Shadow IT
Serviços e aplicações publicados fora de qualquer processo formal de TI — provisionados por áreas de negócio, times de produto ou fornecedores, sem passar pelo controle central.
ARQUITETURA DE DISCOVERY
Discovery por Machine Learning combinada com camada agêntica.
A CSURFACE opera modelos de Machine Learning especializados, supervisionados por uma camada agêntica que decide sobre a propriedade de cada objeto observado. O resultado é um inventário com profundidade real e ruído tecnicamente mínimo — sem agentes, a partir do domínio raiz.
O DESAFIO
A enumeração tradicional vê apenas a parte previsível da superfície
Os métodos clássicos de descoberta dependem de padrões esperados: nomes comuns, faixas de rede declaradas, listas conhecidas. Eles encontram o que segue convenções — mas a superfície de ataque real também é composta de ativos que não seguem padrão algum: ambientes temporários, projetos descontinuados, infraestrutura herdada de aquisições e serviços publicados fora de qualquer processo.
É exatamente nesse intervalo — entre o que é previsível e o que está exposto — que se concentra o risco fora do monitoramento. Ampliar a descoberta para além do óbvio, sem inundar a equipe com ruído, é o que separa um inventário aproximado de um inventário confiável.
DISCOVERY
Da semente à superfície completa
A partir de um único ponto de partida, a plataforma entrega a visão completa da superfície — independente de distribuição e país —, identificando cada ativo com Machine Learning e camada agêntica.
0Entidades
0Domínios
0Ativos
0Terceiros
MACHINE LEARNING
Propriedade fundamentada em evidência convergente.
Para cada ativo observado, múltiplas evidências independentes são reconciliadas até sustentar uma decisão fundamentada sobre a propriedade do ativo e seu vínculo com a organização — auditável a cada inclusão no inventário.
Somente o que resiste à reconciliação entre as evidências chega ao inventário entregue — cada inclusão preserva o histórico que sustentou a decisão.
| Ativo | Tecnologia | Evidência | Veredito |
|---|---|---|---|
| portal.exemplo.com.br novo | Nginx · WordPress | domínio raiz + crawl | 0.98 ML CLAIMED |
| api.exemplo-net.com | Kong · Node.js | certificado TLS + DNS | 1.00 AUTO CLAIMED |
| hml-legado.exemplo.com.br novo | Apache · PHP 7.2 | subdomínio + registro | 0.96 ML CLAIMED |
| cdn.marca-exemplo.com | Cloudflare | referência em página + TLS | 0.99 ML CLAIMED |
| vpn.exemplo.com.br | Fortinet | domínio raiz + DNS | 1.00 AUTO CLAIMED |
PONTOS CEGOS
A superfície que o inventário oficial não registra
Boa parte da exposição real vive fora das listas conhecidas: ativos publicados fora de processo, ambientes que ninguém desligou, tecnologia antiga sem dono claro. A descoberta incorpora esses ativos ao inventário com a mesma decisão de propriedade fundamentada.
Ambientes temporários e de homologação
Ativos criados para um propósito pontual e nunca desligados — homologações, provas de conceito e ambientes de teste que permanecem expostos muito depois de cumprida a função.
Tecnologia legada
Sistemas antigos ainda no ar, frequentemente sem dono definido e sem manutenção — a categoria de ativo onde a exposição costuma passar mais tempo despercebida.
Superfície publicada por terceiros
Integrações e serviços expostos por fornecedores em nome da organização, que ampliam a superfície sem aparecer em nenhum inventário interno.
É justamente nesse intervalo — entre o previsível e o exposto — que se concentra o risco fora do monitoramento. Cada um desses ativos entra no inventário com a evidência que sustenta a decisão de propriedade.
CAMADA AGÊNTICA
Sobre os modelos de ML opera um agente que decide.
A camada agêntica é o supervisor dos modelos. Ela analisa os dados enriquecidos e classificados, resolve conflitos entre sinais e decide sobre o nível de propriedade de cada objeto — substituindo horas de triagem manual por uma decisão fundamentada e auditável, antes de o alerta chegar à equipe.
Decisão fundamentada
O agente não rotula com base em um único modelo: ele integra a saída de todos os modelos, pesa evidências e justifica a decisão de propriedade — cada inclusão no inventário é rastreável.
Resolução de conflito
Quando sinais convergentes apontam num sentido e divergentes em outro, o agente reconcilia: descarta o que é ruído, retém o que é informação, registra a decisão.
Triagem antes da entrega
A camada agêntica filtra o ruído antes de o alerta chegar à equipe. O cliente recebe inventário pronto para uso — não trabalho de triagem.
A consequência operacional é direta: as equipes operam sobre um inventário confiável desde a primeira entrega, sem triar achados que não pertencem à organização. O tempo até a primeira ação relevante é medido em minutos.
COMO FUNCIONA
Do domínio raiz ao inventário entregue
01
Machine Learning
A partir do domínio raiz, cada ativo é avaliado por múltiplas evidências até uma decisão de propriedade fundamentada e auditável.
02
Decisão agêntica
A camada agêntica decide sobre a propriedade de cada objeto observado, reconcilia sinais conflitantes e justifica a inclusão no inventário.
03
Reavaliação contínua
A superfície é reanalisada de forma contínua. Novos ativos e mudanças relevantes entram no inventário com alerta — sem ruído acumulado.
PERGUNTAS FREQUENTES
FAQ
Por que múltiplos modelos de Machine Learning, e não um único?
Um único modelo concentra decisões heterogêneas — coleta, correlação, classificação, enriquecimento e validação — em uma única função. Modelos especializados por tipo de decisão elevam a confiabilidade de cada inclusão e mantêm a decisão auditável a cada etapa.
O que a camada agêntica adiciona aos modelos de ML?
Decisão. Os modelos produzem sinais classificados e enriquecidos; a camada agêntica os integra, resolve conflitos entre evidências convergentes e divergentes, decide sobre o nível de propriedade e justifica a inclusão. Em vez de a equipe humana fazer essa triagem, ela acontece antes da entrega — substituindo horas de trabalho manual por uma decisão fundamentada.
É preciso instalar agentes ou fornecer listas de ativos?
Não. A descoberta é integralmente externa e parte apenas do domínio raiz da organização. Não há agentes para instalar nem inventários para fornecer — a plataforma opera assim de forma autônoma.
Opcionalmente, a CSURFACE integra-se a ambientes de nuvem, WAF, CIEM e outras fontes para enriquecer a análise — integrações que ampliam o contexto, mas não são necessárias para a descoberta funcionar.
Como vocês evitam atribuir um ativo errado à minha organização?
Um ativo só entra no inventário depois de atribuído à organização por correlação de múltiplos sinais independentes e validado pela camada agêntica. Sinais convergentes e divergentes são reconciliados antes da entrega — a decisão de propriedade chega ao painel já fundamentada.
Essa arquitetura substitui o Attack Surface Management?
Não. Ela é o aprofundamento do ASM: a camada de descoberta que torna o inventário mais completo e mais confiável. As duas capacidades operam juntas, sobre o mesmo inventário vivo.
Veja os ativos que estavam fora do monitoramento.
Informe o domínio da sua empresa e receba uma análise preliminar da sua exposição externa. Sem cartão, sem reunião.
Receber análise preliminar