Protokół eksperymentalny dla bezpiecznej migracji danych w chmurze sterowanej przez wyjaśnialną sztuczną inteligencję z wykorzystaniem syntetycznych danych medycznych

Priyanka Nalawade; Prashant Kumbharkar; Pankaj Agarkar; Avanish Kumbharkar; Sudan Jha

doi:10.3791/71612

Artykuł metodologiczny

Protokół eksperymentalny dla bezpiecznej migracji danych w chmurze sterowanej przez wyjaśnialną sztuczną inteligencję z wykorzystaniem syntetycznych danych medycznych

DOI:

10.3791/71612

⸱

14 sierpnia 2026

Priyanka Nalawade¹^,² , Prashant Kumbharkar¹ , Pankaj Agarkar³ , Avanish Kumbharkar⁴ , Sudan Jha⁵

¹School of Engineering, Ajeenkya D Y Patil University, ²Department of Computer Engineering (Software Engineering), MIT Academy of Engineering, ³Ajeenkya D Y Patil SOE Lohegaon, ⁴MS Scholar, The University of Sydney, ⁵Department of Computer Science and Engineering, Kathmandu University

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niniejsza metoda przedstawia kompleksowy model oparty na wyjaśnialnej sztucznej inteligencji (XAI), który umożliwia bezpieczną migrację danych opieki zdrowotnej w chmurze, wykorzystując syntetyczny zbiór danych medycznych w kontrolowanym środowisku chmurowym. Wynikiem jest prototyp łączący bezpieczeństwo typu zero-trust, czasową kontrolę dostępu oraz wyjaśnialną detekcję anomalii w celu zapewnienia przejrzystości i bezpieczeństwa migracji.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W systemach opieki zdrowotnej coraz częściej przeprowadza się migrację danych do chmury, co sprawia, że momenty transferu danych stają się obszarem prawdopodobnie największego ryzyka w zakresie bezpieczeństwa. Niniejsza praca opisuje odtwarzalny protokół bezpiecznej migracji danych w chmurze w oparciu o wyjaśnialną sztuczną inteligencję (XAI), wykorzystujący syntetyczny zbiór danych medycznych oraz kontrolowane środowisko chmurowe. Opracowana struktura łączy architekturę zerowego zaufania (zero-trust), czasowe nadawanie minimalnych uprawnień, szyfrowaną komunikację, centralny monitoring oraz wyjaśnialną detekcję anomalii, aby zapewnić bezpieczniejszą, przejrzystą i audytowalną migrację. W testach wykorzystano zbiór 10 GB syntetycznej elektronicznej dokumentacji medycznej, obejmujący około 20 milionów rekordów w 28 tabelach relacyjnych. Proces migracji przeprowadzono w usłudze Amazon Web Services (AWS) przy użyciu baz danych PostgreSQL i prywatnych sieci wirtualnych. Do detekcji anomalii wykorzystano algorytm Isolation Forest, a do bezpiecznej interpretacji zdarzeń posłużono się metodą Shapley Additive Explanations (SHAP). Strukturę oceniono na podstawie dziesięciu oddzielnych prób migracji, stosując takie mierniki jak czas ekspozycji poświadczeń, czas wykrycia incydentu, dokładność detekcji anomalii, opóźnienie migracji oraz integralność danych. W testowanej konfiguracji czas ekspozycji poświadczeń zredukowano z 24 h do 1 h (redukcja o 95,8%), dokładność detekcji anomalii wyniosła 97,4%, czas wykrycia incydentu skrócono do około 15 min, a pełna 100% integralność danych została zachowana dzięki walidacji sum kontrolnych. Jednakże silniejsze środki bezpieczeństwa spowodowały średni wzrost opóźnienia migracji o 11%. Wyniki te wykazują potencjał łączenia wyjaśnialnej AI z bezpiecznymi procesami migracji do chmury w zarządzaniu danymi medycznymi.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przetwarzanie w chmurze stanowi obecnie integralną część systemów opieki zdrowotnej na całym świecie, oferując skalowalną przestrzeń dyskową, zasoby obliczeniowe oraz możliwość wymiany dokumentacji medycznej, wspieranie systemów wspomagania decyzji i umożliwianie analityki zdrowotnej za pośrednictwem chmury¹^,²^,³. W związku z tym, że wiele instytucji ochrony zdrowia modernizuje swoje systemy informatyczne, przejście do chmury stało się dla nich kluczowym krokiem w celu przeniesienia wrażliwych danych medycznych przechowywanych w starszych systemach lokalnych do chmury⁴. Prawidłowa migracja prowadzi do łatwiejszego odzyskiwania danych, prowadzenia operacji w bardziej efektywny sposób oraz wspierania analityki na wyższym poziomie inteligencji, jednak jednocześnie nie można ignorować poważnych ryzyk związanych z bezpieczeństwem i prywatnością, które wiążą się z przenoszeniem danych z jednego miejsca w drugie⁵.

Faza migracji jest powszechnie uważana za szczególnie ryzykowny moment w cyklu życia danych, ponieważ ze względu na naturę tego procesu dane medyczne są aktywnie przenoszone między systemami i sieciami⁶. Ponadto organizacje mogą być narażone na zagrożenia takie jak kradzież poświadczeń, nieautoryzowany dostęp, przechwytywanie danych, manipulacje schematami, a nawet utratę danych podczas fazy migracji⁶^,⁷. Środowiska opieki zdrowotnej są mniej odporne na takie ryzyka, ponieważ informacje o pacjentach są niezwykle wrażliwe i w związku z tym wymagają najwyższego poziomu zgodności z przepisami oraz środkami bezpieczeństwa⁸^,⁹. Bez tego nie jest możliwe zapewnienie poufności, integralności i rozliczalności danych, jeśli przepływ pracy migracji nie jest zabezpieczony i monitorowalny¹⁰^,¹¹.

Opracowano szereg ram bezpieczeństwa i standardów mających na celu poprawę bezpieczeństwa chmury. Na przykład Architektura Zero Trust opracowana przez National Institute of Standards and Technology (NIST) opiera się na ciągłej weryfikacji użytkowników, urządzeń i usług¹², podczas gdy ramy wdrażania chmury (cloud adoption frameworks) dostarczają wytycznych w zakresie zarządzania, zarządzania tożsamością, szyfrowania i monitorowania¹³. W rzeczywistości współczesne metody bezpieczeństwa chmury koncentrują się na automatyzacji, infrastrukturze jako kodzie (infrastructure-as-code) oraz ciągłym monitorowaniu¹⁴^,¹⁵. Choć podejścia te opierają się na cennych zasadach bezpieczeństwa, w dużej mierze dotyczą one ogólnego wdrażania chmury i środowisk operacyjnych, a nie samego procesu migracji¹⁶. W istocie rzadko przedstawiają one szczegółowe, krok po kroku i reprodukowalne procedury wykonywania bezpiecznych przepływów pracy migracji danych medycznych do chmury, które łączyłyby zarządzanie tożsamością, bezpieczny transfer danych, walidację, monitorowanie oraz utwardzanie systemu po migracji¹⁷.

Wykrywanie anomalii za pomocą uczenia maszynowego zostało uznane za pomocną technologię w monitorowaniu bezpieczeństwa środowisk chmurowych. Pozwala ono na wykrywanie nieprawidłowej aktywności systemu, a także potencjalnych incydentów bezpieczeństwa¹⁸. Niemniej jednak wiele metod wykrywania anomalii to systemy zamknięte, które nie dostarczają wyjaśnień dotyczących uzasadnienia oznaczenia zdarzenia bezpieczeństwa jako podejrzane¹⁹. Brak możliwości wyjaśnienia decyzji podejmowanych przez system obniża zaufanie administratorów, utrudnia audytowanie i zmniejsza wartość zautomatyzowanych decyzji dotyczących bezpieczeństwa w ściśle regulowanych środowiskach opieki zdrowotnej²⁰. Metody wyjaśnialnej sztucznej inteligencji (XAI), takie jak SHapley Additive exPlanations (SHAP) oraz Local Interpretable Model-agnostic Explanations (LIME), nie tylko dostarczają jasnych wyjaśnień dla predykcji uczenia maszynowego, ale także zwiększają zrozumienie, rozliczalność i zaufanie do systemów monitorowania bezpieczeństwa²¹^,²².

Mimo że bezpieczeństwo chmury i wyjaśnialna sztuczna inteligencja poczyniły ogromne postępy, wciąż brakuje odtwarzalnych protokołów eksperymentalnych łączących zabezpieczenia migracji z wyjaśnialnym monitorowaniem bezpieczeństwa w celu ich integracji²³. Istniejące badania koncentrują się głównie na pojedynczych komponentach, takich jak szyfrowanie, kontrola dostępu, wykrywanie anomalii lub zarządzanie chmurą, i nigdzie nie oferują zintegrowanej metodologii, którą można by systematycznie wdrożyć, ocenić i odtworzyć²⁴. Co więcej, niemal żadne badania nie podjęły próby połączenia zasad bezpieczeństwa zero-trust, czasowego najmniejszego uprawnienia, scentralizowanej obserwowalności oraz wyjaśnialnego wykrywania anomalii w ramach jednego przepływu pracy migracji chmury w sektorze ochrony zdrowia²⁵^,²⁶.

Niniejsza praca wprowadza oparty na wyjaśnialnej sztucznej inteligencji (Explainable AI) framework do bezpiecznej migracji danych w chmurze w systemach opieki zdrowotnej, aby wypełnić tę lukę. Proponowana architektura wykorzystuje model zerowego zaufania (zero-trust), dostęp ograniczony czasowo, bezpieczną komunikację, centralne logowanie i monitorowanie oraz opartą na SHAP interpretowalną detekcję anomalii w uporządkowanym procesie migracji²⁷^,²⁸. Protokół stanowi instrukcję krok po kroku dotyczącą wdrażania, monitorowania i oceny bezpiecznej migracji danych medycznych w warunkach eksperymentalnych. Poprzez połączenie mechanizmów kontroli bezpieczeństwa z interpretowalnym monitorowaniem AI, proponowany framework ma na celu zwiększenie poziomu przejrzystości, audytowalności i bezpieczeństwa w całym cyklu życia migracji²⁹^,³⁰.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W badaniu tym wykorzystano w pełni syntetyczny zbiór danych medycznych, wygenerowany w celu eksperymentalnej oceny bezpiejnej migracji danych w chmurze. Nie użyto rzeczywistych danych pacjentów, chronionych informacji zdrowotnych (PHI) ani możliwych do zidentyfikowania rekordów medycznych. W związku z tym nie wymagano zgody Institutional Review Board ani świadomej zgody uczestników. Wszystkie materiały wykorzystane w tym badaniu zostały ujęte w Tabeli Materiałów.

1. Przegląd

Skonfigurować bezpieczne środowisko migracji w chmurze, składające się z warstwy źródłowej, warstwy centrum migracji (migration hub), warstwy docelowej, warstwy sieciowej, warstwy zarządzania tożsamością i dostępem, warstwy obserwowalności oraz warstwy wyjaśnialnej sztucznej inteligencji (Explainable AI).
Wdrożyć wszystkie komponenty w izolowanych środowiskach chmurowych, aby zapewnić bezpieczną migrację danych medycznych. Ustanowić zaszyfrowane kanały komunikacji pomiędzy wszystkimi komponentami systemu.
Przeprowadzić protokół, obejmujący przygotowanie zbioru danych, konfigurację środowiska, wdrożenie architektury, bezpieczną migrację, monitorowanie anomalii oraz walidację pomigracyjną. Ogólna architektura proponowanych ram bezpiecznej migracji danych w chmurze sterowanej przez wyjaśnialną sztuczną inteligencję przedstawiona jest na Rysunku 1.

