Esteganografia
A sociedade contemporânea produz, compartilha e armazena uma quantidade de dados sem precedentes. Fotografias, vídeos, documentos, mensagens e registros digitais circulam continuamente entre pessoas, empresas, plataformas e instituições públicas.
Nesse ambiente, a proteção da informação deixou de depender apenas de senhas, criptografia e controle de acesso. Técnicas mais sofisticadas passaram a explorar uma dimensão menos intuitiva da segurança digital: não proteger apenas o conteúdo de uma mensagem, mas ocultar a própria existência dela.
É nesse contexto que surge a esteganografia.
Embora o termo ainda seja pouco conhecido fora dos círculos de segurança da informação e forense digital, a técnica levanta questões importantes sobre privacidade, investigação criminal, proteção de dados, inteligência artificial e confiança nas evidências digitais.
O tema foi objeto do meu Trabalho de Conclusão de Curso na Pós-Graduação em Inteligência Artificial para Agentes da Lei, no qual analisei o uso de técnicas de steganalise apoiadas por aprendizado de máquina para detectar comunicações ocultas em mídias digitais.
A esteganografia é uma técnica destinada a esconder uma informação dentro de outra.
Na criptografia, a existência de uma mensagem protegida é evidente. O conteúdo pode estar ilegível, mas sabemos que existe algo ali.
Na esteganografia, o objetivo é diferente: esconder a própria presença da comunicação.
Uma mensagem pode ser inserida, por exemplo, dentro de:
Visualmente, o arquivo pode parecer completamente normal.
Esse é o principal fator que torna a esteganografia tão relevante sob a perspectiva da privacidade e da segurança: ela desloca a discussão do “quem pode ler a informação?” para “quem consegue perceber que existe uma informação escondida?”.
A lógica da esteganografia não nasceu com os computadores.
Há registros históricos de métodos de ocultação de mensagens desde a Antiguidade. O trabalho cita o relato de Histiaeus, descrito por Heródoto, em que uma mensagem teria sido tatuada no couro cabeludo de um escravo e ocultada pelo crescimento dos cabelos.
No ambiente digital, porém, o princípio ganhou escala e sofisticação.
Arquivos multimídia possuem estruturas internas que permitem pequenas alterações sem produzir mudanças perceptíveis ao usuário. Em imagens, por exemplo, determinados valores podem ser modificados de maneira tão sutil que o olho humano não consegue perceber diferença significativa.
Técnicas como LSB, DCT, DWT, métodos de spread spectrum e abordagens baseadas em redes neurais representam diferentes formas de explorar essa possibilidade.
Para o usuário comum, entretanto, o ponto mais importante não está nos detalhes matemáticos dessas técnicas.
Está no fato de que um arquivo pode transportar muito mais informação do que aquilo que conseguimos enxergar ou ouvir.
Esse fenômeno gera uma consequência relevante para a sociedade digital: o conteúdo aparente de um arquivo nem sempre representa todo o seu conteúdo real.
Uma fotografia pode conter uma mensagem adicional.
Um áudio pode transportar dados ocultos.
Um arquivo aparentemente inofensivo pode exercer uma função que não é visível ao usuário.
Isso introduz uma nova dimensão no debate sobre confiança digital.
Grande parte da nossa interação tecnológica depende de pressupostos simples:
A esteganografia demonstra que esses pressupostos podem ser tecnicamente frágeis.
A relação entre esteganografia e privacidade é ambivalente.
A mesma tecnologia que pode ser utilizada para proteger comunicações legítimas também pode ser empregada para ocultar atividades ilícitas.
Essa dualidade não é exclusiva da esteganografia. Ela aparece em praticamente todas as tecnologias relacionadas à privacidade.
A criptografia, por exemplo, protege:
Ao mesmo tempo, também pode ser utilizada por criminosos para dificultar investigações.
A esteganografia leva essa tensão um passo adiante, porque não protege apenas a mensagem: ela procura impedir que terceiros sequer percebam sua existência.
