Perícia forense digital com aprendizado de máquina para redução de falsos positivos na recuperação de arquivos

Resumo

A crescente dependência de sistemas computacionais tem ampliado a importância da perícia forense digital como instrumento fundamental para a obtenção de evidências técnicas confiáveis. Nesse contexto, a recuperação de arquivos excluídos constitui uma etapa crítica, frequentemente comprometida por limitações das ferramentas tradicionais, especialmente devido à elevada ocorrência de falsos positivos, que impactam diretamente a confiabilidade das análises periciais. Este trabalho propõe e avalia uma abordagem baseada em aprendizado de máquina para reduzir a taxa de falsos positivos no processo de recuperação de arquivos excluídos. A metodologia adotada é de natureza experimental e contempla a construção de um dataset híbrido, composto por dados sintéticos gerados em cenários controlados de exclusão e fragmentação, além de dados inspirados em bases reais. Os dados são submetidos a etapas de pré-processamento e extração de atributos forenses, incluindo entropia, frequência de bytes e n-grams, sendo posteriormente utilizados no treinamento de modelos supervisionados e em uma abordagem híbrida baseada em ensemble learning. A avaliação dos modelos é realizada por meio de métricas como precisão, recall, F1-score e taxa de falsos positivos (FPR), com comparação direta em relação a métodos heurísticos tradicionais. Os resultados indicam que a utilização de aprendizado de máquina proporciona redução significativa na ocorrência de falsos positivos, contribuindo para o aumento da confiabilidade do processo de recuperação forense. Como contribuição, o trabalho apresenta um pipeline experimental reprodutível que integra técnicas de computação forense e aprendizado de máquina, oferecendo suporte ao aprimoramento das práticas periciais e ao avanço das pesquisas na área.