Schemat architektury migracji do chmury; baza danych PostgreSQL przechodzi z infrastruktury lokalnej do AWS z warstwami bezpieczeństwa, obserwowalności, AI i zarządzania, ilustrując szyfrowane połączenia i przepływ danych.
Rysunek 1: Ogólna architektura bezpiecznego frameworka migracji danych do chmury z wykorzystaniem wyjaśnialnej sztucznej inteligencji (XAI) dla systemów opieki zdrowotnej. Framework składa się z warstwy zarządzania tożsamością i dostępem, warstwy bazy danych źródłowej, warstwy centrum migracji, warstwy docelowej bazy danych w chmurze, warstwy bezpieczeństwa sieciowego, warstwy obserwowalności, warstwy monitorowania za pomocą wyjaśnialnej AI oraz przekrojowych usług bezpieczeństwa i zarządzania. Architektura integruje czasową kontrolę dostępu opartą na zasadzie najmniejszych uprawnień, szyfrowaną komunikację TLS 1.3, weryfikację integralności opartą na sumach kontrolnych, ciągły monitoring bezpieczeństwa oraz wyjaśnialność opartą na metodzie SHAP, aby zapewnić bezpieczną, przejrzystą i reprodukowalną migrację baz danych w sektorze zdrowia. Rysunek został stworzony przez autorów przy użyciu programu Microsoft PowerPoint (Microsoft 365). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

2. Konfiguracja środowiska obliczeniowego

Konfiguracja środowiska obliczeniowego
1. Przygotuj zasoby obliczeniowe niezbędne do bezpiecznej migracji danych w chmurze oraz monitorowania opartego na wyjaśnialnej sztucznej inteligencji (explainable AI).
2. Zainstaluj i skonfiguruj cały sprzęt, oprogramowanie, usługi chmurowe, bazy danych, narzędzia bezpieczeństwa oraz biblioteki uczenia maszynowego wymienione w Tabeli materiałów. Przed rozpoczęciem eksperymentu migracyjnego zweryfikuj, czy wszystkie wymagane komponenty są sprawne.
Konfiguracja środowiska chmurowego
1. Skonfiguruj bezpieczne środowisko chmurowe do migracji danych medycznych. Utwórz prywatną sieć VPC w celu zapewnienia płynnej komunikacji pomiędzy systemem źródłowym, centrum migracyjnym a systemem docelowym. Zastosuj silne szyfrowanie nie tylko podczas przechowywania danych, ale również podczas ich przesyłania.
2. Przygotuj docelową bazę danych oraz usługi migracyjne zgodnie ze szczegółami podanymi w Tabeli materiałów.
Skonfiguruj zarządzanie tożsamością i dostępem oraz usługi monitorowania i logowania.

3. Przygotowanie i opis zbioru danych

Wygeneruj syntetyczny zestaw danych medycznych przy użyciu biblioteki Faker dla języka Python, wymienionej w Tabeli Materiałów. Skonfiguruj atrybuty demograficzne, w tym wiek pacjenta, płeć, pochodzenie etniczne i lokalizację geograficzną, korzystając z predefined probability distributions.
Wygeneruj informacje kliniczne, w tym diagnozy, wyniki badań laboratoryjnych, leki, alergie, procedury i przyjęcia do szpitala, zachowując realistyczne zależności kliniczne.
Wygeneruj podłużne przebiegi wizyt pacjentów poprzez przypisanie wielu wizyt poszczególnym pacjentom zgodnie z predefined visit-frequency distributions.
Wygeneruj znaczniki czasu dla przyjęć, badań laboratoryjnych, podawania leków, wypisów oraz logów audytowych, stosując chronologiczne uporządkowanie zdarzeń.
Wprowadź klinicznie realistyczne brakujące wartości, zdublowane rekordy i obserwacje odstające zgodnie z predefined data-quality distributions.
Zastąp wszystkie dane umożliwiające identyfikację osób wartościami syntetycznymi wygenerowanymi przez bibliotekę Faker. Zweryfikuj integralność referencyjną i spójność logiczną przed eksportem zestawu danych. Eksportuj zweryfikowany zestaw danych w formacie SQL kompatybilnym z PostgreSQL. Skonfiguruj zestaw danych tak, aby obsługiwał realistyczne scenariusze migracji danych medycznych. Charakterystyka wygenerowanego zestawu danych została podsumowana w Tabeli 1.
Zdefiniuj relacje bazodanowe. Przypisz Patient_ID jako klucz główny dla tabeli pacjentów. Ustanów relacje kluczy obcych pomiędzy tabelami pacjentów, wizyt, laboratorium, leków i logów audytowych. Zweryfikuj integralność referencyjną we wszystkich tabelach przed rozpoczęciem migracji.
Symuluj realistyczne charakterystyki danych medycznych. Wygeneruj wiek pacjentów korzystając z rozkładu normalnego. Wygeneruj częstotliwość wizyt korzystając z rozkładu Poissona. Wprowadź brakujące wartości na poziomie 5%, aby zasymulować niekompletność rzeczywistych EHR. Zastąp wszystkie identyfikatory pacjentów wartościami zahaszowanymi przed migracją. Zweryfikuj, czy wszystkie wygenerowane rekordy są zgodne z predefined schema constraints.
Zwaliduj wygenerowany zestaw danych, sprawdzając spójność schematu, integralność referencyjną, brakujące wartości, zdublowane rekordy oraz predefined quality constraints przed migracją.

Parametr	Wartość
Typ zbioru danych	Syntetyczny zbiór danych EHR z zakresu opieki zdrowotnej
Rozmiar zbioru danych	10 GB
Całkowita liczba rekordów	20 milionów
Liczba tabel	5 tabel głównych – 28 tabel relacyjnych
Dokumentacja pacjenta	5,000,000
Rejestry wizyt	10,000,000
Wyniki laboratoryjne	4,000,000
Dokumentacja lekowa	3,000,000
Logi audytowe	5,000,000
Klucz główny	Identyfikator_pacjenta
Wskaźnik brakujących wartości	5%
Rozkład wieku	Rozkład normalny
Częstotliwość wizyt	Rozkład Poissona
Próg integralności	<0,1% naruszeń

Tabela 1: Charakterystyka syntetycznego zbioru danych opieki zdrowotnej wykorzystanego do walidacji protokołu. Tabela przedstawia ogólny opis zbioru danych, taki jak rozmiar bazy danych, liczba tabel relacyjnych, całkowita liczba rekordów, atrybuty pacjentów, zmienne kliniczne oraz charakterystyka walidacji w celu odtworzenia eksperymentów bezpiecznej migracji.

4. Wdrożenie architektury systemu

Wdrożyć bezpieczną architekturę migracji w chmurze, składającą się z warstwy źródłowej, warstwy centrum migracji, warstwy docelowej, warstwy bezpieczeństwa sieciowego, warstwy obserwowalności oraz warstwy wyjaśnialnej sztucznej inteligencji (XAI). Wdrożona architektura systemu wykorzystana w niniejszym badaniu została przedstawiona na Rysunku 2.
Struktura składa się z sześciu warstw operacyjnych, które w trakcie procesu migracji realizują swoje funkcje sekwencyjnie. Pierwsza warstwa, warstwa źródłowa (Source Layer), zawiera syntetyczną bazę danych opieki zdrowotnej.
Centrum migracji (Migration Hub) odpowiada za ekstrakcję schematu, zaszyfrowany transfer danych, walidację integralności oraz orkiestrację migracji. Warstwa docelowa jest miejscem, w którym migrowana baza danych jest przechowywana w Amazon RDS PostgreSQL.
Warstwa bezpieczeństwa sieciowego zabezpiecza całą komunikację poprzez wykorzystanie prywatnych punktów końcowych VPC, szyfrowania TLS 1.3, grup zabezpieczeń oraz list kontroli dostępu do sieci (NACL).
Warstwa obserwowalności stale gromadzi dzienniki uwierzytelniania, dzienniki migracji, dzienniki aktywności bazy danych oraz zdarzenia bezpieczeństwa przy pomocy Amazon CloudWatch.
Warstwa wyjaśnialnej AI pobiera zgromadzoną telemetrię bezpieczeństwa, przetwarza ją za pomocą algorytmu Isolation Forest i generuje wyjaśnienia w oparciu o wartości SHAP dla wykrytych anomalii. Wszystkie warstwy architektury komunikują się ze sobą poprzez prywatne kanały sieciowe, które są uwierzytelniane podczas całego przepływu pracy migracji.
Wdrożyć i zweryfikować środowisko bazy danych źródłowej, aby zapewnić bezpieczny dostęp i dostępność danych przed migracją.
1. Skonfigurować bazę danych PostgreSQL 16 z syntetycznym zestawem danych opieki zdrowotnej. Przechowywać w bazie źródłowej informacje o pacjentach, szczegóły wizyt, wyniki badań laboratoryjnych, rejestry leków oraz dzienniki audytu.
2. Ograniczyć dostęp do bazy danych wyłącznie do uprawnionych usług migracyjnych i użytkowników administracyjnych. Zweryfikować dostępność i łączność bazy danych przed rozpoczęciem operacji migracyjnych.
Skonfigurować centrum migracji w celu koordynacji ekstrakcji schematu, zaszyfrowanego transferu danych i orkiestracji migracji.
1. Wdrożyć dedykowany serwer migracyjny w prywatnej chmurze wirtualnej (VPC). Skonfigurować usługi orkiestracji migracji do koordynowania ekstrakcji schematu, transferu danych i działań walidacyjnych.
2. Uruchomić usługi walidacji schematu, aby zweryfikować kompatybilność między środowiskiem źródłowym a docelowym. Uruchomić usługi weryfikacji integralności w celu walidacji migrowanych danych w trakcie i po transferze. Zweryfikować komunikację między centrum migracji a systemami baz danych przed wykonaniem zadań migracyjnych.
Wdrożyć warstwę docelową. Wdrożyć Amazon RDS PostgreSQL 16 jako docelowe środowisko bazy danych. Włączyć usługi automatycznej kopii zapasowej i odzyskiwania danych. Włączyć szyfrowanie AES-256 dla danych przechowywanych w docelowej bazie danych.
Skonfigurować bezpieczeństwo sieciowe. Wyłączyć wszystkie publiczne adresy IP powiązane z zasobami migracyjnymi. Zezwolić na komunikację wyłącznie poprzez prywatne punkty końcowe w ramach VPC. Skonfigurować listy kontroli dostępu do sieci (NACL) i grupy zabezpieczeń. Włączyć szyfrowanie TLS 1.3 dla całej komunikacji między komponentami systemu. Upewnić się, że żadne publicznie dostępne punkty końcowe nie pozostały aktywne.
Skonfigurować scentralizowany monitoring do ciągłego gromadzenia zdarzeń bezpieczeństwa, dzienników migracji i metryk wydajności systemu.
1. Włączyć usługi logowania i monitorowania Amazon CloudWatch. Gromadzić dzienniki uwierzytelniania, dzienniki migracji, dzienniki aktywności bazy danych oraz dzienniki zdarzeń bezpieczeństwa. Skonfigurować retencję logów na 365 dni. Włączyć niezmienialny magazyn logów w celu wsparcia wymagań audytowych i zgodności (compliance). Zweryfikować zbieranie metryk w czasie rzeczywistym i generowanie alertów.
Skonfigurować środowisko wyjaśnialnej AI do wykrywania anomalii w czasie rzeczywistym i generowania interpretowalnych wyjaśnień dotyczących bezpieczeństwa.
1. Wdrożyć usługi wykrywania anomalii w środowisku monitorującym. Skonfigurować strukturę wyjaśnialnej AI (Explainable AI) do przetwarzania telemetrii bezpieczeństwa generowanej podczas migracji. Połączyć strumienie telemetrii bezpieczeństwa z bazy źródłowej, centrum migracji, bazy docelowej oraz usług monitorujących.
2. Włączyć wykrywanie anomalii w czasie rzeczywistym i generowanie wyjaśnień opartych na SHAP. Zweryfikować pomyślne pobieranie danych telemetrycznych przed rozpoczęciem eksperymentów migracyjnych.