Isso cria um conflito permanente entre dois valores legítimos:
privacidade e capacidade de investigação.
O uso de esteganografia pode assumir relevância em investigações criminais quando existem indícios de que arquivos digitais estejam sendo utilizados como mecanismos de comunicação oculta.
O trabalho destaca que diferentes estudos e investigações internacionais já documentaram o uso de técnicas de ocultação em contextos relacionados a terrorismo, criminalidade cibernética e circulação de material ilícito.
O problema investigativo é evidente.
Como procurar uma mensagem quando sequer sabemos se ela existe?
É nesse ponto que surge a steganalise.
Steganalise é o processo de identificar sinais de que um arquivo pode conter informação oculta.
O objetivo inicial não é necessariamente recuperar a mensagem escondida.
Em muitos casos, a primeira tarefa é responder a uma pergunta mais básica:
há indícios de que este arquivo foi manipulado para transportar informação oculta?
Tradicionalmente, essa análise utiliza métodos estatísticos capazes de detectar pequenas anomalias introduzidas durante o processo de ocultação.
Essas técnicas funcionam relativamente bem quando a quantidade de informação escondida é elevada.
O problema surge quando são utilizados volumes pequenos de dados, cuidadosamente distribuídos no arquivo.
Quanto menor a alteração, mais difícil se torna a detecção.
O avanço da inteligência artificial abriu uma nova possibilidade para esse tipo de análise.
Modelos de aprendizado de máquina podem ser treinados para identificar padrões extremamente sutis em arquivos digitais.
Em vez de procurar apenas regras estatísticas previamente definidas por especialistas, esses sistemas aprendem a reconhecer características associadas a arquivos modificados.
No campo das imagens, redes neurais convolucionais passaram a desempenhar papel importante nessa evolução.
O TCC analisa arquiteturas como XuNet, Yedroudj-Net e SRNet, que representam diferentes gerações de modelos desenvolvidos para detectar sinais de esteganografia.
O ganho potencial é significativo.
Em grandes volumes de dados, sistemas automatizados podem funcionar como mecanismos de triagem, selecionando arquivos que merecem análise mais aprofundada.
Isso pode ser particularmente relevante em dispositivos apreendidos que contenham milhares ou milhões de arquivos.
Aqui aparece uma distinção importante.
Modelos de inteligência artificial não produzem verdade absoluta.
Eles produzem classificações e probabilidades.
Um sistema pode indicar que determinada imagem apresenta características compatíveis com algum tipo de manipulação, mas isso não significa que exista, necessariamente, uma mensagem criminosa oculta naquele arquivo.
A possibilidade de erro continua presente.
Existem:
Essa característica é fundamental para qualquer discussão séria sobre inteligência artificial aplicada à sociedade.
Quanto mais sistemas algorítmicos são utilizados em decisões relevantes, maior deve ser a preocupação com seus limites.
Muitos modelos modernos de inteligência artificial possuem uma característica frequentemente descrita como black box, ou caixa-preta.
Isso significa que o sistema pode produzir uma resposta correta sem que seja simples explicar, de forma compreensível, exatamente como chegou àquela conclusão.
Em aplicações cotidianas, isso já representa um desafio.
Em contextos jurídicos ou forenses, o problema é ainda maior.
Se uma decisão técnica influencia uma investigação, um processo ou a interpretação de uma evidência, é necessário compreender:
O TCC aborda técnicas de explicabilidade, como Grad-CAM e SHAP, destinadas a tornar determinados aspectos das decisões algorítmicas mais compreensíveis.
A questão, porém, ultrapassa o campo técnico.
Ela toca diretamente em um dos grandes debates contemporâneos sobre inteligência artificial:
até que ponto devemos aceitar decisões produzidas por sistemas que não conseguimos explicar integralmente?
No ambiente forense, a tecnologia não pode ser analisada de forma isolada.
Uma evidência digital precisa manter sua integridade durante todo o processo de coleta, preservação, análise e armazenamento.
