МОДЕЛЬ СИСТЕМИ ЗАПОБІГАННЯ ВИТОКУ ДАНИХ З ЕВОЛЮЦІЙНОЮ АДАПТАЦІЄЮ НА ОСНОВІ ГЕНЕТИЧНИХ АЛГОРИТМІВ

Анотація

У роботі запропоновано модель системи запобігання витоку даних (DLP) з еволюційною адаптацією, що інтегрує три компоненти у чотирирівневій архітектурі: класифікацію документів на основі генетичного алгоритму з продукційними IF-THEN правилами, двовіконний детектор дрейфу з архівом політик теплого старту, та поведінкове профілювання користувачів з експоненційним забуванням. Хромосомне кодування правил класифікації забезпечує повну інтерпретованість рішень, а багатокритеріальна функція пристосованості балансує точність зі складністю набору правил. На основі експериментальної оцінки на наборах даних SMS Spam Collection (5574 повідомлення) та Synthetic PII (2000 документів) встановлено, що генетичний класифікатор досягає F1-міри 0,985 на задачі виявлення персональних даних, поступаючись ансамблевим методам (F1 = 1,000) лише на 1,5 відсоткових пункти. Механізм еволюційної адаптації забезпечує приріст prequential accuracy на 13,9% порівняно зі статичною моделлю, а детектор дрейфу коректно виявляє всі точки раптового дрейфу (Recall = 1,00). Запропонована модель придатна для розгортання у регульованих галузях, де відповідність стандартам GDPR та HIPAA вимагає обґрунтування рішень про блокування інформаційних потоків. Підхід може бути розширений інтеграцією трансформерних моделей для вилучення ознак, адаптований до багатокласової класифікації та впроваджений у розподілені корпоративні середовища із застосуванням федеративного навчання.