ПРОБЛЕМИ ОПТИМІЗАЦІЇ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ ДЛЯ БЕЗПЕРЕРВНОГО ЗАХИСТУ КОРПОРАТИВНИХ ІНФОРМАЦІЙНИХ СИСТЕМ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.090Ключові слова:
корпоративні інформаційні системи, машинне навчання, оптимізація алгоритмів, безперервний захист, архітектура нульової довіри, обчислювальна складністьАнотація
У роботі досліджуються математичні та алгоритмічні проблеми оптимізації моделей машинного навчання (МН), що застосовуються для безперервного моніторингу та захисту сучасних корпоративних інформаційних систем (КІС). Зростання обсягів мережевого трафіку та перехід до архітектури нульової довіри (Zero Trust) вимагають від систем безпеки аналізу даних у режимі реального часу, що призводить до критичного збільшення обчислювального навантаження. Розглянуто ключові бар’єри впровадження МН, зокрема високу розмірність ознакового простору, проблему дисбалансу класів (аномалій порівняно з нормальним трафіком) та затримки під час інференсу. Обґрунтовано необхідність застосування методів зменшення розмірності та ансамблевих підходів для підвищення точності виявлення багатовекторних кібератак при одночасному зниженні частки хибних спрацьовувань. Запропоновано напрями математичного моделювання для мінімізації функції втрат в умовах динамічних змін у КІС.
Посилання
Rose, S., Borchert, O., Mitchell, S., & Connelly, S. (2020). Zero Trust Architecture. NIST Special Publication 800-207, 53. https://doi.org/10.6028/NIST.SP.800-207
Akhmetov, B. S., & Korchenko, O. H. (2022). Modeliuvannia system zakhystu informatsii: suchasni pidkhody ta algorytmy [Modeling of information security systems: modern approaches and algorithms]. Zakhyst informatsii, 24(1), 15-24 [in Ukrainian].
Apruzzese, G., Colajanni, M., & Ferretti, L. (2018). Evaluating the effectiveness of Machine Learning for cyber security. IEEE/ACM 26th International Symposium on Quality of Service (IWQoS), 1-6.