Por isso, o trabalho propõe que ferramentas de inteligência artificial sejam incorporadas a um fluxo de análise controlado e documentado.
Esse modelo foi denominado FORENS-STEG.
A proposta organiza a análise em quatro etapas:
O ponto central dessa estrutura é simples:
a inteligência artificial deve atuar dentro do processo, e não substituir o processo.
Sistemas automatizados são especialmente úteis para identificar padrões e reduzir grandes volumes de informação.
Mas decisões com consequências jurídicas ou institucionais continuam exigindo avaliação humana.
No contexto pericial, o modelo proposto no trabalho estabelece que resultados considerados suspeitos sejam submetidos à revisão por profissional habilitado.
Também recomenda que sejam registrados elementos como:
Esses registros permitem auditoria e reprodução posterior.
Essa preocupação possui importância muito além da esteganografia.
Ela representa um princípio aplicável a praticamente qualquer sistema de inteligência artificial utilizado em processos decisórios relevantes:
quanto maior o impacto de uma decisão, maior deve ser a capacidade de explicar, revisar e contestar o resultado.
A análise de evidências digitais pode envolver enorme quantidade de dados pessoais.
Em um único dispositivo podem existir:
Isso cria um desafio importante para a proteção de dados.
O TCC analisa essa questão a partir da Lei Geral de Proteção de Dados.
A LGPD estabelece regime específico para atividades relacionadas à segurança pública e investigação ou repressão de infrações penais. Ao mesmo tempo, mantém a relevância de princípios relacionados à finalidade, necessidade, segurança e proteção dos direitos fundamentais.
A tecnologia, portanto, não elimina a necessidade de limites.
Pelo contrário.
Quanto maior a capacidade de processamento e correlação de dados, maior tende a ser a necessidade de governança.
Outro ponto particularmente sensível envolve o treinamento de sistemas de inteligência artificial.
Modelos precisam de dados.
Quanto mais dados disponíveis, maior pode ser a capacidade de aprendizagem do sistema.
Mas isso cria uma pergunta inevitável:
quais dados podem ser utilizados para treinar esses modelos?
No contexto investigativo, utilizar evidências reais de forma indiscriminada poderia expor dados pessoais, informações de terceiros e conteúdos protegidos.
O trabalho defende cuidados como pseudonimização e restrições ao uso de evidências reais em processos de treinamento ou aperfeiçoamento de modelos.
Esse problema também aparece em outros campos da inteligência artificial.
Empresas, governos e pesquisadores enfrentam dilemas semelhantes ao utilizar grandes bases de dados para treinar sistemas.
A questão central permanece a mesma:
o avanço tecnológico não elimina a obrigação de definir limites para o uso da informação.
Outro risco analisado no trabalho é o viés algorítmico.
Modelos de inteligência artificial aprendem a partir dos dados utilizados durante seu treinamento.
Se esses dados representam apenas uma parte da realidade, o desempenho pode mudar quando o sistema é aplicado em situações diferentes.
No caso da steganalise, muitos datasets acadêmicos são compostos por imagens produzidas por câmeras digitais de alta qualidade.
Entretanto, investigações reais podem envolver:
O trabalho destaca que essa diferença pode gerar degradação de desempenho e aumentar a possibilidade de erros.
Esse fenômeno é conhecido como distribution shift.
Ele demonstra um princípio importante sobre inteligência artificial:
um modelo eficiente em laboratório não necessariamente terá o mesmo desempenho no mundo real.
A inteligência artificial também pode ser utilizada para criar formas mais sofisticadas de esteganografia.
Modelos generativos conseguem inserir informações dentro de imagens tentando reduzir justamente os sinais que sistemas de detecção procuram encontrar.
Isso cria uma espécie de corrida tecnológica.
De um lado:
Do outro:
Cada avanço em uma direção estimula o desenvolvimento da outra.
