Стратегії Виявлення Та Запобігання Витоків Даних У Корпоративних Мережах Згідно Генетичного Алгоритму
Year: 2025
Type: article
Abstract: Сучасні корпоративні мережі стикаються з постійно зростаючими загрозами несанкціонованого розкриття конфіденційної інформації, що постійно зростають – від власних досліджень до даних клієнтів. Традиційні системи запобігання витоків даних (DLP), що базуються на статичному зіставленні контенту та виявленні на основі сигнатур, виявилися неадекватними для виявлення трансформованої або замаскованої конфіденційної інформації. Особливо це спостерігається в середовищах, які охоплюють віддалену роботу, політику BYOD та інтеграцію з третіми сторонами. Тому ключовим аспектом залишається розробка адаптивної, багатошарової архітектури DLP, яка може ефективно виявляти та запобігати витокам даних у складному змішаному середовищі сучасних корпоративних мереж. Метою статті є обґрунтування та експериментальна перевірка підходу з застосуванням генетичного алгоритму для виявлення витоку даних, який може бути інтегрований в адаптивну систему, що об'єднує найбільш перспективні техніки в ансамблевому підході. Поставлене завдання – продемонструвати ефективність щодо точності виявлення витоків даних при збереженні низьких обчислювальних витрат та інтерпретованості результатів. Методологія полягає у застосуванні генетичного алгоритму для автоматичного виведення правил класифікації, що відрізняють конфіденційні документи від звичайних. Критеріями оцінювання є F1-міра, точність, повнота та складність правил на реальних наборах даних витоку інформації. Наукова новизна полягає в розробленні еволюційного підходу для виявлення витоку даних, особливістю якого є автоматично згенеровані інтерпретовані IF-THEN правила, що комбінують текстові ознаки та метадані для класифікації документів. Розроблений метод дає змогу створити компактні набори правил, які можуть бути безпосередньо перевірені фахівцями з безпеки та адаптовані до специфіки організації без повного перенавчання моделі. Висновки. Експерименти на трьох реальних наборах даних (Enron Email Corpus, AI4Privacy PII-300k, Government FOIA) свідчать, що генетичний алгоритм досягає найвищої середньої F1-міри (0.877) порівняно з базовими методами, включаючи Naive Bayes та SVM, при збереженні низьких обчислювальних витрат. Еволюційно створені правила використовують менше ознак (15-35) порівняно з деревами рішень (45-89), забезпечуючи високу інтерпретованість та можливість прямої імплементації в існуючу інфраструктуру безпеки.
DOI: 10.32782/it/2025-4-6
Authors: Петро ВІЖЕВСЬКИЙ, Олег САВЕНКО
Institution: Khmelnytskyi National University
Language: Ukrainian
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: hybrid
OpenAlex ID: W7129011885