45 dias diretamente pela Amazon Trust Services.

    A integração funciona com qualquer cliente compatível com ACMEv2, incluindo ferramentas amplamente utilizadas no mercado como Certbot, cert-manager para Kubernetes e acme.sh.

    Por que isso importa agora

    O Fórum CA/Browser — entidade que define padrões para emissão de certificados digitais — determinou que o tempo de vida máximo de certificados públicos será de 47 dias a partir de 2029. Na prática, isso torna o gerenciamento manual de certificados completamente inviável: renovações frequentes feitas à mão geram risco operacional, erros humanos e indisponibilidades.

    O suporte ao ACME no ACM oferece aos times de desenvolvimento um caminho padronizado para automatizar completamente a emissão e a renovação de certificados, sem depender de processos manuais.

    Controles de governança para administradores de PKI

    Para quem cuida da infraestrutura de chaves públicas (PKI — Public Key Infrastructure), a AWS disponibilizou controles centralizados de governança nos endpoints ACME gerenciados. Entre as capacidades disponíveis estão:

    • Definição de escopos de domínio, restringindo quais certificados cada cliente pode emitir
    • Aplicação de políticas sobre o uso de certificados wildcard
    • Delegação de requisições de certificados para times de aplicação sem a necessidade de distribuir credenciais de DNS

    A validação de domínio é realizada uma única vez no nível do endpoint. A partir daí, os responsáveis pelas aplicações utilizam clientes ACME padrão para solicitar seus certificados normalmente.

    Visibilidade e auditoria

    Toda a atividade gerada pelos endpoints ACME fica visível no console do ACM, com registro completo via AWS CloudTrail e métricas disponíveis no Amazon CloudWatch, garantindo rastreabilidade e conformidade.

    Disponibilidade e próximos passos

    O suporte ao ACME no ACM já está disponível em todas as regiões comerciais da AWS. Para detalhes sobre preços, consulte a página de preços do ACM. Para começar a usar, a AWS recomenda visitar o post no blog AWS News ou acessar diretamente a documentação oficial.

    Fonte

    AWS Certificate Manager now supports the ACME protocol for public certificates (https://aws.amazon.com/about-aws/whats-new/2026/07/aws-certificate-manager-acme/)

  • Amazon Cognito agora suporta limites de taxa de API provisionados por autoatendimento

    O que mudou no Amazon Cognito

    A AWS anunciou uma novidade relevante para quem trabalha com autenticação e gerenciamento de usuários: o Amazon Cognito agora permite ajustar os limites de taxa (rate limits) das suas APIs de forma autônoma, sem precisar abrir um chamado manual para revisão.

    Como funcionava antes

    Até então, quando uma equipe precisava aumentar os limites de operações por segundo nos seus user pools do Cognito — seja por conta de um lançamento, uma campanha ou um pico de tráfego esperado — o caminho era solicitar o aumento via Service Quotas, onde cada pedido passava por revisão manual da AWS. Isso exigia planejamento antecipado e tornava o processo lento e pouco flexível para cenários dinâmicos.

    O que mudou com o novo modelo

    Com o novo modelo de autoatendimento, os times podem aumentar ou diminuir os limites de taxa de API do Cognito sob demanda, de forma imediata. As alterações entram em vigor assim que são aplicadas, o que representa um ganho significativo de agilidade operacional.

    O Cognito já possui limites padrão para o número máximo de operações por segundo que podem ser executadas nos user pools em cada região da AWS. Com esse novo recurso, é possível adquirir e ajustar limites adicionais nas categorias de API ajustáveis, tanto para cima quanto para baixo, respeitando o limite máximo definido para a conta.

    Como acessar o novo recurso

    O ajuste pode ser feito de duas formas:

    • Pelo console do Amazon Cognito, de forma visual e direta
    • Pelas novas operações da API de provisionamento de limites, para quem prefere automação e integração via código

    Disponibilidade e precificação

    Os limites provisionados por autoatendimento estão disponíveis para as categorias de API ajustáveis em todas as regiões da AWS onde o Amazon Cognito está presente. Por se tratar de um recurso adicional (add-on), há cobrança específica — os detalhes de preço podem ser consultados na página de preços do Amazon Cognito.