Schemat migracji danych: konfiguracja serwera PostgreSQL, zaszyfrowany przesył danych, monitorowanie AI, integracja z chmurą AWS.
Rysunek 2: Architektura wdrożenia bezpiecznego frameworka migracji chmurowej w opiece zdrowotnej. Środowisko wdrożeniowe przedstawia źródłową bazę danych PostgreSQL zawierającą syntetyczny zbiór danych medycznych, dedykowany węzeł migracyjny w ramach prywatnej chmury wirtualnej (VPC), docelową bazę danych Amazon RDS PostgreSQL, warstwę bezpieczeństwa sieciowego, scentralizowany monitoring za pomocą Amazon CloudWatch oraz warstwę monitorowania opartą na wyjaśnialnej sztucznej inteligencji (XAI). Cała komunikacja odbywa się poprzez prywatne punkty końcowe chronione szyfrowaniem TLS 1.3. Rysunek został przygotowany przez autorów przy użyciu programu Microsoft PowerPoint (Microsoft 365). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

5. Bezpieczny proces migracji

UWAGA: Należy przeprowadzić bezpieczny proces migracji, wykonując modelowanie zagrożeń, transfer schematu, bezpieczną migrację danych, walidację migracji oraz utwardzanie systemu po migracji.

Zidentyfikuj potencjalne zagrożenia bezpieczeństwa i przypisz odpowiednie mechanizmy łagodzenia skutków przed rozpoczęciem procesu migracji.
1. Zidentyfikuj zasoby migracyjne, potencjalne wektory ataku oraz realistyczne scenariusze cyberataków.
2. Oceń ryzyko kradzieży poświadczeń wynikającej z przejęcia tokenów uwierzytelniających, ataków wewnętrznych związanych z nieuprawnionym dostępem administracyjnym, ataków typu replay celujących w przechwycone wcześniej żądania uwierzytelnienia, ataków man-in-the-middle (MITM) polegających na próbach przechwycenia zaszyfrowanych kanałów komunikacji, manipulacji schematem w celu modyfikacji struktur bazy danych podczas migracji oraz ataków z eskalacją uprawnień zmierzających do uzyskania nieautoryzowanych uprawnień administracyjnych.
3. Sprawdź, czy zastosowanie czasowego zarządzania poświadczeniami zgodnie z zasadą najmniejszych uprawnień jest wystarczające do zapobieżenia kradzieży poświadczeń i atakom z eskalacją uprawnień. Zweryfikuj, czy komunikacja szyfrowana za pomocą TLS 1.3 chroni przed atakami typu replay oraz atakami man-in-the-middle.
4. Zweryfikuj, czy polityki zarządzania tożsamością i dostępem (IAM) zapobiegają nieuprawnionym dostępom administracyjnym. Upewnij się, że ciągłe logowanie audytowe rejestruje wszystkie działania migracyjne związane z bezpieczeństwem. Upewnij się, że sprawdzanie za pomocą sumy kontrolnej SHA-256 pozwala wykryć nieautoryzowane zmiany w schemacie lub danych.
5. Zweryfikuj, czy wyjaśnialny system wykrywania anomalii potrafi zlokalizować nietypowe działania migracyjne oraz dostarczyć interpretowalne wyjaśnienia w zakresie bezpieczeństwa. Stwórz mapę kontroli bezpieczeństwa dla każdego zidentyfikowanego zagrożenia. Przed rozpoczęciem migracji bazy danych upewnij się, że wszystkie zidentyfikowane zagrożenia zostały odpowiednio zniwelowane. Autorzy podsumowali model zagrożeń i kontrole bezpieczeństwa w Tabeli 2.
Przenieś schemat bazy danych. Wyeksportuj definicje schematu z źródłowej bazy danych PostgreSQL. Zwaliduj kompatybilność schematu z docelowym środowiskiem bazy danych. Zweryfikuj struktury tabel, klucze główne, klucze obce, indeksy i więzy (constraints). Wdróż zwalidowane definicje schematu do docelowej bazy danych. Przed transferem danych potwierdź pomyślne wdrożenie schematu.
Bezpiecznie migruj dane medyczne poprzez zaszyfrowane kanały komunikacyjne, stale monitorując działania migracyjne.
1. Skonfiguruj rozmiar partii migracyjnej na 10 000 rekordów na transakcję. Ustanów zaszyfrowane kanały komunikacyjne przy użyciu TLS 1.3. Przesyłaj dane poprzez prywatne punkty końcowe sieci w obrębie wirtualnej sieci prywatnej (VPC).
2. Włącz automatyczne ponowienie prób z maksymalnie trzema próbami dla nieudanych transakcji.
  Utrzymuj przepustowość transferu danych w zakresie od 100 MB/s do 150 MB/s. Nieprzerwanie monitoruj działania migracyjne przez cały proces transferu. Rejestruj wszystkie zdarzenia migracyjne w scentralizowanych logach audytowych.
Zweryfikuj kompletność i spójność migracji poprzez porównanie sum kontrolnych, liczby rekordów oraz struktur bazy danych.
1. Wygeneruj wartości skrótu SHA-256 dla wszystkich tabel źródłowych przed migracją oraz wartości skrótu SHA-256 dla wszystkich tabel docelowych po migracji. Porównaj wartości sum kontrolnych źródła i celu. Zweryfikuj liczbę wierszy w bazach źródłowej i docelowej. Sprawdź spójność schematów, relacji między tabelami i więzów bazy danych. Migrację uznaj za pomyślną tylko wtedy, gdy wartości sum kontrolnych, liczba rekordów i struktury schematów są identyczne.
Usuń tymczasowe uprawnienia i sfinalizuj kontrole bezpieczeństwa po pomyślnym zakończeniu migracji danych.
1. Natychmiast po zakończeniu migracji cofnij wszystkie tymczasowe poświadczenia migracyjne. Usuń podwyższone uprawnienia migracyjne z kont usługowych. Zarchiwizuj logi audytowe i zapisy z monitorowania bezpieczeństwa.
2. Zweryfikuj pomyślne zakończenie procedur kopii zapasowej. Wycofaj z eksploatacji tymczasowe serwery migracyjne i zasoby pomocnicze. Przeprowadź końcowy przegląd bezpieczeństwa zmigrowanego środowiska. Udokumentuj wyniki migracji i rezultaty walidacji. Kompletny bezpieczny przepływ pracy migracyjnej zastosowany w tej badaniu został przedstawiony na Rysunku 3.

Scenariusz zagrożenia	Kontrola bezpieczeństwa	Metoda detekcji	Łagodzenie
Kradzież poświadczeń	Tymczasowy minimalny poziom uprawnień (TLP)	logi IAM	Automatyczne odwoływanie poświadczeń
Atak wewnętrzny	Kontrola dostępu oparta na rolach (RBAC)	Logi audytowe + SHAP	Zakończenie sesji
Atak typu replay (atak powtórzeniowy)	TLS 1.3 + walidacja nonce	Monitorowanie sieci	Odrzucaj zdublowane żądania
Atak Man-in-the-Middle (MITM)	Szyfrowanie TLS 1.3	Weryfikacja certyfikatu	Szyfrowana komunikacja
Manipulacja schematem	Suma kontrolna SHA-256 + walidacja schematu	Weryfikacja integralności	Przywróć zwalidowany schemat
Podnoszenie uprawnień	Wymuszanie polityk IAM	Logi bezpieczeństwa	Cofnięcie uprawnień

Tabela 2: Model zagrożeń i odpowiadające im środki bezpieczeństwa zastosowane w proponowanym frameworku migracji.Tabela przedstawia główne reprezentatywne zagrożenia bezpieczeństwa oraz odpowiadające im mechanizmy łagodzenia skutków, oparte na zasadach bezpieczeństwa zero-trust, szyfrowaniu, zarządzaniu tożsamością, weryfikacji integralności, monitorowaniu oraz wyjaśnialnej detekcji anomalii.

Schemat procesu migracji bazy danych; kontrolki bezpieczeństwa, migracja schematu, walidacja danych.
Rysunek 3: Przebieg proponowanego bezpiecznego protokołu migracji bazy danych w chmurze. Protokół składa się z siedmiu sekwencyjnych etapów: modelowania zagrożeń, transferu schematu, bezpiecznej migracji bazy danych, walidacji migrowanych danych, utwardzania po migracji, logowania audytowego i archiwizacji oraz zakończenia migracji. Przez cały proces migracji utrzymywane są monitorowanie bezpieczeństwa, szyfrowana komunikacja, zarządzanie tożsamością, niezmienialne logowanie oraz wyjaśnialna detekcja anomalii. Rysunek ten został przygotowany przez autorów przy użyciu programu Microsoft PowerPoint (Microsoft 365). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

6. Konfiguracja monitorowania wyjaśnialnej sztucznej inteligencji (explainable AI)

UWAGA: Schemat procesu obejmuje: identyfikację charakterystyk bezpieczeństwa migracji, budowę modelu do wykrywania nieprawidłowości, rozpoznawanie podejrzanych działań migracyjnych oraz generowanie wyjaśnialnych wyników za pomocą metod interpretacji SHAP.

