ОЦІНКА ПОТЕНЦІАЛУ ЗАСТОСУВАННЯ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ ТА МАШИННОГО НАВЧАННЯ ДЛЯ ЗАБЕЗПЕЧЕННЯ БЕЗПЕКИ ХМАРНИХ СЕРЕДОВИЩ І АВТОМАТИЗОВАНИХ СИСТЕМ УПРАВЛІННЯ КОНТЕЙНЕРИЗОВАНИМИ ЗАСТОСУНКАМИ

Анотація

Хмарні обчислення та контейнеризовані середовища стали основою цифрової інфраструктури, забезпечуючи масштабованість і гнучкість для бізнесу. Водночас динамічність цих систем створює нові загрози кібербезпеці, зокрема аномалії в трафіку, атаки типу DDoS, прихований криптомайнінг (cryptojacking)  та компрометацію облікових записів. Традиційні засоби захисту, засновані на сигнатурах або ручному налаштуванні, не забезпечують належної ефективності в таких умовах. Метою дослідження є вивчення потенціалу штучного інтелекту (ШІ) та машинного навчання (МН) у вирішенні ключових проблем безпеки хмарних платформ і контейнерних кластерів. Зокрема, розглянуто ефективність AI/ML-моделей у завданнях виявлення аномалій, класифікації атак, виявлення cryptojacking та DDoS-активності, реалізації deception-підходів і зниження хибнопозитивних спрацювань. Методологія базується на огляді актуальних наукових публікацій 2023–2025 років. Проведено порівняльний аналіз експериментальних рішень: гібридних моделей (XGBoost, CNN, LSTM) у системах IDS; використання eBPF для аналізу системних викликів у контейнерах; ML-класифікаторів для пріоритезації вразливостей у DevSecOps; платформ для активного захисту з приманками та адаптивним моніторингом (MAPE-K). Результати дослідження демонструють, що сучасні AI-рішення досягають точності виявлення понад 99%, зменшують кількість хибнопозитивних сигналів до ≈2% і забезпечують роботу в реальному часі без критичних втрат продуктивності. Особливо ефективними виявилися системи, що поєднують кілька моделей та використовують дані низького рівня (системні виклики, мережеві патерни) для прогнозування загроз. Таким чином, впровадження ШІ у кіберзахист хмарної інфраструктури має вирішальне значення для забезпечення її безперервної та безпечної роботи. У статті також окреслено ключові виклики для подальших досліджень: необхідність пояснюваності моделей (XAI), обмеженість якісних даних для тренування та ризики adversarial-атак. Отримані висновки є корисними для дослідників і практиків у галузі кібербезпеки, які прагнуть впровадити інтелектуальні механізми захисту в динамічних середовищах.