    Para começar a utilizar o recurso e entender como configurar os limites na prática, a AWS disponibiliza o guia do desenvolvedor com as instruções completas.

    Fonte

    Amazon Cognito now supports self-service provisioned API rate limits (https://aws.amazon.com/about-aws/whats-new/2026/07/cognito-provisioned-limits)

  • Como aplicar autorização de menor privilégio em cadeias de agentes de IA com Cedar

    O problema: escopo de autorização que se expande silenciosamente

    Quem está construindo sistemas de IA com múltiplos agentes precisa lidar com um risco pouco discutido: à medida que agentes delegam tarefas entre si em cadeia, o escopo de autorização pode se expandir silenciosamente — mesmo quando há políticas de controle de acesso baseado em papel (RBAC) em vigor. Um agente pode acabar agindo além do que o usuário humano que iniciou a cadeia realmente autorizou.

    O OWASP Top 10 para Aplicações Agênticas classifica esse risco como ASI03: Abuso de Identidade e Privilégio. Para endereçar esse problema de forma prática, a AWS publicou uma implementação de referência que usa um modelo de três camadas de políticas construído com Cedar, linguagem open source de políticas de autorização, implantado na AWS.

    Visão geral da implementação de referência

    A implementação usa OAuth 2.0 para autenticação e Cedar para autorização. Um provedor de identidade confiável autentica o usuário originador, e as políticas Cedar aplicam a autorização em três camadas usando as claims verificadas do token.

    Para aplicar a autorização em cada salto da cadeia de delegação, a solução utiliza duas funções AWS Lambda em sequência:

    • Uma função adaptadora do Protocolo de Contexto de Modelo (MCP) normaliza as requisições de entrada e assina criptograficamente o contexto do usuário originador, impedindo adulterações downstream.
    • Uma função avaliadora Cedar executa as três camadas de política de forma sequencial, parando na primeira negação.

    As três camadas do modelo de avaliação Cedar são:

    • Camada 1 (Agente → Ferramenta): verifica se o agente invocador tem pontuação de confiança suficiente (escala de 1 a 5), pertence ao namespace correto e está no estágio de ciclo de vida de produção.
    • Camada 2 (Agente → Agente): verifica se o número de saltos de delegação está dentro do limite máximo de cinco e se as tarefas solicitadas são um subconjunto das capacidades registradas do agente de destino.
    • Camada 3 (Autorização do usuário originador): verifica se o humano que iniciou a cadeia tem o papel exigido (por exemplo, admin), completou autenticação multifator (MFA) e está dentro da profundidade de delegação permitida.

    Arquitetura: autenticação antes da autorização

    O Cedar avalia a autorização, mas não estabelece identidade. Antes que as políticas possam verificar atributos como context.originating_user.role ou context.originating_user.mfa_verified, uma camada de autenticação confiável precisa estabelecer a identidade do usuário e produzir claims verificáveis.

    Imagem original — fonte: Aws

    O fluxo de autenticação (passos 1 a 3) funciona da seguinte forma: o usuário originador se autentica em um provedor de identidade compatível com OIDC — na implementação de referência, o Amazon Cognito com MFA via TOTP. O provedor emite um Token Web JSON (JWT) assinado contendo claims como sub, role, amr e session_id. O usuário passa o JWT e a requisição de tarefa ao agente de IA (cliente MCP), que carrega o contexto do usuário originador no envelope _meta do MCP.

    O pipeline de autorização (passos 4 a 10) segue esta sequência:

    Integridade do contexto ao longo dos saltos de delegação

    Dois mecanismos trabalham juntos para proteger a identidade ao longo dos saltos:

    • HMAC-SHA256 garante integridade e autenticidade. Todo avaliador downstream verifica essa assinatura antes de confiar no contexto.
    • OAuth 2.0 Token Exchange (RFC 8693) define o escopo de delegação usando o padrão on-behalf-of (OBO). Quando o orquestrador delega a um agente downstream, ele troca o token original por um token OBO com escopo reduzido, registrando quem está agindo em nome de quem e com qual autoridade.

