МОДЕЛЮВАННЯ ПОВЕДІНКОВИХ РИЗИКІВ КОРИСТУВАЧІВ КОРПОРАТИВНИХ БАЗ ДАНИХ ІЗ ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ

Анотація

У статті запропоновано модель виявлення аномальних тенденцій у діях користувачів корпоративних баз даних на основі гібридної архітектури LSTM-Autoencoder. Підхід поєднує аналіз структурних і часових характеристик поведінки, що забезпечує ефективне виявлення як контекстних, так і послідовних відхилень. Валідацію моделі здійснено на реальних ERP-даних SALT обсягом понад 2,3 млн записів, агрегованих у часові вікна з 87 ознаками. Навчання проводилося з використанням оптимізатора Adam, що забезпечило стабілізацію функції втрат на рівні MSE = 0,0023. Динамічна адаптація порогового значення дозволила знизити частку хибних спрацювань до 3,1%. Модель продемонструвала високі показники якості (F1 = 0,938, AUC = 0,972), перевершивши класичні методи Isolation Forest та One-Class SVM. Експериментальні результати підтверджують здатність підходу виявляти складні поведінкові аномалії, що створює підґрунтя для реалізації інтелектуальних систем оцінки поведінкових ризиків корпоративних баз даних у режимі реального часу.