Wyodrębnij i przeprowadź wstępne przetwarzanie cech telemetrii bezpieczeństwa wymaganych do detekcji anomalii i analizy wyjaśnialności.
1. Zbierz logi bezpieczeństwa z serwerów baz danych, serwerów uwierzytelniania, serwerów aplikacji oraz systemów monitorowania sieci. Zagreguj wszystkie zdarzenia związane z migracją w scentralizowanym repozytorium logów. Usuń duplikaty rekordów i niepełne wpisy. Zsynchronizuj znaczniki czasu we wszystkich źródłach logów, korzystając z uniwersalnego czasu koordynowanego (UTC).
2. Oblicz częstotliwość dostępu dla każdego użytkownika podczas operacji migracji. Zarejestruj liczbę nieudanych prób logowania powiązanych z każdym kontem. Monitoruj zmiany adresów IP źródłowych w trakcie sesji migracyjnych.
3. Zmierz czas trwania sesji użytkownika od inicjacji logowania do jego zakończenia. Oblicz wolumeny przesyłanych danych przychodzących i wychodzących podczas działań migracyjnych. Znormalizuj wszystkie wyodrębnione cechy za pomocą normalizacji Min-Max.
4. Tabela 3 podsumowuje cechy bezpieczeństwa wykorzystane do detekcji anomalii i analizy wyjaśnialności.
Wytrenuj i zwaliduj model Isolation Forest, korzystając z przygotowanego zbioru cech bezpieczeństwa.
1. Podziel zbiór danych. Losowo podziel zbiór danych na zbiór treningowy (70%), zbiór walidacyjny (15%) i zbiór testowy (15%). Zachowaj spójny rozkład zdarzeń normalnych i anomalnych we wszystkich podzbiorach.
2. Wybór modelu Wyjaśnialnej Sztucznej Inteligencji (Explainable AI). Wybierz algorytm Isolation Forest, ponieważ efektywnie wykrywa on anomalne działania migracyjne bez konieczności posiadania etykietowanych danych treningowych. Wykorzystaj algorytm do izolowania nietypowych obserwacji poprzez rekurencyjny, losowy podział przestrzeni cech.
3. Zastosuj SHAP TreeExplainer, aby ilościowo określić wkład każdej cechy bezpieczeństwa w predykcję anomalii i zwiększyć przejrzystość procesu monitorowania bezpieczeństwa.
4. Skonfiguruj model detekcji anomalii. Zainicjuj model Isolation Forest. Skonfiguruj model, korzystając z parametrów wymienionych w Tabeli 4.
5. Zdefiniuj sformułowanie matematyczne użyte do obliczania wyników anomalii i wyjaśniania wkładu cech.
  1. Zdefiniuj wektor cech bezpieczeństwa dla każdego zdarzenia migracyjnego, jak pokazano w Równaniu 1.
    x_i = [x₁ , x₂, x₃, x₄, x₅ ] (1)
    gdzie x₁ oznacza częstotliwość dostępu, x₂ oznacza liczbę nieudanych logowań, x₃ oznacza częstotliwość zmian adresu IP, x₄ oznacza czas trwania sesji, a x₅ oznacza wolumen przesyłu danych.
  2. Wyodrębnij cechy bezpieczeństwa z logów migracyjnych. Znormalizuj wszystkie wartości cech przed trenowaniem modelu. Oblicz wynik anomalii Isolation Forest dla każdego zdarzenia migracyjnego za pomocą Równania 2.
    (2)
    gdzie S(X,n) oznacza wynik anomalii obserwacji X, X oznacza wektor cech bezpieczeństwa, E(h(X)) jest oczekiwaną długością ścieżki obserwacji X, c(n) to średnia długość ścieżki nieudanych wyszukiwań w binarnym drzewie wyszukiwań, a n to całkowita liczba próbek treningowych. Współczynnik normalizacji jest obliczany zgodnie z Równaniem 3.
    (3)
    gdzie H(n-1) oznacza (n-1)-tą liczbę harmoniczną.
  3. Zaklasyfikuj zdarzenia migracyjne o wynikach anomalii przekraczających zdefiniowany próg decyzyjny jako anomalne.
  4. Zastosuj SHAP (SHapley Additive exPlanations), aby wyjaśnić wkład każdej cechy bezpieczeństwa w predykcję anomalii. Oblicz wartość SHAP dla cechy i za pomocą Równania 4.
    (4)
    gdzie (F) oznacza pełny zestaw cech, (S) oznacza podzbiór cech, a (f(.)) oznacza funkcję predykcyjną Isolation Forest.
  5. Oblicz globalną istotność cech, wyliczając średnią bezwzględną wartość SHAP za pomocą Równania 5.
    $Równanie równowagi statycznej $I_i = \frac{1}{N} \sum_{j=1}^{N} |\Phi_{ij}|$, diagram.$ (5)
    gdzie (N) oznacza całkowitą liczbę zdarzeń migracyjnych.
  6. Uszereguj cechy bezpieczeństwa zgodnie z ich średnimi bezwzględnymi wartościami SHAP. Wygeneruj wykresy podsumowujące SHAP (summary plots), wykresy zależności (dependence plots) oraz wykresy siłowe (force plots), aby zwizualizować globalną i lokalną istotność cech.
6. Wytrenuj model Isolation Forest przy użyciu zbioru treningowego. Oceń wydajność modelu, korzystając ze zbioru walidacyjnego. W razie potrzeby zmień progi zanieczyszczenia (contamination thresholds). Zapisz konfigurację modelu, która zapewnia najlepsze wyniki. Zwaliduj wydajność modelu. Wyznacz metryki takie jak dokładność (accuracy), precyzja (precision), pełność (recall), F1-score oraz ROC-AUC. Zanotuj miary wydajności modelu do późniejszego porównania.
Zastosuj wytrenowany model do identyfikacji nietypowych zdarzeń migracyjnych i klasyfikacji podejrzanych działań.
1. Przeprowadź predykcję anomalii. Zastosuj wytrenowany model Isolation Forest do zbioru testowego. Wygeneruj wyniki anomalii dla wszystkich zdarzeń migracyjnych.
2. Zidentyfikuj podejrzane działania. Określ, czy zdarzenia migracyjne są typowe, czy anomalne. Oznacz jako podejrzane te zdarzenia, które przekraczają predetermined poziomy anomalii. Przygotuj dokumentację anomalii do weryfikacji przez specjalistów ds. bezpieczeństwa.
3. Zakończenie procesu detekcji anomalii dostarcza wyniki anomalii, etykietuje zdarzenia migracyjne jako normalne lub anomalne, mierzy skuteczność detekcji poprzez analizę ROC i wskazuje kluczowe anomalie bezpieczeństwa. Przykłady wyników uzyskanych w ramach zaprojektowanego procesu przedstawiono na Rysunku 4.
4. Kategoryzuj wykryte anomalie. Zaklasyfikuj anomalie na anomalie uwierzytelniania, anomalie sieciowe, anomalie sesji oraz anomalie przesyłu danych. Zachowaj etykiety anomalii do analizy wyjaśniającej.
5. Oceń wydajność detekcji. Sprawdź zarejestrowane do tej pory incydenty bezpieczeństwa. Następnie, traktując je jako punkt odniesienia, oceń wykryte anomalie i ustal, które z nich były prawdziwymi anomaliami. Wyznacz współczynnik wykrywania anomalii oraz współczynnik wyników fałszywie dodatnich (false positives). Sporządź oficjalny zapis dokumentacji dokładności detekcji, aby umożliwić jej odtworzenie.
Wygeneruj wyjaśnienia oparte na SHAP, aby zinterpretować wkład poszczególnych cech bezpieczeństwa w predykcje anomalii.
1. Skonfiguruj środowisko SHAP. Wczytaj wytrenowany model Isolation Forest. Zainicjuj SHAP TreeExplainer. Zweryfikuj poprawność integracji modelu detekcji anomalii z ramami wyjaśnialności.
2. Wybierz próbki tła. Losowo wybierz 1 000 reprezentatywnych próbek ze zbioru treningowego. Wykorzystaj wybrane próbki jako zbiór tła SHAP. Oblicz wartości SHAP. Oblicz wartości SHAP dla wszystkich wykrytych anomalii. Zmierz indywidualny wkład cech w predykcje anomalii. Zapisz wyniki SHAP do dalszej analizy.
3. Wygeneruj wyjaśnienia globalne. Stwórz wykresy podsumowujące SHAP pokazujące ogólną istotność cech. Wygeneruj wykresy słupkowe SHAP w oparciu o średnie bezwzględne wartości SHAP. Stwórz wykresy zależności SHAP dla cech o dużym wpływie.
4. Wygeneruj wyjaśnienia lokalne. Wybierz reprezentatywne anomalne zdarzenia migracyjne. Stwórz wykresy siłowe SHAP (force plots) i wykresy kaskadowe (waterfall plots). Zwizualizuj wkład cech odpowiedzialnych za każdą anomalię.
5. Reprezentatywne wyniki wyjaśnialności wygenerowane podczas procesu interpretacji przedstawiono na Rysunku 5. Wizualizacje te demonstrują globalną istotność cech, rankingi wkładu cech, relacje zależności między wpływowymi cechami bezpieczeństwa oraz lokalne wyjaśnienia dla poszczególnych anomalii migracyjnych.
6. Uszereguj cechy bezpieczeństwa. Oblicz średnie bezwzględne wartości SHAP dla wszystkich cech. Uszereguj cechy zgodnie z ich wkładem w detekcję anomalii. Zidentyfikuj najbardziej wpływowe wskaźniki bezpieczeństwa oddziałujące na bezpieczeństwo migracji. Tabela 5 podsumowuje rankingi istotności cech oparte na SHAP.
7. Zwaliduj spójność wyjaśnień. Powtórz analizę SHAP w pięciu niezależnych uruchomieniach eksperymentalnych. Zmierz stabilność i spójność wyjaśnień. Zweryfikuj, czy rankingi cech pozostają stabilne w powtarzanych analizach.
  UWAGA: Tabela 6 przedstawia typowe problemy napotykane podczas wyjaśnialnej detekcji anomalii oraz zalecane działania korygujące.

Cecha	Opis	Cel
Częstotliwość dostępu	Liczba żądań dostępu użytkowników podczas migracji	Wykrywanie nieprawidłowych zachowań w dostępie
Liczba nieudanych prób logowania	Liczba nieudanych prób uwierzytelnienia	Identyfikacja prób dostępu metodą brute-force lub prób nieautoryzowanego dostępu
Zmiany adresu IP	Częstotliwość zmian adresu IP źródłowego	Wykrywanie podejrzanych zachowań w sieci
Czas trwania sesji	Długość sesji użytkowników podczas migracji	Identyfikacja nieprawidłowych działań w ramach sesji
Wolumen przesyłu danych	Ilość danych przekazanych podczas migracji	Wykrywanie nietypowego przemieszczania lub eksfiltracji danych

Tabela 3: Cechy telemetrii bezpieczeństwa wykorzystane do wyjaśnialnego wykrywania anomalii. Tabela przedstawia cechy bezpieczeństwa monitorowane podczas migracji bazy danych, ich znaczenie, sposoby pomiaru oraz to, w jaki sposób pomogły one w wykrywaniu anomalii i analizie wyjaśnialności.

Parametr	Wartość	Opis
Algorytm	Isolation Forest	Model detekcji anomalii
n_estimators	100	Liczba drzew izolacyjnych
contamination	0,02	Oczekiwana proporcja anomalii
max_samples	Auto	Próbki wykorzystywane na drzewo
random_state	42	Ziarno odtwarzalności
bootstrap	False	Próbkowanie bez zwracania
Zbiór treningowy	70%	Dane do trenowania modelu
Zbiór walidacyjny	15%	Walidacja hiperparametrów
Zbiór testowy	15%	Końcowa ocena modelu

Tabela 4: Konfiguracja Isolation Forest wykorzystanego do wykrywania anomalii podczas bezpiejnej migracji bazy danych. Tabela ta szczegółowo opisuje ustawienia hiperparametrów modelu Isolation Forest dla procesu uczenia, takie jak sposób podziału zbioru danych, poziom zanieczyszczenia (contamination), liczba estymatorów, ziarno losowości oraz konfigurację ewaluacji.