    O OAuth rastreia quem age em nome de quem e com qual escopo. O HMAC verifica que o contexto não foi adulterado e veio de uma fonte confiável. Para implantações corporativas, a recomendação é usar os dois mecanismos em conjunto.

    Definindo o esquema Cedar e as políticas

    O esquema define dois tipos de entidade (Agent e Tool) e duas ações (invoke_tool e delegate_task) no namespace AgentAuthz. Importante: não existe entidade User. A identidade do usuário originador é carregada no registro de contexto passado junto a cada requisição de autorização.

    {
      "AgentAuthz": {
        "entityTypes": {
          "Agent": {
            "shape": {
              "type": "Record",
              "attributes": {
                "trust_level": { "type": "Long", "required": true },
                "namespace": { "type": "String", "required": true },
                "registered_capabilities": {
                  "type": "Set",
                  "element": { "type": "String" },
                  "required": true
                },
                "lifecycle_stage": { "type": "String", "required": true }
              }
            }
          },
          "Tool": {
            "shape": {
              "type": "Record",
              "attributes": {
                "namespace": { "type": "String", "required": true },
                "risk_level": { "type": "String", "required": true }
              }
            }
          }
        },
        "actions": {
          "invoke_tool": {
            "appliesTo": {
              "principalTypes": ["Agent"],
              "resourceTypes": ["Tool"]
            }
          },
          "delegate_task": {
            "appliesTo": {
              "principalTypes": ["Agent"],
              "resourceTypes": ["Agent"]
            }
          }
        }
      }
    }

    Topologia de agentes e ferramentas

    A implementação de referência registra três agentes: orchestrator (nível de confiança 5, namespace orchestration, capacidades: delegate_task e route_request), finance-agent (nível 3, namespace payments, capacidades: process_payment e refund) e data-bot (nível 4, namespace data, capacidades: query_records e delete_records). As ferramentas registradas são process_payment (risco médio), delete_records (risco alto) e query_records (risco baixo).

    Políticas das três camadas

    Camada 1 (agente → ferramenta): permite que o finance-agent invoque a ferramenta process_payment apenas quando o nível de confiança for pelo menos 3, o namespace for payments e o estágio de ciclo de vida for production.

    // L1-001: Finance agent can invoke payment tools
    permit(
      principal == AgentAuthz::Agent::"finance-agent",
      action == AgentAuthz::Action::"invoke_tool",
      resource == AgentAuthz::Tool::"process_payment"
    )
    when {
      principal.trust_level >= 3 &&
      principal.namespace == "payments" &&
      principal.lifecycle_stage == "production"
    };

    Camada 2 (agente → agente): o orquestrador delega tarefas ao data-bot apenas quando a cadeia tem no máximo três saltos e as capacidades solicitadas são subconjunto das capacidades registradas do data-bot. Uma política forbid separada (L2-004) impõe um limite absoluto de cinco saltos para todo o sistema.

    // L2-002: Orchestrator can delegate to data agent
    permit(
      principal == AgentAuthz::Agent::"orchestrator",
      action == AgentAuthz::Action::"delegate_task",
      resource == AgentAuthz::Agent::"data-bot"
    )
    when {
      context.delegation_depth <= 3 &&
      context.target_capabilities.containsAll(context.requested_capabilities)
    };

    Camada 3 (autorização do usuário originador): o data-bot invoca a ferramenta delete_records apenas quando o usuário originador tem papel admin, MFA verificado e a cadeia tem no máximo dois saltos. Sem essa camada, um agente com as capacidades certas poderia invocar ferramentas destrutivas independentemente de quem iniciou a requisição.

