ЕКСПЕРИМЕНТАЛЬНА ОЦІНКА ЕФЕКТИВНОСТІ ГІБРИДНИХ МЕТОДІВ АНАЛІЗУ ЦИФРОВИХ СЛІДІВ ДЛЯ ВИЯВЛЕННЯ АТИПОВОЇ ПОВЕДІНКИ В ІНФОРМАЦІЙНО-ОСВІТНІХ СИСТЕМАХ

Анотація

Анотація. Актуальність дослідження зумовлена необхідністю посилення захищеності інформаційно-освітніх систем (ІОС) закладів вищої освіти (ЗВО), які в умовах воєнного стану та дистанційного навчання також стали об’єктами кібератак. Наявні методи та засоби захисту ІОС, які базуються на статичних сигнатурах та політиках доступу, втратили свою ефективність проти загроз внутрішнього порушника та аномалій поведінкового характеру, як-от компрометація облікових записів, «академічне шахрайство», несанкціоноване делегування прав). Метою роботи є експериментальна оцінка ефективності розробленої інформаційної технології виявлення атипової активності користувачів шляхом гібридного аналізу їхніх цифрових слідів (ЦС). В основу дослідження покладено гіпотезу про те, що комбінація структурно-ієрархічного моделювання бізнес-процесів та ансамблевих методів машинного навчання (МН) дозволяє суттєво знизити кількість помилок першого та другого роду. Для верифікації запропонованих рішень проведено серію обчислювальних експериментів на реальному датасеті, сформованому з лог-файлів LMS Moodle (понад 30000 подій взаємодії). Здійснено порівняльний аналіз розробленого гібридного методу з класичними алгоритмами - градієнтним бустингом XGBoost та ізоляційним лісом Isolation Forest. Експериментально доведено, що запропонований гібридний метод, який використовує зважене ансамблювання (), продемонстрував вищу роздільну здатність та стабільність. Інтегральний показник якості ROC-AUC склав 0,956, а збалансована метрика F1-score досягла 0,858, що на 4,6% перевищило показники базового методу XGBoost. Аналіз кривих точності-повноти (Precision-Recall), підтвердив стійкість методу до дисбалансу класів, зокрема площа під кривою (AP) склала 0,889. Результати дослідження підтвердили, що впровадження запропонованої технології дозволяє закладам вищої освіти забезпечити гнучкий захист ІОС, формуючи чітку сепарацію між легітимною та атиповою поведінкою користувачів, та мінімізував ризики блокування доброчесних користувачів.