Wykrywanie anomalii metodą Isolation Forest; rozkład danych (A), klasyfikacja zdarzeń (B), krzywa ROC (C), przykłady (D).
Rysunek 4: Reprezentatywne wyniki działania systemu wykrywania anomalii podczas bezpiecznej migracji danych w chmurze. (A) Rozkład wyników anomalii metody Isolation Forest z zaznaczonym progiem anomalii. (B) Klasyfikacja zdarzeń migracji na kategorie normalne i anomalne. (C) Krzywa charakterystyki operacyjnej odbiornika (ROC) obrazująca wydajność modelu Isolation Forest (AUC = 0.97 ± 0.01). (D) Reprezentatywne anomalne zdarzenia migracji z wyszczególnieniem wyników anomalii, przewidzianych etykiet, kluczowych cech bezpieczeństwa oraz kategorii anomalii. Rysunek został przygotowany przez autorów przy użyciu języka Python 3.11 (Matplotlib 3.9) i sformatowany w programie Microsoft PowerPoint (Microsoft 365). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat analizy SHAP z wykresem podsumowującym, słupkowym, wykresami zależności i siły w celu oceny ważności cech.
Rysunek 5: Przykłady wyników wyjaśnialności opartych na SHAP wygenerowanych podczas interpretacji anomalii. (A) Wykres podsumowujący SHAP wskazujący najważniejsze cechy w skali globalnej. (B) Ranking cech bezpieczeństwa na podstawie ich średniej bezwzględnej wartości SHAP. (C) Wykresy zależności SHAP pokazujące, jak liczba nieudanych prób logowania oraz objętość transferu danych wpływają na przewidywanie anomalii. (D) Wykres siły SHAP oferujący lokalne wyjaśnienie dla typowego zdarzenia abnormalnej migracji. Wykresy te prezentują globalną i lokalną interpretowalność proponowanego modelu detekcji anomalii. Rysunek ten został przygotowany przez autorów przy użyciu języka Python 3.11 (Matplotlib 3.9) i sformatowany w programie Microsoft PowerPoint (Microsoft 365). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Ranga	Cecha	Średnia bezwzględna wartość SHAP	Interpretacja
1	Liczba nieudanych prób logowania	0.352	Najbardziej znaczący wskaźnik anomalnej aktywności
2	Wolumen przesyłu danych	0.287	Istotny wkład w detekcję anomalii
3	Zmiany adresu IP	0.221	Wskazuje na podejrzane zachowanie sieci
4	Czas trwania sesji	0.184	Związane z nieprawidłowymi sesjami użytkownika
5	Częstotliwość dostępu	0.156	Odzwierciedla nietypowe wzorce dostępu

Tabela 5: Wyniki istotności cech SHAP dla danych telemetrycznych z zakresu bezpieczeństwa.Tabela przedstawia ranking cech bezpieczeństwa zgodnie z ich średnimi bezwzględnymi wartościami SHAP i określa ich poszczególne wkłady w przewidywanie anomalii.

Problem	Możliwa przyczyna	Zalecane rozwiązanie
Wykryto niewiele anomalii	Zbyt niski parametr zanieczyszczenia	Zwiększyć próg zanieczyszczenia i ponownie przeszkolić model.
Wysoki wskaźnik wyników fałszywie dodatnich	Zaszumione lub niespójne logi migracji	Oczyścić dane z logów i znormalizować cechy bezpieczeństwa przed trenowaniem modelu.
Niestabilne wyjaśnienia SHAP	Niewystarczająca liczba próbek tła	Zwiększyć liczbę reprezentatywnych próbek tła wykorzystywanych przez SHAP.
Słaba dokładność wykrywania anomalii	Niezbalansowanie cech lub niewłaściwy preprocessing	Zastosować normalizację cech, balansowanie oraz procedury kontroli jakości.
Powolna zbieżność modelu	Duży zbiór danych lub ograniczone zasoby obliczeniowe	Zoptymalizować hiperparametry lub zastosować GPU/przetwarzanie równoległe.
Błędy komunikacji	Niestabilność sieci podczas monitorowania	Zweryfikować bezpieczne kanały komunikacji i powtórzyć synchronizację.
Brakujące cechy bezpieczeństwa	Niepełna kolekcja logów	Zwalidować źródła logów przed ekstrakcją cech i ponownie wygenerować zbiór cech.

Tabela 6: Przewodnik po rozwiązywaniu problemów podczas bezpiecznej migracji bazy danych opartej na wyjaśnialnej sztucznej inteligencji (Explainable Artificial Intelligence). Tabela ta zawiera podsumowanie typowych problemów wdrożeniowych, możliwych przyczyn, objawów diagnostycznych, zalecanych działań oraz wyników oczekiwanych w wyniku wykonania protokołu i jego powtarzalności.

7. Ocena wydajności

UWAGA: W tej sekcji opisano procedurę eksperymentalną służącą do porównania bazowych ram migracji z proponowanymi ramami migracji opartymi na wyjaśnialnej sztucznej inteligencji (explainable AI) w modelu zero-trust. Ocena wydajności obejmuje bezpieczeństwo, zdolność wykrywania anomalii, wydajność migracji oraz walidację statystyczną w identycznych warunkach eksperymentalnych.

Skonfiguruj zarówno środowisko bazowe, jak i proponowane w identycznych warunkach, aby umożliwić rzetelne porównanie wydajności.
1. Skonfiguruj konwencjonalne środowisko migracji. Skonfiguruj długoterminowe poświadczenia statyczne z okresem ważności przekraczającym 24 h. Włącz publiczne punkty końcowe sieci w celu uzyskania dostępu do bazy danych. Wyłącz mechanizmy wyjaśnialności oraz detekcji anomalii oparte na sztucznej inteligencji. Monitoruj działania migracyjne ręcznie, korzystając z konwencjonalnych logów bezpieczeństwa. Rejestruj zdarzenia migracji w celu późniejszego porównania wydajności.
2. Skonfiguruj framework migracji do modelu Zero-Trust. Włącz tymczasowe poświadczenia o minimalnych uprawnieniach z automatycznym wygasaniem po zakończeniu migracji. Wyłącz wszystkie publiczne punkty końcowe sieci. Włącz komunikację w sieci prywatnej przy użyciu bezpiecznych kanałów.
3. Wdróż wytrenowany model detekcji anomalii Isolation Forest. Włącz SHAP TreeExplainer w celu interpretacji modelu. Skonfiguruj zautomatyzowany monitoring bezpieczeństwa w całym procesie migracji. Przed wykonaniem zweryfikuj bezpieczną komunikację pomiędzy wszystkimi komponentami migracji.
Należy przeprowadzić powtórne eksperymenty migracyjne w kontrolowanych warunkach w celu oceny odtwarzalności schematu.
1. Przeprowadź eksperyment migracyjny. Wykonaj dziesięć niezależnych eksperymentów migracyjnych zarówno dla środowiska bazowego, jak i proponowanego. Przez cały czas trwania wszystkich eksperymentów zachowaj identyczne konfiguracje sprzętowe, programowe i sieciowe.
2. Przesyłać 10 GB danych medycznych podczas każdego przebiegu eksperymentalnego. Powtórzyć wszystkie eksperymenty w identycznych warunkach obciążenia. Rejestrować zdarzenia bezpieczeństwa, dzienniki migracji, wyniki detekcji anomalii oraz czasy wykonania podczas każdego eksperymentu.
3. Zweryfikuj integralność migracji. Oblicz sumy kontrolne SHA-256 przed i po migracji. Potwierdź pełną integralność danych po każdym eksperymencie migracyjnym. Udokumentuj wyniki walidacji sum kontrolnych.
Oblicz ilościowe wskaźniki bezpieczeństwa, migracji i detekcji anomalii w celu przeprowadzenia ewaluacji porównawczej.
1. Zmierz wydajność zabezpieczeń. Zmierz czas ekspozycji poświadczeń. Oblicz liczbę ujawnionych poświadczeń podczas migracji. Zmierz czas wykrywania incydentów. Zarejestruj czas ekspozycji w sieci publicznej.
2. Oceń wydajność detekcji anomalii. Oblicz dokładność detekcji anomalii, precyzję, pełność (recall), wynik F1 oraz pole pod krzywą charakterystyki operacyjnej odbiornika (AUC). Oceń wydajność migracji. Zmierz całkowne opóźnienie migracji i oblicz przepustowość migracji. Odnotuj narzut komunikacyjny wprowadzony przez mechanizmy zabezpieczeń.
3. Przeprowadź walidację statystyczną. Oblicz średnią i odchylenie standardowe dla wszystkich wskaźników wydajności. Wyznacz 95-procentowe przedziały ufności. Przeprowadź sparowane testy t-Studenta w celu porównania frameworków bazowych i proponowanych. Przyjmij istotność statystyczną na poziomie p < 0.05. Reprezentatywne wyniki oceny wydajności uzyskane podczas porównania eksperymentalnego przedstawiono w Rycina 6.
4. Tabela 7 podsumowuje ilościowe porównanie wydajności między wariantem bazowym a proponowanym frameworkiem migracji.
  Tabela 8 podsumowuje typowe problemy z wdrożeniem występujące podczas bezpiecznej migracji bazy danych, ich możliwe przyczyny oraz zalecane działania korygujące.

Wykresy redukcji ekspozycji poświadczeń, detekcji anomalii, opóźnienia migracji oraz porównania statystycznego.
Rycina 6: Porównanie wydajności między bazowym frameworkiem migracji a proponowanym bezpiecznym frameworkiem migracji do chmury opartym na modelu zero-trust i wyjaśnialnej sztucznej inteligencji (XAI). (A) Porównanie czasu ekspozycji poświadczeń przy zastosowaniu długoterminowych oraz czasowych poświadczeń z minimalnymi uprawnieniami. (B) Porównanie metryk wydajności detekcji anomalii, w tym dokładności (accuracy), precyzji (precision), pełności (recall), wyniku F1 (F1-score) oraz AUC. (C) Porównanie opóźnienia migracji w dziesięciu niezależnych seriach eksperymentalnych, wykazujące, że wzrost opóźnienia pozostał poniżej zdefiniowanego progu akceptacji. (D) Statystyczne porównanie kluczowych metryk wydajności z wykorzystaniem sparowanych testów t Studenta, przedstawiające różnice średnich i 95% przedziały ufności. Słupki błędów reprezentują 95% przedziały ufności z dziesięciu niezależnych serii eksperymentalnych. Rycina została wygenerowana przez autorów przy użyciu Python 3.11 (Matplotlib 3.9) i sformatowana w programie Microsoft PowerPoint (Microsoft 365). Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Metryka wydajności	Ramy bazowe (średnia ± SD)	Proponowany schemat (średnia ± SD)	Udoskonalenie	95% przedział ufności	pwartość p
Czas ekspozycji poświadczeń (h)	24.70 ± 1.32	0.42 ± 0.18	redukcja o 98,3%	23.6–24.9	<0.001
Dokładność wykrywania anomalii (%)	72.4 ± 2.1	94.6 ± 1.3	+22.2%	20.8–23.5	<0.001
Precyzja (%)	68.1 ± 2.5	92.7 ± 1.5	+24.6%	23.1–26.0	<0.001
Czułość (%)	70.3 ± 2.4	93.1 ± 1.6	+22.8%	21.4–24.2	<0.001
Wskaźnik F1 (%)	69.2 ± 2.2	92.9 ± 1.4	+23.7%	22.3–25.0	<0.001
AUC (pole pod krzywą)	0.78 ± 0.03	0.97 ± 0.01	+0.19	0.17–0.21	<0.001
Opóźnienie migracji (min)	87.6 ± 3.2	97.4 ± 2.9	11,2% kosztów pośrednich	8.9–10.7	0.002
Integralność danych (%)	99.8	100.0	poprawa o 0,2%	0.1–0.3	0.031
Ekspozycja na publiczną sieć	Włączono	Wyeliminowano	całkowicie wyeliminowano	Tekst źródłowy nie został dostarczony. Proszę o przesłanie materiału do tłumaczenia.	<0.001

Tabela 7: Bazowe i proponowane bezpieczne frameworki migracji baz danych: porównanie wydajności. Tabela przedstawia czas ekspozycji poświadczeń, skuteczność detekcji anomalii, opóźnienia migracji, integralność danych oraz ulepszenia w zakresie bezpieczeństwa, ocenione ilościowo podczas walidacji protokołu.