    // L3-001: High-risk tool (delete_records) requires admin + MFA
    permit(
      principal == AgentAuthz::Agent::"data-bot",
      action == AgentAuthz::Action::"invoke_tool",
      resource == AgentAuthz::Tool::"delete_records"
    )
    when {
      context.originating_user.role == "admin" &&
      context.originating_user.mfa_verified == true &&
      context.delegation_depth <= 2
    };

    Implantação com AWS CDK

    Antes de começar, clone o repositório:

    git clone https://github.com/aws-samples/sample-cedar-agentic-ai-authorization.git
    cd sample-cedar-agentic-ai-authorization

    Os pré-requisitos são: conta AWS com o AWS Cloud Development Kit (AWS CDK) inicializado na região alvo, Python 3.12 ou superior, Node.js 20 ou superior, CLI do AWS CDK (npm install -g aws-cdk) e credenciais AWS com permissões de AWS Identity and Access Management (IAM) com escopo para Lambda, API Gateway, Verified Permissions, Secrets Manager, Amazon Virtual Private Cloud (Amazon VPC) e CloudWatch.

    A implementação implanta cinco stacks do CloudFormation: KmsStack, VerifiedPermissionsStack, LambdaStack, SecurityLakeStack e MonitoringStack. Os comandos de implantação seguem a ordem de dependência:

    cdk deploy KmsStack -c account_id=YOUR_ACCOUNT_ID -c guardrail_id=YOUR_GUARDRAIL_ID
    cdk deploy VerifiedPermissionsStack -c account_id=YOUR_ACCOUNT_ID -c guardrail_id=YOUR_GUARDRAIL_ID
    cdk deploy LambdaStack -c account_id=YOUR_ACCOUNT_ID -c guardrail_id=YOUR_GUARDRAIL_ID
    cdk deploy SecurityLakeStack -c account_id=YOUR_ACCOUNT_ID -c guardrail_id=YOUR_GUARDRAIL_ID
    cdk deploy MonitoringStack -c account_id=YOUR_ACCOUNT_ID -c guardrail_id=YOUR_GUARDRAIL_ID

    Cenários de teste

    Três cenários de ponta a ponta validam o modelo de avaliação:

    • Cenário A — Aplicação da Camada 3: um usuário com papel support (sem MFA) solicita exclusão de registros via orchestrator e data-bot. L1 e L2 permitem, mas L3 nega porque o papel é support e o MFA não está verificado. Resultado geral: NEGADO.
    • Cenário B — Requisição admin autorizada: um usuário admin com MFA solicita a mesma operação. As três camadas permitem. Resultado geral: PERMITIDO.
    • Cenário C — Limite de profundidade de delegação: um admin com MFA solicita a mesma operação, mas a cadeia tem seis saltos. L1 permite, L2 nega (seis saltos excedem o limite de cinco). L3 nem é avaliada. Resultado geral: NEGADO.

    Alinhamento com os princípios de segurança para IA agêntica

    O Escritório do CISO da AWS publicou os quatro princípios de segurança para sistemas de IA agêntica. A solução mapeia diretamente para cada um deles: testes baseados em propriedades com Hypothesis para fuzzing de entradas adversariais; controles tradicionais como AWS WAF, isolamento via Amazon VPC, criptografia com AWS Key Management Service (AWS KMS) e MFA; avaliação Cedar determinística rodando fora do loop de raciocínio do agente em uma função Lambda separada; e atributos trust_level e lifecycle_stage que calibram as capacidades dos agentes com base em evidências de auditoria do Amazon CloudWatch.

    Escalando para ambientes multi-conta

    Para implantações corporativas, a recomendação é implantar o policy store Cedar em uma conta de segurança centralizada e usar funções IAM cross-account para que as contas de carga de trabalho chamem verifiedpermissions:IsAuthorized. As políticas de controle de serviço (SCPs) do AWS Organizations podem impedir que contas de carga de trabalho criem seus próprios policy stores.

    Para implantações em produção, a implementação pode ser estendida com escalação com humano no loop para negações borderline, isolamento de políticas Cedar multi-tenant e recarga dinâmica de políticas via Amazon Simple Storage Service (Amazon S3) para desligamentos de emergência de ferramentas.

