Um artigo de síntese reúne achados de quatro estudos anteriores — sobre aprendizado adversarial, detecção de anomalia em nuvem, correção automatizada de vulnerabilidades por agentes LLM e segurança de IA ao longo do ciclo de vida — e propõe uma arquitetura em camadas que usa blockchain para dar proveniência verificável a dados, modelos e decisões de agentes autônomos de segurança, sem autoridade central. O trabalho é conceitual, sem nova avaliação experimental própria, e deixa em aberto questões de escalabilidade e governança de agentes.
O artigo define um modelo de ameaça para injeção de intenção adversarial em redes 6G controladas por Intent-Based Networking (IBN), na qual objetivos de alto nível são traduzidos automaticamente em configuração de rede, e testa quatro estratégias de ataque, incluindo variantes furtivas desenhadas para escapar de detecção. Um framework de detecção combinando uma CNN supervisionada com um autoencoder não supervisionado atingiu acurácia de 0,97 e F1 de 0,98, superando claramente o estado da arte anterior.
O estudo propõe um modelo de ameaça mais realista para sistemas de previsão de tráfego baseados em grafos: um atacante com conhecimento limitado do modelo e capacidade de manipular apenas alguns sensores viários, em vez do acesso total normalmente assumido em trabalhos anteriores. A partir daí, os autores constroem um ataque "physics-aware" que imita padrões reais de congestionamento para corromper a previsão em rotas específicas — gerando tempos de chegada errados ou desvios desnecessários — sem afetar métricas de rede como um todo, o que o torna praticamente invisível a detecção agregada. Como defesa, propõem um detector físico-informado acoplado a um previsor endurecido, que supera o treinamento adversarial tradicional em 13 de 15 combinações de modelo e dataset avaliadas.