Imagine um firewall capaz de reconhecer um ataque inédito antes mesmo que exista uma assinatura tradicional. Essa é a promessa do SnortML, o novo motor de detecção por machine learning embarcado no Snort 3 — o IDS/IPS open-source que equipa desde laboratórios caseiros até o Cisco Secure Firewall de data centers corporativos. Com inferência local de menos de 1 ms, a tecnologia reduz aquela janela crítica entre a descoberta de uma vulnerabilidade e a publicação de uma regra, momento em que muitos administradores perdem o sono.
Por que isso importa para você
Seja você gamer mantendo um servidor dedicado de Counter-Strike 2, ou profissional que gerencia centenas de VMs em nuvem híbrida, um ataque zero-day pode derrubar tudo em minutos. A capacidade do SnortML de identificar padrões desconhecidos em consultas HTTP — e futuramente em outros protocolos — significa menos downtime e menos correria para aplicar patches. Para quem monta infraestrutura, vale lembrar que latência extra de 350 µs não afeta em nada a jogabilidade, mas pode salvar o banco de dados do seu e-commerce.
Como o SnortML pensa (sem “mandar dados para a nuvem”)
Diferente de soluções que dependem de reputação on-line, o SnortML roda 100 % no dispositivo. Dois módulos fazem a mágica:
- snort_ml_engine – carrega modelos TensorFlow na memória durante a inicialização.
- snort_ml inspector – assina o event bus interno do Snort e classifica cada parâmetro HTTP.
O coração do sistema é uma arquitetura LSTM + camada de embeddings que reconhece “o formato” de um ataque de injeção de SQL, mesmo quando o invasor troca aspas por códigos de escape ou muda a ordem dos operadores. Em testes da Cisco Talos, cada passagem de inferência leva cerca de 350 µs em um Ryzen 5 7600X de 4,7 GHz, graças às otimizações do XNNPACK.
Especificações rápidas
Tamanhos de modelo: 256, 512 ou 1024 bytes (auto-seleção)
Classes de ataque cobertas hoje: SQL i (2024), XSS e Command Injection (2025)
Entrega de updates: mesmo canal LSP das assinaturas Snort
Overhead médio: +350 µs por requisição longa
Assinaturas x IA: por que rodar as duas juntas?
Assinaturas oferecem falso positivo praticamente zero nos ataques conhecidos; o SnortML cobre as variações ainda sem regra. Quando ambos disparam no mesmo pacote, a confiança explode — ótima informação para SIEMs e, principalmente, para as novas plataformas de agentic AI, que automatizam investigação e resposta.
Agentic AI: o próximo salto da segurança
Plataformas como IBM ATOM e Trend Micro Agentic SIEM já usam agentes autônomos que decidem, em tempo real, quais logs coletar, a quem notificar e, em certos casos, até isolam um host. O ponto frágil? Elas precisam de sensores confiáveis na borda. Um false positive vindo do firewall vira “tempo desperdiçado” (ou, pior, bloqueio de um IP legítimo) para a malha de agentes. A saída é justamente a probabilidade decimal que o SnortML retorna: 0,97 combinado a uma assinatura clássica pode acionar bloqueio; 0,61 sem mais evidências vira apenas observação.
Quer testar? Caminho seguro em três passos
- Modo passivo primeiro: deixe as regras GID:411 apenas como ALERT por duas semanas para medir ruído.
- Ajuste de limiar: identifique APIs e aplicações internas que gerem consultas longas ou pouco convencionais e ajuste o threshold para esses destinos.
- Integração SIEM/agentic: exporte as probabilidades no formato JSON do Snort 3 e alimente sua plataforma (Splunk, Elastic ou ATOM). Pontue a confiança somando assinatura + score ML.
Limitações atuais (e oportunidades de melhoria)
Hoje o SnortML enxerga apenas parâmetros HTTP. Nada de DNS tunneling, SMB ou tráfego TLS cifrado. A boa notícia é que o publish/subscribe do Snort é protocolo-agnóstico: falta “apenas” corpora com rotulagem suficiente para treinar modelos equivalentes em outras camadas.
Imagem: Internet
Outro ponto: ainda não há explicabilidade na saída. Ferramentas de Integrated Gradients poderiam destacar quais bytes elevaram o score — recurso valioso para o analista ajustar regras ou até gerar patches.
Visão de futuro: o ciclo fechado de aprendizado
O cenário ideal é um loop em que:
- SnortML detecta algo novo;
- Agentes investigam e confirmam;
- O payload confirmado volta para o pipeline de treino;
- Uma LLM propõe assinatura Snort clássica para o padrão;
- Admin revisa, aprova e publica via LSP.
Dessa forma, o sensor fica cada dia mais esperto, enquanto a camada de assinaturas ganha novas regras para baixíssimo false positive. Pesquisa acadêmica já explora segurança desse ciclo contra dados envenenados (vide Singh et al., 2025), mas a implementação em produção ainda é rara.
Comparativo rápido com soluções do mercado
Suricata + Hyperscan: altíssima performance, mas depende só de assinaturas.
ZEEK + Intel DPDK: ótimo para contexto de sessão, mas pesado de configurar.
Snort 3 + SnortML: equilíbrio entre profundidade, IA embarcada e facilidade de update — sem custo adicional se você já atualiza regras.
Conclusão
Ao incorporar IA diretamente no pipeline, o Snort 3 dá um salto que nenhuma placa de vídeo RTX ou SSD NVMe conseguiria oferecer à sua segurança: a redução drástica do tempo de exposição a zero-days. Entre upgrade de mouse RGB e inclusão de SnortML no seu stack, talvez seja hora de priorizar o segundo. Seu uptime agradece.
Com informações de Stack Overflow Blog