    Limpeza dos recursos

    cdk destroy MonitoringStack SecurityLakeStack
    cdk destroy LambdaStack
    cdk destroy VerifiedPermissionsStack
    cdk destroy KmsStack
    aws logs delete-log-group --log-group-name /cedar-evaluator/audit # if RETAIN policy

    Conclusão

    Sistemas de IA multi-agente precisam de fronteiras de autorização em cada salto de delegação. O modelo de três camadas Cedar com autenticação OAuth 2.0 fornece essa proteção mantendo o acesso de menor privilégio. A combinação de um provedor de identidade confiável (autenticação) com avaliação de políticas Cedar (autorização) cria uma fronteira de autorização em torno de cada invocação de ferramenta, verificando a capacidade do agente (L1), o caminho de delegação (L2) e a autoridade do usuário originador (L3). O padrão funciona com qualquer provedor de identidade compatível com OIDC e uma plataforma de computação capaz de chamar o Amazon Verified Permissions. A implementação de referência está disponível para clonagem e adaptação às necessidades de cada organização. Para mais detalhes, consulte a documentação da linguagem de políticas Cedar e o Guia do Usuário do Amazon Verified Permissions.

    Fonte

    Enforce least-privilege authorization in multi-agent AI chains using Cedar (https://aws.amazon.com/blogs/security/enforce-least-privilege-authorization-in-multi-agent-ai-chains-using-cedar/)

  • Amazon EC2 Dedicated Hosts agora suportam AMD SEV-SNP

    O que foi anunciado

    A AWS anunciou suporte ao AMD Virtualização Criptografada Segura com Paginação Aninhada Segura (SEV-SNP) nos Dedicated Hosts do Amazon EC2. Com essa novidade, clientes que precisam rodar cargas de trabalho de computação confidencial agora podem fazê-lo em servidores físicos inteiramente dedicados ao seu uso — combinando dois recursos que, até então, precisavam ser escolhidos separadamente.

    Como funciona na prática

    O fluxo é direto: o cliente aloca um Dedicated Host com o AMD SEV-SNP habilitado e, a partir daí, pode lançar instâncias SEV-SNP sobre esse host. O servidor físico já é provisionado com o firmware de segurança da AMD no momento da alocação, garantindo que o ambiente de computação confidencial esteja sempre atualizado desde o início.

    Essa combinação traz para o mundo da computação confidencial as vantagens que os Dedicated Hosts já oferecem, como:

    • Controle sobre o posicionamento das instâncias — você decide em qual host físico cada instância vai rodar.
    • Afinidade de host — permite que instâncias sejam implantadas repetidamente no mesmo servidor físico ao longo do tempo, algo importante para cenários de conformidade e auditoria.

    Por que isso importa

    Computação confidencial é um modelo em que os dados são protegidos inclusive durante o processamento, não apenas em repouso ou em trânsito. O AMD SEV-SNP é uma tecnologia de hardware que reforça esse isolamento, protegendo a memória de máquinas virtuais contra acessos não autorizados — inclusive do hipervisor.

    Ao unir isso com os Dedicated Hosts, a AWS endereça um requisito comum em setores altamente regulados, como financeiro, saúde e governo: a necessidade de garantir que a infraestrutura física subjacente não é compartilhada com outros clientes, ao mesmo tempo em que se mantém a proteção criptográfica dos dados em uso.

    Disponibilidade

    O suporte ao AMD SEV-SNP em Dedicated Hosts está disponível em todas as regiões comerciais da AWS que oferecem instâncias AMD. Para mais detalhes técnicos sobre como configurar e utilizar o recurso, consulte a documentação oficial.

    Fonte

    Amazon EC2 Dedicated Hosts now support AMD SEV-SNP (https://aws.amazon.com/about-aws/whats-new/2026/07/ec2-amd-sev-snp-dedicated-hosts)

  • AWS Config passa a suportar 8 novos tipos de recursos

    Mais cobertura para o seu ambiente AWS

    A AWS anunciou a expansão do AWS Config com suporte a 8 novos tipos de recursos. A atualização abrange serviços importantes como Amazon API Gateway, Amazon EC2 e Amazon S3 Vectors, ampliando ainda mais a capacidade de descoberta, avaliação, auditoria e remediação de recursos no ambiente AWS.