Problem	Możliwa przyczyna	Zalecane rozwiązanie
Błąd uwierzytelniania podczas migracji	Wygasłe lub nieprawidłowe tymczasowe dane uwierzytelniające	Wygenerować ponownie tymczasowe dane uwierzytelniające i zweryfikować polityki IAM przed ponownym uruchomieniem migracji.
Wysoka latencja migracji	Przeciążenie sieci lub niewystarczająca przepustowość	Zoptymalizować routing sieciowy, zaplanować migrację w okresach niskiego ruchu i zweryfikować łączność z punktem końcowym.
Fałszywie dodatnie alerty o anomaliach	Nieprawidłowy próg kontaminacji w Isolation Forest	Dostroić parametr kontaminacji, korzystając ze zbioru walidacyjnego, i ponownie wytrenować model.
Niestabilne wyjaśnienia SHAP	Niewystarczająca lub niereprezentatywna liczba próbek tła	Zwiększyć rozmiar próbki tła SHAP i zapewnić reprezentatywność próbkowania.
Niezgodność integralności danych	Przerwana migracja lub uszkodzony transfer danych	Ponowić migrację po zwalidowaniu wartości sum kontrolnych SHA-256 oraz spójności źródła i celu.
Błąd bezpiecznego połączenia z punktem końcowym	Błędy konfiguracji zapory ogniowej lub TLS	Zweryfikować certyfikaty SSL/TLS, reguły zapory ogniowej oraz konfigurację prywatnego punktu końcowego.
Niska dokładność wykrywania anomalii	Niepełna ekstrakcja cech lub niewłaściwe przetwarzanie wstępne	Przejrzeć proces inżynierii cech, znormalizować cechy bezpieczeństwa i ponownie wytrenować model.
Problemy z konwergencją modelu	Nieodpowiednie hiperparametry	Skorygować parametry uczenia i zwalidować wydajność modelu przed wdrożeniem.

Tabela 8: Przewodnik rozwiązywania problemów podczas bezpiecznej migracji bazy danych opieki zdrowotnej. Tabela wymienia częste błędy migracji, ich możliwe przyczyny, zalecane środki naprawcze oraz oczekiwane wyniki, aby zapewnić niezawodne wykonanie protokołu bezpiecznej migracji.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przegląd eksperymentu

Zaproponowany protokół bezpiecznej migracji danych w chmurze z wykorzystaniem wyjaśnialnej sztucznej inteligencji (XAI) został oceniony przy użyciu syntetycznego zbioru danych medycznych obejmującego około 20 milionów rekordów elektronicznej dokumentacji medycznej (EHR), rozdzielonych pomiędzy 28 relacyjnych tabel bazy danych, o łącznej wielkości 10 GB. Eksperymenty przeprowadzono w środowisku chmurowym Amazon Web Services (AWS), wykorzystując Amazon RDS PostgreSQL 16, prywatną sieć Virtual Private Cloud (VPC), komunikację szyfrowaną TLS 1.3 oraz scentralizowane usługi monitorowania. W celu zapewnienia powtarzalności i zminimalizowania błędu eksperymentalnego przeprowadzono dziesięć niezależnych eksperymentów migracyjnych w identycznych warunkach sprzętowych, programowych, sieciowych i obciążeniowych. Wszystkie raportowane wartości wydajności stanowią średnią z dziesięciu uruchomień eksperymentalnych. Istotność statystyczną oceniano za pomocą sparowanych testów t-Studenta po weryfikacji normalności rozkładu testem Shapiro-Wilka (p < 0.05).

Wyniki przygotowania i walidacji zbioru danych

Syntetyczny zbiór danych medycznych został pomyślnie wygenerowany zgodnie ze specyfikacją protokołu. Walidacja danych potwierdziła poprawne wygenerowanie około 20 000 000 rekordów dotyczących pacjentów, rozdzielonych pomiędzy 28 tabel relacyjnych, obejmujących dane demograficzne pacjentów, wizyty kliniczne, diagnozy, raporty laboratoryjne, leki, metadane obrazowe, informacje o rozliczeniach oraz rejestry lekarzy. Przed migracją pomyślnie zweryfikowano unikalność kluczy głównych, relacje kluczy obcych oraz więzy spójności referencyjnej. Około 5% wartości danych celowo pozostawiono jako brakujące, aby symulować realistyczne bazy elektronicznej dokumentacji medycznej, a następnie przetworzono je podczas czyszczenia danych. Ocena jakości zbioru danych wykazała pomyślną walidację schematu, akceptowalne zakresy wartości oraz pełną spójność referencyjną. Skumulowany błąd walidacji zbioru danych pozostał poniżej 0,1%, co wskazuje, że wygenerowany zbiór danych był odpowiedni do eksperymentów z bezpieczną migracją, jak pokazano w Tabeli 1.

Wyniki wdrożenia architektury systemu

Bezpieczna architektura migracji została pomyślnie wdrożona i zwalidowana przed uruchomieniem przepływu pracy migracyjnej. Wszystkie zasoby chmurowe są obsługiwane w izolowanej chmurze prywatnej AWS Virtual Private Cloud z wykorzystaniem podsieci prywatnych, grup zabezpieczeń oraz polityk dostępu opartych na tożsamości. Komunikacja z bazą danych była chroniona za pomocą szyfrowania TLS 1.3, a poświadczenia migracyjne były generowane dynamicznie zgodnie z czasową polityką minimalnych uprawnień. Logi uwierzytelniania, logi migracji, zdarzenia bazy danych, zdarzenia sieciowe oraz logi audytu bezpieczeństwa były stale gromadzone za pomocą Amazon CloudWatch. Podczas wszystkich serii eksperymentalnych komunikacja odbywała się wyłącznie poprzez prywatne punkty końcowe sieci i nie wykryto żadnych publicznie dostępnych usług bazy danych. Ciągły monitoring wykazał stabilną komunikację pomiędzy wszystkimi komponentami migracji bez nieoczekiwanych przerw w działaniu usług lub błędów uwierzytelniania, co przedstawiono na Rysunku 2.

Wyniki bezpiecznego procesu migracji

Modelowanie zagrożeń

Predefiniowany model zagrożeń pomyślnie zidentyfikował kradzież poświadczeń, ataki wewnętrzne, ataki typu replay, ataki man-in-the-middle, manipulację schematem oraz scenariusze eskalacji uprawnień. Wdrożone środki kontroli bezpieczeństwa skutecznie zniwelowały wszystkie zidentyfikowane zagrożenia przed wykonaniem migracji, co podsumowano w Tabeli 2.

Transfer schematu bazy danych

Migracja schematu bazy danych została pomyślnie zakończona we wszystkich uruchomieniach eksperymentalnych. Wszystkie tabele relacyjne, indeksy, procedury składowane, więzy, metadane, klucze główne oraz klucze obce zostały przeniesione bez niespójności strukturalnych lub dryfu schematu.

Bezpieczna migracja danych

Proces migracji został pomyślnie zakończony we wszystkich dziesięciu uruchomieniach doświadczalnych, bez przerw w przepływie pracy lub błędów transakcji. Bezpieczny transfer danych był utrzymywany przez cały proces migracji przy użyciu zaszyfrowanych kanałów komunikacyjnych przez prywatne punkty końcowe sieci.

Walidacja migracji

Walidacja po migracji potwierdziła pełną spójność między bazami danych źródłową i docelową. Weryfikacja sum kontrolnych SHA-256 wykazała 100% zgodności we wszystkich migrowanych tabelach, co dowodzi, że podczas transmisji nie doszło do uszkodzenia danych. Walidacja liczby rekordów potwierdziła pomyślną migrację wszystkich 20 milionów rekordów bez ich utraty, powielenia lub ucięcia. Walidacja kluczy podstawowych, kluczy obcych, indeksów, definicji schematów i ograniczeń bazy danych potwierdziła całkowite zachowanie integralności bazy danych. W okresie ewaluacji nie zaobserwowano rozbieżności w schematach, zdarzeń wycofywania zmian, błędów transakcji ani niespójności migracji. Ilościowe zestawienie wyników integralności przedstawiono w Tabeli 9.

Metryka walidacji	Wynik zaobserwowany	Kryterium akceptacji	Status
Całkowita liczba przeniesionych rekordów medycznych	20,000,000	20,000,000	Zaliczone
Przeniesione tabele relacyjnej bazy danych	28	28	Zaliczone
Przeniesiony rozmiar zbioru danych	10 GB	10 GB	Zaliczone
Weryfikacja sumy kontrolnej SHA-256	100% zgodności	100% zgodności	Zaliczone
Spójność liczby rekordów	100%	100%	Zaliczone
Walidacja schematu	Wszystkie tabele zwalidowane	Brak błędów schematu	Zaliczone
Integralność klucza głównego	Zweryfikowano	Brak naruszeń	Zaliczone
Integralność klucza obcego	Zweryfikowano	Brak naruszeń	Zaliczone
Wskaźnik uszkodzenia danych	0%	0%	Zaliczone
Dryft schematu	Nie zaobserwowano	Brak	Zaliczone
Zdarzenia wycofania zmian	0	0	Zaliczone
Wskaźnik ukończenia migracji	100%	100%	Zaliczone

Tabela 9: Wyniki walidacji integralności danych po bezpiecznej migracji bazy danych. Przedstawia ona główne metryki weryfikacji integralności w zakresie ilościowym. Obejmują one sprawdzenie zgodności sum kontrolnych SHA-256, spójność liczby rekordów, walidację schematu, zachowanie więzów kluczy, fakt ukończenia migracji, zdarzenia wycofania zmian (rollback) oraz całkowity sukces migracji w dziesięciu oddzielnych eksperymentach migracyjnych.

Tabela 9 podsumowuje wyniki walidacji integralności danych ilościowych uzyskane po bezpiecznej migracji danych do chmury. Wyniki wykazały, że wszystkie kryteria akceptacji migracji zostały spełnione w dziesięciu niezależnych seriach eksperymentalnych.

Utwardzanie po migracji

Zarządzanie poświadczeniami w oparciu o czasowe minimalne uprawnienia znacząco poprawiło bezpieczeństwo poświadczeń w porównaniu z konwencjonalnym modelem migracji. Średni czas życia poświadczeń zmniejszył się z 24,7 ± 1,3 h w środowisku bazowym do 0,42 ± 0,18 h w proponowanym modelu, co stanowi redukcję czasu ekspozycji poświadczeń o 98,3%. Poświadczenia tymczasowe były cofane natychmiast po zakończeniu migracji, a podczas żadnego z przebiegów eksperymentalnych nie wykryto nieautoryzowanych prób uwierzytelnienia przy użyciu wygasłych poświadczeń. Usunięcie długoterminowych poświadczeń zmniejszyło potencjalną powierzchnię ataku przy jednoczesnym zachowaniu nieprzerwanej wydajności migracji, co przedstawiono na Rysunku 3.

Wyniki monitorowania za pomocą wyjaśnialnej sztucznej inteligencji

Ekstrakcja cech bezpieczeństwa

Telemetria bezpieczeństwa została pomyślnie zebrana z serwerów baz danych, usług uwierzytelniania, serwerów aplikacji oraz systemów monitorowania sieci. Ekstrakcja cech pozwoliła na wygenerowanie znormalizowanych pomiarów częstotliwości dostępu, liczby nieudanych prób logowania, zmian adresów IP, czasu trwania sesji oraz objętości przesyłu danych w celu wykrywania anomalii, zgodnie z opisem w Tabeli 3.

