АДАПТАЦІЯ ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНОЇ ІНТЕЛЕКТУАЛЬНОЇ ТЕХНОЛОГІЇ ДО АНАЛІЗУ ВЕЛИКИХ ДАНИХ НА ПРИКЛАДІ ЖУРНАЛІВ ПОДІЙ OFFICE 365
DOI:
https://doi.org/10.32689/maup.it.2026.2.13Ключові слова:
інтелектуальний аналіз даних, інформаційно-екстремальна інтелектуальна технологія, оцінювання функціональної ефективності, виявлення аномалій, кібербезпекаАнотація
Об’єктом дослідження є інтелектуальна система підтримки прийняття рішень (СППР) для виявлення кіберзагроз у журналах аудиту хмарної платформи Microsoft Office 365, орієнтована на умови малого та середнього бізнесу (МСБ). Проблема, що вирішувалася, полягає у відсутності доступних інструментів виявлення прихованих кібератак для організацій, що не мають у штаті великої команди фахівців з кібербезпеки. Існуючі рішення на базі глибокого навчання вимагають значних обчислювальних ресурсів і є непрозорими «чорними скриньками», рішення яких аналітик без профільної підготовки не здатен ні перевірити, ні пояснити керівництву. Суть отриманих результатів полягає у розробці 4-етапного конвеєра попередньої обробки O365 IEI-Pipeline та синтезі СППР на засадах ІЕІ-технології. Повний цикл обробки 93 379 рядків телеметрії займає 6,4 секунди на стандартному обладнанні. Синтезована СППР досягла нульової помилки другого роду (β = 0) на етапі навчання та ідентифікувала приховану атаку Data Exfiltration у 61,1 % тестових векторів без жодного хибного спрацювання на нормальному трафіку. Ключовою відмінністю є інтерпретованість рішень: кожне попередження системи пояснюється через конкретні відхилення поведінкових ознак від еталону норми у бінарному просторі, що дозволяє IT-спеціалісту загального профілю зрозуміти причину спрацювання без глибоких знань з машинного навчання. Система належить до класу Explainable AI, на відміну від непрозорих Transformer-архітектур. Результати пояснюються інформаційним критерієм Кульбака та оптимізованою системою контрольних допусків, що формує геометрично чіткі межі між класами нормальної поведінки та аномалій. Практичне використання є доцільним у компаніях МСБ, що використовують Microsoft Office 365, за умов відсутності виділеного SOC-центру: система потребує мінімальних обчислювальних ресурсів, не вимагає спеціалізованої інфраструктури та забезпечує прозору аргументацію кожного рішення для нетехнічного персоналу.
Посилання
Ring, M., Wunderlich, S., Scheuring, D., Landes, D., & Hotho, A. (2019). A survey of network-based intrusion detection data sets. Computers & Security, 86, 147–167. https://doi.org/10.1016/j.cose.2019.06.005
Hindy, H., Brosset, D., Bayne, E., Seeam, A., Tachtatzis, C., Atkinson, R., & Bellekens, X. (2020). A taxonomy of network threats and the effect of current datasets on intrusion detection systems. IEEE Access, 8, 104650–104675. https://doi.org/10.1109/ACCESS.2020.2994it
Yin, C., Zhu, Y., Fei, J., & He, X. (2017). A deep learning approach for intrusion detection using recurrent neural networks. IEEE Access, 5, 21954–21961. https://doi.org/10.1109/ACCESS.2017.2762418
Khan, N., Ahmad, K., AlTamimi, A., Alani, M. M., Bermak, A., & Khalil, I. (2025). Explainable AI-based intrusion detection systems for Industry 5.0 and adversarial XAI: a systematic review. Information, 16(12), 1036. https://doi.org/10.3390/info16121036
Mohale, V. Z., & Obagbuwa, I. C. (2025). A systematic review on the integration of explainable artificial intelligence in intrusion detection systems. Frontiers in Artificial Intelligence, 8, 1526221. https://doi.org/10.3389/frai.2025.1526221
Moskalenko, V. V., & Dovbysh, A. S. (2016). Vstup do informatsiinoho analizu i syntezu infokomunikatsiinykh system [Introduction to information analysis and synthesis of infocommunication systems]. Sumy State University [in Ukrainian].
Dovbysh, A. S., & Myronenko, M. I. (2025). Osnovy mashynnoho navchannia [Fundamentals of machine learning]. Sumy State University [in Ukrainian].
Shelekhov, I. V., & Prylepa, D. V. (2025). Metodychni vkazivky dlia kursovoi roboty z dystsypliny «Systemnyi analiz ta teoriia pryiniattia rishen» [Methodical guidelines for coursework in system analysis and decision theory]. Sumy State University [in Ukrainian].
Koo, J., Kang, G., & Kim, Y.-G. (2020). Security and privacy in Big Data life cycle: a survey and open challenges. Sustainability, 12(24), 10571. https://doi.org/10.3390/su122410571
Prylepa, D. V. (2023). Informatsiino-ekstremalna intelektualna tekhnolohiia diahnostuvannia emotsiino-psykhichnoho stanu liudyny [IEIT for diagnosing the emotional and psychological state of a person]. Extended abstract of candidate’s thesis. NTU «KhPI» [in Ukrainian].
Pyatachenko, V., & Dovbysh, A. (2023). Information-extreme machine learning of a hand prosthesis control system for EMG biosignal recognition using a sparse training matrix. Kompiuterni nauky, (2), 10. https://doi.org/10.32782/1995-0519.2023.2.10 [in Ukrainian].
Shelekhov, I. V., Prylepa, D. V., Khibovska, Yu. O., Shamonin, K. Ye., & Dorenskyi, O. P. (2025). IEIT for intelligent analysis of educational content quality in higher education. Central Ukrainian Scientific Bulletin. Technical Sciences, 12(43) (1), 58–72 [in Ukrainian].
Drofa, V. O. (2016). Optymizatsiia kontrolnykh dopuskiv na oznaky rozpiznavannia pry mashynnomu navchanni [Optimization of control tolerances for recognition features in machine learning]. Visnyk NTU «KhPI». Systemnyi analiz, upravlinnia ta informatsiini tekhnolohii, (45), 29–33 [in Ukrainian].
Chandrashekar, G., & Sahin, F. (2014). A survey on feature selection methods. Computers & Electrical Engineering, 40(1), 16–28. https://doi.org/10.1016/j.compeleceng.2013.11.024
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008. https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