    O que muda na prática

    Para quem já utiliza o AWS Config com a gravação habilitada para todos os tipos de recursos, a novidade chega de forma automática: o serviço passa a rastrear os novos tipos sem nenhuma configuração adicional. Além disso, os 8 novos tipos de recursos também estão disponíveis para uso em regras do Config e em agregadores do Config, o que mantém a consistência para quem já tem políticas e consolidações configuradas.

    Os 8 novos tipos de recursos suportados

    A partir dessa atualização, o AWS Config é capaz de monitorar os seguintes tipos de recursos em todas as Regiões AWS onde eles estiverem disponíveis:

    • AWS::ApiGateway::DomainNameV2
    • AWS::ApiGatewayV2::VpcLink
    • AWS::EC2::VPCEncryptionControl
    • AWS::NetworkFirewall::ContainerAssociation
    • AWS::OpenSearchServerless::SecurityPolicy
    • AWS::OSIS::Pipeline
    • AWS::S3Vectors::VectorBucket
    • AWS::S3Vectors::VectorBucketPolicy

    Por que isso importa

    O AWS Config é uma das ferramentas centrais para governança e conformidade em ambientes AWS. Cada novo tipo de recurso suportado significa mais visibilidade sobre o que está rodando na sua conta — e mais capacidade de aplicar regras de conformidade, detectar mudanças e responder a desvios de configuração. Com a chegada de recursos como AWS::EC2::VPCEncryptionControl e AWS::NetworkFirewall::ContainerAssociation, equipes de segurança ganham pontos adicionais de controle em áreas críticas de rede e criptografia.

    Fonte

    AWS Config now supports 8 new resource types (https://aws.amazon.com/about-aws/whats-new/2026/06/aws-config-new-resource-types)

  • Como o Amazon Bedrock detecta phishing gerado por IA

    O phishing mudou — e os filtros antigos não acompanharam

    Engenharia social por e-mail é uma das táticas mais antigas e persistentes no mundo da segurança cibernética. Mas o que mudou radicalmente nos últimos anos é a qualidade dos ataques. Graças à Inteligência Artificial Generativa (IA Generativa), criminosos conseguem criar milhares de mensagens únicas, com gramática impecável, contexto adequado e detalhes personalizados sobre a vítima — tudo de forma automatizada.

    Pense no cenário clássico de detecção de phishing: erros de português, saudações genéricas, logotipos tortos, domínios estranhos. Essas eram as pistas que os filtros tradicionais aprenderam a capturar. O problema é que a IA generativa eliminou exatamente esses erros. Hoje, um e-mail de phishing sofisticado pode ser a mensagem mais bem escrita da sua caixa de entrada.

    Além disso, os atacantes modernos usam técnicas de Inteligência de Fontes Abertas (OSINT — Open Source Intelligence) para mapear hierarquias organizacionais, relações entre funcionários e padrões de comunicação a partir de redes profissionais, sites corporativos e rastros digitais públicos. Com esse mapeamento, é possível gerar mensagens que se adaptam em tempo real conforme a vítima responde.

    A pergunta que a AWS se propôs a responder é: como usar a mesma tecnologia de IA para detectar esses ataques antes que causem dano?

    Amazon Bedrock como camada de defesa comportamental

    O Amazon Bedrock é um serviço gerenciado que disponibiliza Modelos de Fundação (FMs — Foundation Models) de diversas empresas de IA por meio de uma API unificada. A proposta da AWS, detalhada em um artigo técnico recente, é usar esses modelos como uma camada adicional de análise sobre a infraestrutura de segurança de e-mail já existente.

    O ponto central da abordagem é a mudança de paradigma: em vez de filtrar mensagens pelo que elas parecem (erros gramaticais, formatação suspeita), o Bedrock analisa o que elas sabem e pedem — ou seja, o comportamento implícito na mensagem comparado ao histórico do remetente.