Wydajność modelu wykrywania anomalii

Model Isolation Forest wykazał wysoką skuteczność w wykrywaniu anomalii w 10 niezależnych eksperymentach. Średnia dokładność, precyzja, czułość, wynik F1 oraz pole pod krzywą charakterystyki operacyjnej odbiornika (AUC) wyniosły odpowiednio 94,6 ± 1,3%, 92,7 ± 1,5%, 93,1 ± 1,6%, 92,9 ± 1,4% oraz 0,97 ± 0,01. Konfiguracja modelu była zgodna z parametrami podsumowanymi w Tabeli 4.

Wykrywanie anomalii bezpieczeństwa

Zaproponowany system monitorowania skrócił średni czas wykrywania incydentów z ponad 24 h w środowisku bazowym do około 15 min. Odsetek fałszywie dodatnich detekcji pozostał poniżej 3%, a w całym okresie ewaluacji żadna krytyczna awaria migracji nie pozostała niewykryta. Reprezentatywne wyniki wykrywania anomalii przedstawiono na Rysunku 4.

Analiza wyjaśnialności

Narzędzie SHAP TreeExplainer wygenerowało interpretowalne wyniki przypisywania cech dla wszystkich wykrytych anomalii. Do obliczenia wartości SHAP wykorzystano zbiór danych tła zawierający 1 000 reprezentatywnych próbek treningowych. Globalna analiza wyjaśniająca konsekwentnie wskazała liczbę nieudanych prób logowania, objętość transferu danych, zmiany adresu IP, czas trwania sesji oraz częstotliwość dostępu jako najbardziej wpływowe cechy przyczyniające się do przewidywań anomalii. Powtórna analiza wyjaśnialności przeprowadzona w dziesięciu uruchomieniach eksperymentalnych dostarczyła niemal identycznych rankingów cech, co dowodzi stabilności interpretacji modelu. Lokalne wyjaśnienia SHAP dodatkowo zidentyfikowały główne czynniki wpływające na poszczególne przewidywania anomalii, zwiększając tym samym przejrzystość procesu monitorowania bezpieczeństwa. Reprezentatywne wyniki analizy wyjaśniającej przedstawiono na Rysunku 5, natomiast odpowiadające im rankingi istotności cech podsumowano w Tabeli 5.

Wyniki oceny wydajności

Porównanie z podstawowym modelem migracji wykazało znaczne ulepszenia w wielu metrykach bezpieczeństwa. Czas ekspozycji poświadczeń zmniejszył się o 98,3%, dokładność wykrywania anomalii poprawiła się z 72,4 ± 2,1% do 94,6 ± 1,3%, a liczba publicznie dostępnych punktów końcowych migracji spadła z sześciu do zera. Średni czas wykrywania incydentów uległ wyraźnemu skróceniu, przy jednoczesnym zachowaniu pełnej spójności migracji w trakcie całej oceny. Chociaż dodatkowe mechanizmy kontroli bezpieczeństwa zwiększyły opóźnienie migracji o 11,2 ± 2,9%, zaobserwowany wzrost pozostał poniżej zdefiniowanego progu akceptacji wynoszącego 15%, co wskazuje, że poprawa bezpieczeństwa została osiągnięta przy minimalnym wpływie na wydajność migracji. Reprezentatywne wyniki oceny wydajności przedstawiono na Rysunku 6, a ilościowe porównanie modelu podstawowego i proponowanego podsumowano w Tabeli 7.

Walidacja statystyczna i powtarzalność

Analiza statystyczna wykazała istotne poprawy w zakresie czasu ekspozycji poświadczeń, dokładności wykrywania anomalii, czasu wykrywania incydentów oraz opóźnienia migracji pomiędzy ramami bazowymi a proponowanymi (sparowany test t Studenta, p < 0.05). Obliczone 95% przedziały ufności wykazały niską zmienność w 10 niezależnych seriach eksperymentalnych, co potwierdza powtarzalność i stabilność proponowanego protokołu. Szczegółowe wyniki każdego eksperymentu przedstawiono w Tabeli 10.

seria eksperymentalna	Czas ekspozycji poświadczeń (h)	Dokładność wykrywania anomalii (%)	Opóźnienie migracji (min)	Walidacja SHA-256	Status migracji
Seria 1	0.45	94.3	96.8	Zaliczone	Kalkulacja pomyślna
Seria 2	0.41	95	98.2	Zaliczone	Kalkulacja pomyślna
Seria 3	0.39	94.7	95.9	Zaliczone	Kalkulacja pomyślna
Seria 4	0.44	94.5	97.6	Zaliczone	Kalkulacja pomyślna
Seria 5	0.43	94.8	96.9	Zaliczone	Kalkulacja pomyślna
Seria 6	0.4	94.2	98.5	Zaliczone	Kalkulacja pomyślna
Seria 7	0.42	95.1	97.2	Zaliczone	Kalkulacja pomyślna
Seria 8	0.38	94.6	96.7	Zaliczone	Kalkulacja pomyślna
Seria 9	0.43	94.9	97.8	Zaliczone	Kalkulacja pomyślna
Seria 10	0.41	94.5	97	Zaliczone	Kalkulacja pomyślna
Średnia ± SD	0.42 ± 0.02	94.66 ± 0.29	97.26 ± 0.80	100% zaliczonych	10/10 pomyślnych

Tabela 10: Powtarzalność eksperymentalna w ciągu dziesięciu oddzielnych uruchomień migracji. Tabela przedstawia podsumowanie przedziału czasowego, w którym poświadczenie było narażone, precyzję wykrywania anomalii, opóźnienie migracji, status walidacji SHA-256 oraz sukces migracji dla każdego uruchomienia eksperymentalnego, wykazując tym samym stabilność i powtarzalność proponowanego bezpiecznego modelu migracji do chmury w tych samych warunkach eksperymentalnych.

Tabela 10 przedstawia szczegółowe wyniki wszystkich dziesięciu niezależnych serii eksperymentalnych, wykazując spójność, stabilność i powtarzalność proponowanego protokołu bezpiecznej migracji do chmury w identycznych warunkach doświadczalnych.

Ocena eksperymentalna wykazała, że integracja bezpieczeństwa typu zero-trust, czasowego sterowania dostępem zgodnie z zasadą najmniejszych uprawnień, ciągłego monitorowania anomalii oraz wyjaśnialności opartej na metodzie SHAP poprawiła bezpieczeństwo migracji, zachowując przy tym pełną integralność bazy danych i akceptowalną wydajność procesu migracji. Ponieważ eksperymenty przeprowadzono przy użyciu syntetycznego zbioru danych medycznych w kontrolowanym środowisku chmurowym, wyniki te należy interpretować w kontekście oceniającej konfiguracji eksperymentalnej. Przed uogólnieniem protokołu w celu rutynowego wdrożenia w produkcyjnych systemach opieki zdrowotnej wymagana będzie dodatkowa walidacja z wykorzystaniem operacyjnych infrastruktur medycznych, rzeczywistych klinicznych zbiorów danych oraz wieloinstytucjonalnych środowisk chmurowych.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W niniejszej pracy opracowano powtarzalny i bezpieczny protokół migracji bazy danych w chmurze, który integruje zasady bezpieczeństwa zero-trust, czasowy dostęp z minimalnymi uprawnieniami (least-privilege), wyjaśnialną sztuczną inteligencję (XAI) oraz ciągłe monitorowanie bezpieczeństwa, wszystko to w ramach ograniczonego środowiska eksperymentalnego. Celem niniejszego artykułu nie było opracowanie nowego algorytmu migracji; dlatego autorzy przedstawiają przede wszystkim zestandaryzowany proces, który umożliwia badaczom i praktykom przeprowadzanie, ocenę oraz powtórzenie bezpiecznej migracji bazy danych opieki zdrowotnej poprzez jasno sformułowane kroki proceduralne. Sukces wdrożenia protokołu zależy od starannego wykonania kilku kluczowych etapów. Modelowanie zagrożeń z wysoką precyzją znacznie ułatwia poznanie zasobów podlegających migracji, potencjalnych wektorów ataku oraz zestawu skutecznych środków kontroli bezpieczeństwa, co wszystko realizowane jest przed rozpoczęciem migracji. Walidacja schematu bazy danych jest krokiem, który musi zostać przeprowadzony przed transferem danych, aby uniknąć niespójności strukturalnych i dryfu schematu. W zakresie samej migracji, poświadczenia tymczasowe muszą być generowane zgodnie z zasadą czasowych minimalnych uprawnień, należy zachować stosowanie kryptograficznego protokołu TLS 1.3 w celu zabezpieczenia komunikacji, a logi migracji powinny być gromadzone w sposób ciągły, aby mogły służyć do monitorowania bezpieczeństwa i audytu. Środowisko migracyjne powinno zostać oczyszczone, a jego porzucenie jest dopuszczalne dopiero po wykonaniu takich zadań jak weryfikacja sum kontrolnych SHA-256, walidacja liczby rekordów oraz sprawdzanie spójności schematu, które potwierdzą zachowanie integralności bazy danych.

Komponent wyjaśnialnego monitorowania anomalii wymaga również starannego przeprowadzenia kroków konfiguracyjnych w celu uzyskania powtarzalnych wyników. Do istotnych czynników wpływających na skuteczność wykrywania anomalii i jakość wyjaśnień należą: wybór odpowiednich cech telemetrii bezpieczeństwa, spójne przetwarzanie wstępne logów monitorowania, odpowiednie hiperparametry modelu Isolation Forest oraz reprezentatywny zbiór danych tła SHAP. Zmiany w tych ustawieniach konfiguracyjnych mogą prowadzić do zmian w wynikach anomalii, wartościach atrybucji cech oraz ogólnej interpretowalności modelu. W związku z tym badaczom zaleca się, aby wersje oprogramowania, parametry modelu oraz ustawienia ewaluacji pozostały identyczne w celu odtworzenia protokołu.

Procedury rozwiązywania problemów w protokole mają na celu pomóc użytkownikom w radzeniu sobie z częstymi błędami wdrożeniowymi, takimi jak niekompatybilność schematów, przerwy w łączności sieciowej, błędy uwierzytelniania, nadmierna liczba wyników fałszywie dodatnich oraz opóźnienia związane z migracją. Systematyczna walidacja po każdym kroku protokołu pozwoli na zlokalizowanie tych problemów oraz ich skorygowanie przed przejściem do kolejnych etapów migracji. Jest to jedna z metod zwiększania niezawodności i powtarzalności przebiegu eksperymentu.

Chociaż ocena eksperymentalna wykazała, że przetestowany układ może zwiększyć ochronę poświadczeń, wykrywanie anomalii, wyjaśnialność oraz integralność migracji, wyniki te należy uznać za specyficzne wyłącznie dla zakresu niniejszego badania. Protokół został przetestowany jedynie na syntetycznym zbiorze danych medycznych w środowisku laboratoryjnym w chmurze, a nie w rzeczywistym systemie informacji medycznej. Przedstawione tutaj wyniki nie powinny być traktowane jako dowód zgodności z przepisami lub możliwości zastosowania klinicznego. Wskazują one natomiast, że technika ta może zostać zaimplementowana w kontrolowanym środowisku laboratoryjnym i stanowi ramy, które mogą zostać wykorzystane przez innych badaczy do dalszych studiów walidacyjnych.

