DEEP LEARNING-МОДЕЛЬ ПРОГНОЗУВАННЯ КОМПРОМЕТАЦІЇ ОБЛІКОВИХ ЗАПИСІВ У СИСТЕМАХ УПРАВЛІННЯ ПОДІЯМИ БЕЗПЕКИ

Анотація

У сучасних корпоративних інформаційних системах зростає частота складних атак, спрямованих на компрометацію облікових записів користувачів. Традиційні системи управління подіями безпеки, які базуються на правилах кореляції та сигнатурному аналізі, демонструють обмежену здатність до прогнозування потенційних інцидентів, оскільки не враховують часові залежності та поведінкові закономірності користувачів. У зв’язку з цим актуальним стає застосування моделей глибинного навчання здатних відтворювати нелінійні взаємозв’язки між автентифікаційними параметрами та ймовірністю компрометації облікового запису.

У роботі запропоновано Deep Learning-модель прогнозування ризику компрометації, побудовану на основі рекурентної нейронної мережі типу LSTM із механізмом attention, який дозволяє динамічно визначати вагу часових ознак у послідовностях подій автентифікації. Формалізація задачі полягає у мінімізації функції втрат, яка відображає різницю між прогнозованою ймовірністю компрометації та фактичним станом облікового запису. Такий підхід підвищує точність виявлення аномалій і сприяє побудові адаптивної поведінкової аналітики в рамках SIEM/UEBA архітектур.

Модель реалізує функцію прогнозування ризику компрометації як задачу мінімізації регуляризованої функції втрат, що відображає відхилення між прогнозованою ймовірністю загрози та фактичним станом безпеки облікового запису. Оптимізація здійснюється за допомогою алгоритму Adam, що забезпечує стабільну збіжність і здатність до узагальнення на різнорідних наборах даних.

Інтеграція моделі у SIEM-середовище створює основу для контекстно-орієнтованого аналізу ризиків, що відповідає принципам Zero Trust Architecture (NIST SP 800-207, 2020; MITRE ATT&CK, v14, 2024) та рекомендаціям ENISA Threat Intelligence Framework (2023) щодо проактивного виявлення інцидентів у режимі реального часу.