    Para isso, a solução é estruturada como um pipeline de análise em múltiplos estágios, onde cada e-mail passa por autenticação, análise comportamental e pontuação de risco antes de chegar à caixa de entrada do usuário.

    As duas capacidades centrais do Bedrock nessa solução

    A AWS descreve duas capacidades integradas que sustentam a defesa contra phishing com IA:

    • Modelos de Fundação pré-treinados: oferecem compreensão sofisticada de linguagem natural, capazes de detectar manipulação sutil, anomalias contextuais e padrões de personificação que sistemas baseados em regras simplesmente não conseguem capturar.
    • Amazon Bedrock Guardrails: camada de governança configurável que define os limites de operação dos modelos. Ela filtra tanto os prompts de entrada quanto as saídas geradas, impedindo que informações sensíveis sejam expostas durante a análise e garantindo que o sistema opere dentro das políticas de IA responsável da organização.

    Um ponto importante sobre os Guardrails: a configuração exige calibração cuidadosa. Restrições excessivamente rígidas podem impedir que o modelo analise conteúdo suspeito que legitimamente precisa ser avaliado — como um e-mail que contém linguagem ofensiva justamente para tentar burlar filtros.

    Como o pipeline funciona na prática

    O fluxo de análise é dividido em cinco etapas principais:

    Etapa 1 — Guardrails de entrada e pré-processamento

    Antes de qualquer análise de IA, o e-mail passa pelos Guardrails do Bedrock, que verificam o conteúdo e sinalizam o que deve ir para revisão manual. Informações de Identificação Pessoal (PII — Personally Identifiable Information) descobertas durante a análise podem ser automaticamente redigidas, evitando que o modelo gere respostas que exponham dados confidenciais.

    Etapa 2 — Construção do prompt com contexto

    Após passar pela triagem inicial, o sistema constrói um prompt de análise combinando o conteúdo do e-mail com três elementos de contexto: o padrão de comunicação histórico do remetente, o contexto organizacional e exemplos conhecidos de phishing armazenados nas Amazon Bedrock Knowledge Bases. Dessa forma, o modelo não avalia a mensagem de forma isolada — ele compara com um quadro completo de referências.

    Etapa 3 — Análise pelo modelo de fundação com Guardrails ativos

    O modelo processa o e-mail usando o prompt construído, enquanto os Guardrails mantêm a análise dentro dos limites definidos. O modelo consegue examinar conteúdo suspeito com profundidade sem gerar saídas que exponham informações sensíveis no processo.

    Etapa 4 — Pontuação de risco multifatorial

    A partir da análise, o pipeline gera três pontuações independentes: anomalias de conteúdo, desvios comportamentais e alinhamento contextual. Essas três pontuações são combinadas em uma média ponderada que resulta em um score único de 0 a 100. Os limiares definidos no artigo são: abaixo de 30 é seguro, entre 30 e 70 é suspeito, e acima de 70 é perigoso.

    Etapa 5 — Classificação e roteamento automatizado

    Com base no score final, o e-mail é roteado automaticamente: mensagens seguras chegam normalmente à caixa de entrada, mensagens suspeitas vão para quarentena para revisão da equipe de segurança, e mensagens perigosas são bloqueadas com alerta imediato para o time responsável.

    O rastreador de comportamento do remetente

    Um componente-chave da solução é o que a AWS chama de sender baseline tracker — um perfil dinâmico de cada remetente que registra como aquela pessoa normalmente escreve: vocabulário, formalidade, tipos de solicitação e com quem costuma se comunicar.

    Imagine um cenário concreto: um fornecedor que sempre manda e-mails curtos sobre notas fiscais de repente envia uma mensagem formal pedindo urgentemente a alteração de dados bancários. O pipeline detecta esse desvio comportamental e sinaliza para a equipe de segurança revisar — mesmo que a mensagem seja gramaticalmente perfeita e pareça legítima à primeira vista.

