ЗАХИСТ КОРПОРАТИВНИХ БАЗ ДАНИХ НА ОСНОВІ РИЗИК-ОРІЄНТОВАНОЇ СЕГМЕНТАЦІЇ ДОСТУПУ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ

Анотація

У статті розглянуто проблему підвищення рівня захисту корпоративних баз даних в умовах зростання
кількості складних багатокрокових атак та внутрішніх загроз. Проаналізовано обмеження традиційних підходів
до контролю доступу, що базуються на статичних політиках і не враховують контекст взаємодії суб’єктів у мережі.
Запропоновано метод захисту корпоративних баз даних на основі ризик-орієнтованої сегментації доступу з
використанням штучного інтелекту, який ґрунтується на представленні процесів доступу у вигляді графової
моделі. У межах підходу вводиться поняття шляху доступу до бази даних та формується інтегральна оцінка
ризику, що враховує критичність вузлів, ймовірність переходів і структуру взаємодії. На основі отриманих значень
ризику реалізовано механізм адаптивного реагування, що передбачає динамічне оновлення політик доступу,
ізоляцію аномальних потоків у quarantine-сегментах мережі та блокування небезпечних сценаріїв взаємодії.
Особливістю запропонованого підходу є орієнтація не на окремі вузли чи події, а на цілісні шляхи доступу, що
дозволяє ефективно виявляти та нейтралізувати складні атаки, включаючи латеральне переміщення та приховані
аномалії поведінки. Використання методів штучного інтелекту забезпечує адаптивність системи до змін у
поведінці користувачів та динаміці мережевого середовища. Перевірка методу у навчальному середовищі та
отримані результати експерименту за критеріями F1-score, FPR, ASR підтверджують ефективність
запропонованого методу ризик-орієнтованої сегментації доступу, який забезпечує підвищення точності
виявлення аномалій, зменшення частки успішних атак та своєчасне реагування на загрози. Запропонований підхід
може бути інтегрований у сучасні системи моніторингу безпеки (SIEM/SOC) та використаний для підвищення
ефективності захисту інформаційних ресурсів корпоративних систем.
Ключові слова: кібербезпека, корпоративні бази даних, захист інформації, метод сегментації, штучний
інтелект, графові моделі доступу.

Перелік посилань
1. Savchenko, V. A., & Shapovalenko, O. D. (2020a). The main areas of artificial intelligence technologies in
cybersecurity. Modern information security, 44(4), 6-11. https://doi.org/10.31673/2409-7292.2020.040611.
2. Mr. Jalindhar Banshi Kachule, Prof. Badrinath Bulepatil, Prof. Vishal Gejge & Prof. Atish Ashokrao Shriniwar.
(2025). AI for Database Security Anomaly Detection: Leveraging Machine Learning for Real-Time Threat Identification.
International Journal of Latest Technology in Engineering Management & Applied Science, 14(8), 1039–1045.
https://doi.org/10.51583/ijltemas.2025.1408000133.
3. Пелещак, І., & Футрик, Ю. (2025). Прогнозування часових рядів за допомогою нейромережі з
послідовно з'єднаними lstm блоками. Herald of Khmelnytskyi National University. Technical sciences, 347(1), 432–
441. https://doi.org/10.31891/2307-5732-2025-347-59.
4. Touil, H., El Akkad, N., Satori, K., Soliman, N. F., & El-Shafai, W. (2024). Efficient Braille Transformation
for Secure Password Hashing. IEEE Access, 1. https://doi.org/10.1109/access.2024.3349487.
5. Pan X., Obahiaghon A., Makar B., Wilson S., Beard C. (2024). Analysis of database security. Open Access
Library J. 11(04), 1–9.. URL: https://doi.org/10.4236/oalib.1111366.
6. Shchavinskyi, Y., & Budzynskyi, O. (2025). Analysis of current problems of security of corporate databases
in the conditions of modern infrastructure and ways to solution them. Cybersecurity: Education, Science, Technique,
3(27), 390–405. https://doi.org/10.28925/2663-4023.2025.27.726.
7. Савченко,В. А., Смолєв,Є. С., & Гамза,Д. Є.(2023). Методика виявлення аномалій взаємодії
користувачів з інформаційними ресурсами організації. Сучасний захист інформації, 4(56), 6–12.
https://doi.org/10.31673/2409-7292.2023.030101.
8. Reddy, C., Prabhagaran, S., & Vaid, A. (2025). Adaptive Anomaly Detection in Database Transactions:
Bridging Security Gaps with Reinforcement Learning. European Journal of Artificial Intelligence and Machine Learning,
4(2), 8–14. https://doi.org/10.24018/ejai.2025.4.2.53.
9. Raeiszadeh, M., Ebrahimzadeh, A., Glitho, R. H., Eker, J., & Mini, R. A. F. (2024). Real-Time Adaptive
Anomaly Detection in Industrial IoT Environments. IEEE Transactions on Network and Service Management, 1.
https://doi.org/10.1109/tnsm.2024.3447532.
10. Bajic, B., Rikalovic, A., Suzic, N., & Piuri, V. (2024). Toward a Human-Cyber-Physical System for Real-Time
Anomaly Detection. IEEE Systems Journal, 1–12. https://doi.org/10.1109/jsyst.2024.3402978.
11. Pujol-Perich, D., Suarez-Varela, J., Ferriol, M., Xiao, S., Wu, B., Cabellos-Aparicio, A., & Barlet-Ros, P.
(2021). IGNNITION: Bridging the Gap between Graph Neural Networks and Networking Systems. IEEE Network, 35(6),
171–177. https://doi.org/10.1109/mnet.001.2100266.
12. Zhong, M., Lin, M., Zhang, C., & Xu, Z. (2024). A survey on graph neural networks for intrusion detection
systems: Methods, trends and challenges. Computers & Security, 141, 103821. https://doi.org/10.1016/ j.cose.
2024.103821.
13. Caville, E., Lo, W. W., Layeghy, S., & Portmann, M. (2022). Anomal-E: A self-supervised network intrusion
detection system based on graph neural networks. Knowledge-Based Systems, 110030. https://doi.org/10.1016
/j.knosys.2022.110030.
14. Okdem, S., & Okdem, S. (2024). Artificial Intelligence in Cybersecurity: A Review and a Case Study. Applied
Sciences, 14(22), 10487. https://doi.org/10.3390/app142210487.
15. Шульга, В., Іванченко, Є., Берестяна, Т., & Шкурченко, О. (2025). Методи та моделі протидії груповим
кіберзагрозам на основі штучного інтелекту. Електронне фахове наукове видання «Кібербезпека: освіта, наука,
техніка», 2(30), 593–606. https://doi.org/10.28925/2663-4023.2025.30.998.
16. Xu H., Pang G., Wang Y., & Wang Y. (2023). Deep Isolation Forest for Anomaly Detection. IEEE Trans. on
Knowl. and Data Eng, 35(12), 12591–12604. https://doi.org/10.1109/TKDE.2023.3270293.
17. Lindemann, B., Maschler, B., Sahlab, N., & Weyrich, M. (2021). A survey on anomaly detection for technical
systems using LSTM networks. Computers in Industry, 131, 103498. https://doi.org/10.1016/j.compind.2021.103498.