O TCC descreve essa dinâmica como semelhante a uma “corrida armamentista” tecnológica, em que métodos de ocultação e métodos de detecção evoluem continuamente.
Esse fenômeno provavelmente será cada vez mais comum na inteligência artificial.
Já observamos situações semelhantes em:
A tecnologia cria mecanismos de proteção e, simultaneamente, mecanismos capazes de contorná-los.
A esteganografia também ajuda a compreender um problema mais amplo da sociedade digital.
Tecnologias de privacidade e tecnologias de vigilância evoluem simultaneamente.
Ferramentas que permitem ocultar informações protegem indivíduos contra observação indevida.
Ao mesmo tempo, podem ser utilizadas para dificultar investigações legítimas.
Ferramentas capazes de identificar comunicações ocultas podem auxiliar autoridades.
Mas também poderiam, em outros contextos, ampliar capacidades de monitoramento.
A discussão, portanto, não pode ser reduzida a uma oposição simples entre “privacidade” e “segurança”.
O desafio real é estabelecer mecanismos de governança capazes de preservar direitos fundamentais sem tornar instituições incapazes de investigar crimes praticados em ambientes digitais.
A tendência é que a prova digital se torne cada vez mais complexa.
No passado, analisar um computador frequentemente significava procurar documentos, arquivos e registros.
Hoje, a análise pode envolver:
O profissional responsável pela análise digital precisa lidar não apenas com aquilo que está visível, mas também com o que pode estar oculto, manipulado ou gerado artificialmente.
Isso transforma profundamente a própria noção de evidência digital.
A steganalise é um caso específico, mas revela problemas que aparecem em praticamente todos os debates atuais sobre IA.
Entre eles:
1. Inteligência artificial produz probabilidades, não certezas.
2. Sistemas automatizados precisam ser auditáveis.
3. Dados de treinamento influenciam diretamente o comportamento dos modelos.
4. Modelos podem falhar quando enfrentam situações diferentes das utilizadas no treinamento.
5. Decisões com impacto relevante precisam preservar supervisão humana.
6. Privacidade e proteção de dados devem fazer parte da arquitetura da tecnologia, e não ser adicionadas posteriormente.
Esses princípios são válidos para sistemas utilizados em investigações, saúde, finanças, recrutamento, segurança, educação e inúmeras outras áreas.
A esteganografia talvez seja uma das melhores metáforas para compreender a sociedade digital contemporânea.
Vivemos cercados por informação, mas nem sempre conseguimos perceber tudo aquilo que os dados carregam.
Arquivos aparentemente simples podem possuir estruturas invisíveis.
Algoritmos podem identificar padrões que seres humanos não conseguem perceber.
Outros algoritmos podem ser construídos justamente para evitar essa detecção.
Nesse cenário, a inteligência artificial amplia simultaneamente nossa capacidade de esconder, descobrir, interpretar e processar informação.
O desafio não será apenas desenvolver sistemas mais poderosos.
Será estabelecer mecanismos que permitam compreender quando, como e com quais limites essas tecnologias devem ser utilizadas.
No campo da investigação digital, isso significa preservar cadeia de custódia, auditabilidade, validação humana e proteção de dados.
Na sociedade como um todo, significa reconhecer que privacidade, segurança e inteligência artificial não são debates separados.
Eles fazem parte do mesmo problema:
quem controla a informação, quem consegue enxergá-la e quais limites devem existir para o uso desse poder.
Agência investe em capacidade técnica própria, testa modelos de inteligência artificial em ambiente controlado e…
O avanço do reconhecimento facial nas forças de segurança do Reino Unido voltou ao centro…
Projeto aprovado pela Câmara autoriza estabelecimentos comerciais a divulgar imagens e áudios captados em situações…
Relatórios recentes de inteligência de ameaças (IBM, 2025-2026) apontam uma mudança estrutural no modus operandi…
O Brasil deu mais um passo na construção de regras para impulsionar a economia digital…
A tentativa da França de impedir o acesso de menores de 15 anos às redes…