Применение ИИ для повышения эффективности мониторинга безопасности: система выявления аномалий

1.1. Технико-экономическая характеристика предметной области и предприятия

В этом разделе необходимо описать АО «ИИ аномалии»: сфера деятельности, организационная структура, основные бизнес-процессы, уровень цифровизации. Особое внимание — системам безопасности и текущим методам мониторинга. Также включаются данные о штате, годовом обороте, ИТ-инфраструктуре.

Пример содержания: АО «ИИ аномалии» специализируется на предоставлении решений для кибербезопасности. Ежегодно обрабатывает более 10 млн событий безопасности. Внедрение ИИ-алгоритмов позволяет сократить время реакции на инциденты на 40%. Основной процесс — применение аналитических систем для выявления аномалий.

Сложности:

• Отсутствие реальных данных о предприятии.
• Требуется логичная и убедительная подача технико-экономических показателей.

Время выполнения: 8–10 часов.

1.2. Характеристика комплекса задач и обоснование необходимости автоматизации

Описывается текущий процесс мониторинга безопасности: ручной анализ, использование стандартных SIEM-систем, задержки в обнаружении. Подчёркивается, что рост объёмов данных делает ручной контроль неэффективным. Обосновывается необходимость автоматизации процесса применение с использованием ИИ.

Пример содержания: На АО «ИИ аномалии» 70% инцидентов выявляются с задержкой более 2 часов. Автоматизация процесса применение позволит снизить этот показатель до 15 минут за счёт применения нейросетевых моделей.

Сложности:

• Чёткая формулировка «боли» предприятия.
• Необходимость логической цепочки «проблема → последствия → решение».

Время выполнения: 6–8 часов.

1.3. Анализ существующих разработок и выбор стратегии автоматизации

Рассматриваются аналоги: коммерческие и open-source решения (например, Splunk, ELK, Wazuh с ML-модулями). Проводится сравнительный анализ по критериям: точность, скорость, стоимость, масштабируемость. На основе анализа выбирается стратегия — например, разработка собственной системы на базе Python и библиотеки TensorFlow.

Пример содержания: Сравнение показало, что коммерческие решения стоят дорого, а open-source требуют глубокой настройки. Выбрана стратегия гибридного подхода: использование модулей Wazuh с интеграцией собственной ИИ-модели для применения в системе выявления аномалий.

Сложности:

• Поиск достоверных данных по аналогам.
• Обоснование выбора стратегии без технического перегруза.

Время выполнения: 8–10 часов.

1.4. Обоснование проектных решений

Формулируются ключевые архитектурные и технологические решения: выбор архитектуры (микросервисы, монолит), языка программирования, базы данных, методов машинного обучения (например, изоляционный лес, автоэнкодеры). Обосновывается выбор инструментов под задачу применение.

Пример содержания: Для реализации применения ИИ выбрана архитектура на базе Flask (Python) и PostgreSQL. Модель на основе автоэнкодера будет обучаться на логах безопасности, полученных от АО «ИИ аномалии».

Сложности:

• Согласованность решений с выбранной стратегией.
• Техническая грамотность при описании.

Время выполнения: 6–8 часов.

Выводы по главе 1 — время: 4–6 ч.

В аналитической части показана актуальность автоматизации процесса применение на АО «ИИ аномалии», проанализированы существующие решения и обоснована выбранная стратегия. Это формирует прочную основу для проектирования.

2.1. Разработка проекта автоматизации

Описывается архитектура системы: модули сбора данных, предобработки, ИИ-анализа, визуализации. Приводятся схемы (например, DFD, UML). Указывается, как реализуется процесс применение в рамках ИС.

Пример содержания: Система включает модуль сбора логов (Syslog), преобразователь данных и ИИ-движок. Процесс применение реализуется через API, который возвращает вероятность аномалии.

Сложности:

• Построение корректных диаграмм.
• Соответствие ГОСТу при оформлении схем.

Время выполнения: 10–12 часов.

2.2. Информационное обеспечение задачи

Определяется состав и структура данных: логи, метаданные, правила детекции. Проектируется база данных (ER-диаграмма), описываются таблицы (например, «События», «Аномалии», «Пользователи»).

Пример содержания: Таблица «Аномалии» содержит поля: ID, время, уровень угрозы, источник, вероятность. Данные поступают после применения ИИ-модели.

Сложности:

• Согласованность структуры БД с логикой системы.
• Оформление ER-диаграммы по ГОСТу.

Время выполнения: 6–8 часов.

2.3. Программное обеспечение задачи

Описывается реализация ключевых модулей: код предобработки, обучения модели, интерфейс. Приводятся фрагменты кода (на Python), пояснения к алгоритмам.

Пример содержания: Модель обучается на наборе данных из 50 тыс. записей. Используется библиотека scikit-learn. Код включает функцию detect_anomaly(), реализующую применение модели.

Сложности:

• Наличие рабочего кода и его адаптация под ВКР.
• Оформление листингов по требованиям вуза.

Время выполнения: 12–15 часов.

2.4. Контрольный пример реализации проекта и его описание

Демонстрируется работа системы: ввод тестовых данных, вывод результата (например, выявленная аномалия), скриншоты интерфейса. Описывается сценарий использования.

Пример содержания: При применении системы на тестовом логе обнаружена аномальная активность с вероятностью 94%. Результат отображён в веб-интерфейсе.

Сложности:

• Подготовка визуальных материалов.
• Описание примера без технического перегруза.

Время выполнения: 6–8 часов.

Выводы по главе 2 — время: 4–6 ч.

Во второй главе спроектирована и реализована система выявления аномалий с использованием ИИ. Разработаны информационное и программное обеспечение, представлен контрольный пример, подтверждающий работоспособность решения.

3.1. Выбор и обоснование методики расчёта экономической эффективности

Обосновывается выбор метода: например, расчёт годового экономического эффекта по методике Минэкономразвития. Указываются статьи затрат и доходов.

Пример содержания: Используется метод сравнения «до и после» внедрения. Затраты включают разработку, обучение. Доходы — экономия на инцидентах и сокращение трудозатрат.

Сложности:

• Поиск и адаптация официальной методики.
• Логичное обоснование выбранных показателей.

Время выполнения: 6–8 часов.

3.2. Расчёт показателей экономической эффективности проекта

Выполняются расчёты: снижение затрат на обработку инцидентов, рост производительности, срок окупаемости. Приводятся таблицы и формулы.

Пример содержания: Годовая экономия составит 1,2 млн руб. Срок окупаемости — 11 месяцев. Проект эффективен, так как ВНД > 0.

Сложности:

• Арифметические ошибки.
• Соответствие расчётов методике.

Время выполнения: 8–10 часов.

Выводы по главе 3 — время: 4–6 ч.

Расчёты показали, что проект внедрения ИИ-системы для применения в мониторинге безопасности экономически обоснован и имеет положительный эффект.

Если после прочтения вы осознали, что самостоятельное написание отнимет слишком много сил, или вы просто хотите перестраховаться — обращение к нам является взвешенным и профессиональным решением. Мы возьмём на себя все технические сложности, а вы получите готовую, качественную работу и уверенность перед защитой.