    Esse é exatamente o tipo de ataque que os filtros tradicionais não conseguem pegar. E é exatamente o que o exemplo técnico do artigo original ilustra:

    {
      "risk_score": 78,
      "risk_level": "DANGEROUS",
      "key_findings": [
        "Domain mismatch: 'example-website.com' vs 'example.com'",
        "First-ever payment change request from this sender",
        "Phone number doesn't match vendor records"
      ]
    }

    No exemplo, o modelo flagrou uma tentativa de personificação de fornecedor com score 78 (perigoso). Os três achados principais foram: incompatibilidade de domínio entre o endereço real e o usado no e-mail, uma solicitação de mudança de dados bancários que nunca havia ocorrido antes com aquele remetente, e um número de telefone que não bate com os registros do fornecedor.

    O ciclo contínuo de aprendizado

    O que diferencia essa abordagem de sistemas estáticos de detecção é o loop de feedback contínuo. A cada ciclo, o sistema fica mais preciso:

    Imagem original — fonte: Aws
    • Analisar (Analyze): o modelo avalia os e-mails recebidos usando prompts dinâmicos construídos com base em inteligência acumulada e no contexto do remetente.
    • Pontuar (Score): um score de 0 a 100 é atribuído, e mensagens suspeitas são colocadas em quarentena para revisão.
    • Revisar (Review): a equipe de segurança classifica as mensagens sinalizadas como phishing confirmado ou falso positivo.
    • Aprender (Learn): essas classificações alimentam o sistema, atualizando a biblioteca de exemplos, os perfis comportamentais dos remetentes e o catálogo de padrões emergentes.
    • Aprimorar (Enhance): os novos exemplos e padrões confirmados são incorporados aos prompts de análise, melhorando a precisão nas próximas rodadas.

    Nos ciclos iniciais, a equipe de segurança precisará dedicar mais tempo classificando mensagens sinalizadas — é o período em que o sistema está construindo seu entendimento de base. Com o tempo, à medida que a biblioteca de exemplos e os perfis de remetentes crescem, o modelo se torna progressivamente mais preciso, e a atenção da equipe se desloca do ruído para as ameaças genuínas.

    Engenharia de prompt dinâmica e few-shot learning

    Dois conceitos técnicos importantes sustentam a melhoria contínua do sistema. O primeiro é a engenharia de prompt dinâmica: as instruções enviadas ao modelo são refinadas iterativamente com base nos resultados reais, incorporando o feedback da equipe de segurança diretamente nos prompts de análise.

    O segundo é o few-shot learning: exemplos verificados de phishing e mensagens legítimas são catalogados e usados como demonstrações de referência nos prompts futuros. Quando um novo e-mail chega, o modelo não parte do zero — ele consulta exemplos reais e previamente validados que seguem padrões similares para embasar sua avaliação.

    O que isso significa para equipes de segurança

    A proposta da AWS não é substituir a infraestrutura de segurança existente nem o julgamento humano. Os protocolos de autenticação de e-mail — Estrutura de Política de Remetente (SPF — Sender Policy Framework), Correio Identificado por Chaves de Domínio (DKIM — DomainKeys Identified Mail) e Conformidade, Relatório e Autenticação de Mensagem Baseada em Domínio (DMARC — Domain-based Message Authentication, Reporting and Conformance) — continuam sendo a primeira linha de defesa. O Bedrock atua como uma camada analítica adicional, rodando em paralelo à infraestrutura existente.

    A mensagem central do artigo é direta: a IA tornou o phishing mais difícil de detectar. A mesma tecnologia, aplicada defensivamente, pode torná-lo mais difícil de ter sucesso. Para equipes que queiram explorar essa abordagem, a AWS indica o console do Amazon Bedrock como ponto de partida para configurar os Guardrails e construir o pipeline de detecção.

    Fonte

    How Amazon Bedrock catches AI-generated phishing (https://aws.amazon.com/blogs/machine-learning/how-amazon-bedrock-catches-ai-generated-phishing/)