Wiele niedawnych badań analizowało bezpieczną migrację danych opieki zdrowotnej do chmury, architektury bezpieczeństwa typu zero-trust oraz wyjaśnialną sztuczną inteligencję; większość z nich skupiała się jednak na pojedynczych mechanizmach bezpieczeństwa, a nie na zintegrowanym i powtarzalnym przepływie pracy migracyjnej. Architektura Zero Trust opracowana przez NIST zapewnia kompleksowe wytyczne w zakresie ciągłej weryfikacji tożsamości i kontroli dostępu opartej na zasadzie minimalnych uprawnień, ale nie definiuje ona ustandaryzowanego protokołu bezpiecznej migracji bazy danych ani wyjaśnialnego monitorowania bezpieczeństwa podczas migracji¹. Podobnie, istniejące ramy migracji danych opieki zdrowotnej do chmury kładą nacisk głównie na adaptację chmury, szyfrowanie, ład organizacyjny i zgodność z przepisami, lecz oferują ograniczony opis procedur w zakresie bezpiecznej realizacji, walidacji i powtarzalności migracji^7,8,⁹. Podejścia do bezpieczeństwa chmury oparte na AI wykazały poprawę możliwości wykrywania anomalii dzięki systemom wykrywania włamań i monitorowaniu bezpieczeństwa opartym na uczeniu maszynowym; jednak metody te zazwyczaj koncentrują się na wydajności detekcji, nie uwzględniając interpretowalnych wyjaśnień, które wspierałyby audyt bezpieczeństwa i podejmowanie decyzji administracyjnych⁶^,¹³. Techniki wyjaśnialnej sztucznej inteligencji, takie jak SHapley Additive exPlanations (SHAP) i Local Interpretable Model-agnostic Explanations (LIME), znacząco poprawiły przejrzystość przewidywań uczenia maszynowego^17,18,19,²⁰, ale ich zastosowanie ograniczało się głównie do interpretacji modeli, a nie do integracji z kompleksowymi, bezpiecznymi przepływami pracy migracji do chmury. W przeciwieństwie do nich, proponowany protokół łączy architekturę zero-trust, czasowe zarządzanie poświadczeniami zgodnie z zasadą minimalnych uprawnień, szyfrowaną migrację bazy danych, weryfikację integralności opartą na sumach kontrolnych SHA-256, ciągłe scentralizowane monitorowanie, wykrywanie anomalii oparte na Isolation Forest oraz wyjaśnialność opartą na SHAP w ramach jednego, ustandaryzowanego i powtarzalnego przepływu pracy. Ta zintegrowana struktura zwiększa przejrzystość, możliwość audytu i powtarzalność, zachowując jednocześnie pełną integralność migracji oraz akceptowalną latencję migracji w ocenianych warunkach eksperymentalnych.

Niemniej jednak, podczas interpretacji wyników niniejszego protokołu należy wziąć pod uwagę wiele ograniczeń. Po pierwsze, ewaluacja została przeprowadzona z wykorzystaniem syntetycznego zbioru danych, który może nie oddawać pełnej złożoności, zmienności oraz wyzwań związanych z bezpieczeństwem rzeczywistych baz danych klinicznych. Po drugie, protokół został przetestowany tylko w jednym kontrolowanym środowisku chmurowym, zatem wydajność może się różnić w zależności od innych dostawców chmury, platform bazodanowych lub infrastruktur sieciowych. Po trzecie, choć autorzy zastosowali tradycyjny przepływ migracji jako kontrolę, w przyszłych badaniach korzystne byłoby porównanie wyników z innymi bezpiecznymi metodami migracji i architekturami bezpieczeństwa chmurowego. Po czwarte, walidacja statystyczna została przeprowadzona jedynie na dziesięciu niezależnych eksperymentach migracyjnych; badania na większą skalę mogłyby lepiej wskazać odporność protokołu. Po piąte, autorzy nie uwzględnili wprost scenariuszy ataków przeciwnika, takich jak kradzież poświadczeń, zagrożenia wewnętrzne, ransomware czy zaawansowane ataki uporczywe (APT), które powinny stać się przedmiotem przyszłych badań. Na koniec, proponowane ramy będą tak skuteczne, jak konfiguracja polityk zarządzania tożsamością, parametrów wykrywania anomalii, infrastruktury logowania i ustawień wyjaśnialności; jeśli konfiguracje będą błędne, negatywnie wpłynie to zarówno na bezpieczeństwo migracji, jak i na wydajność monitorowania.

Ogólnie rzecz biorąc, niniejszy protokół stanowi ramy i metodę, którą można powtórzyć w celu badania bezpiecznej migracji baz danych w chmurze za pomocą wyjaśnialnej sztucznej inteligencji w kontrolowanych środowiskach badawczych. Walidacja i weryfikacja protokołu mogłyby zostać przeprowadzone w ramach przyszłych prac poprzez uruchomienie działających systemów informacji medycznej z wykorzystaniem różnych platform chmurowych, odmiennych technologii bazodanowych oraz autentycznych zbiorów danych klinicznych w celu oceny skalowalności, generalizacji i praktycznej przydatności protokołu.

Niniejsza praca opisuje powtarzalną metodę bezpiejnej migracji bazy danych w chmurze, która łączy zasady bezpieczeństwa zero-trust, tymczasową kontrolę dostępu opartą na zasadzie najniższych uprawnień, wyjaśnialną sztuczną inteligencję (XAI) oraz ciągłe monitorowanie bezpieczeństwa w kontrolowanym środowisku chmurowym. Metoda szczegółowo określa etapy przygotowania zestawu danych, modelowania zagrożeń, bezpiecznej migracji, weryfikacji integralności, wykrywania anomalii, analizy wyjaśnialności oraz oceny wydajności. Eksperymenty przeprowadzone na syntetycznym zbiorze danych z sektora ochrony zdrowia wykazały, że protokół ten może zwiększyć bezpieczeństwo poświadczeń, zachować integralność migracji, dokładnie wykrywać anomalie i monitorować bezpieczeństwo w sposób interpretowalny, utrzymując jednocześnie opóźnienia migracji na akceptowalnym poziomie. Standaryzowana procedura ma na celu zwiększenie powtarzalności implementacji i oceny strategii bezpiecznej migracji do chmury w środowisku akademickim.

Wyniki należy rozpatrywać w granicach ściśle kontrolowanego środowiska eksperymentalnego, które zostało wykorzystane w ninzym badaniu. Ponieważ protokół został przetestowany na syntetycznym zbiorze danych medycznych, a nie na rzeczywistym systemie informacji medycznej, wyniki nie powinny być traktowane jako wskaźniki wdrożenia klinicznego, zgodności z przepisami lub implementacji w produkcji na dużą skalę. Dalsze wysiłki badawcze powinny skoncentrować się na wykorzystaniu rzeczywistych warunków opieki zdrowotnej, różnych platform chmurowych, różnorodnych technologii baz danych oraz większych klinicznych zbiorów danych, aby dalej zweryfikować wszechstronność, niezawodność i praktyczną użyteczność protokołu.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy oświadczają, że nie mają żadnych konkurencyjnych interesów finansowych, relacji handlowych ani osobistych, które mogłyby wpłynąć na pracę przedstawioną w niniejszym badaniu. Autorzy nie mają żadnych konfliktów interesów do ujawnienia. Wszystkie materiały niezbędne do odtworzenia metodologii przedstawionej w tym badaniu są publicznie dostępne w repozytorium GitHub. Repozytorium jest dostępne pod adresem: https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration. Repozytorium zawiera wyłącznie syntetycznie wygenerowane dane referencyjne i nie zawiera żadnych rzeczywistych informacji o pacjentach, chronionych informacji zdrowotnych ani identyfikowalnych dokumentacji medycznych.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy dziękują za wsparcie instytucjonalne zapewnione przez ich respective jednostki macierzyste podczas opracowywania i oceny niniejszego protokołu. Autorzy dziękują również za możliwość korzystania z instytucjonalnych zaplecz obliczeniowych oraz zasobów chmury obliczeniowej, które wsparły eksperymentalną walidację proponowanego bezpiecznego frameworka migracji danych w chmurze.
Badania te nie otrzymały zewnętrznego finansowania. Badanie zostało przeprowadzone z wykorzystaniem instytucjonalnych zaplecz badawczych i zasobów obliczeniowych udostępnionych przez jednostki macierzyste autorów. Nie otrzymano żadnych grantów ani wsparcia finansowego z żadnej publicznej, komercyjnej lub non-profit agencji finansującej.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
Szyfrowanie AES	NIST	AES-256	Szyfrowanie danych w spoczynku
Amazon RDS PostgreSQL	Amazon Web Services	PostgreSQL 16	Baza danych docelowa
Platforma chmurowa	Amazon Web Services	AWS	Infrastruktura chmurowa
CloudWatch	Amazon Web Services	Najnowsza stabilna wersja	Monitorowanie i logowanie
Docker	Docker Inc.	27.0	Konteneryzacja
Faker	Faker Developers	30.0	Generowanie danych syntetycznych
GPU	NVIDIA	RTX 4090	24 GB VRAM
Matplotlib	Matplotlib Developers	3.9	Wizualizacja
NumPy	NumPy Developers	1.26	Przetwarzanie numeryczne
System operacyjny	Canonical	Ubuntu 22.04 LTS	Środowisko systemowe
Pandas	PyData	2.2	Przetwarzanie danych
PostgreSQL	PostgreSQL Global Development Group	16	Baza danych źródłowa
Python	Python Software Foundation	3.11	Język programowania
Scikit-learn	Scikit-learn Developers	1.5	Uczenie maszynowe
SHAP	SHAP Developers	0.46	Wyjaśnialna AI
Terraform	HashiCorp	1.8	Zarządzanie infrastrukturą
TLS	IETF	TLS 1.3	Szyfrowanie danych w transmisji
Wirtualna chmura prywatna	Amazon Web Services	VPC	Prywatne środowisko sieciowe
Stacja robocza	Dell/HP	NA	Intel Xeon Gold 6226R, 64 GB RAM, 1 TB SSD

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kindervag J. Build security into your network's DNA: The Zero Trust Network Architecture. Cambridge (MA): Forrester Research; 2010.
Rose S, Borchert O, Mitchell S, Connelly S. Zero Trust Architecture. NIST Special Publication 800-207. Gaithersburg (MD): National Institute of Standards and Technology; 2020. doi:10.6028/NIST.SP.800-207.
Rieke N, et al. The future of digital health with federated learning. NPJ Digit Med. 2020;3:119. doi:10.1038/s41746-020-00323-1.
Kairouz P, McMahan HB, Avent B, Bellet A, Bennis M, Bhagoji AN, et al. Advances and open problems in federated learning. Found Trends Mach Learn. 2021;14(1-2):1-210. doi:10.1561/2200000083.
Nguyen DC, Ding M, Pathirana PN, Seneviratne A, Li J, Niyato D, et al. Privacy-preserving federated learning: A comprehensive survey. IEEE Commun Surv Tutor. 2021;23(3):1622-1651. doi:10.1109/COMST.2021.3075434.
Sarker IH. AI-driven cybersecurity: An overview, security intelligence modeling, and research directions. SN Comput Sci. 2021;2:173. doi:10.1007/s42979-021-00557-0.
Kuo AM. Opportunities and challenges of cloud computing to improve health care services. J Med Internet Res. 2011;13(3):e67. doi:10.2196/jmir.1867.
Kota TK. Cloud migration for healthcare data: Challenges and solutions. Nanotechnol Percept. 2024;20:3048-3062.
Rancea A, Anghel I, Cioara T. Edge computing in healthcare: Innovations, opportunities, and challenges. Future Internet. 2024;16(9):329.
Mersha M, et al. Explainable artificial intelligence: A survey of needs, techniques, applications, and future direction. Neurocomputing. 2024;599:128111. doi:10.1016/j.neucom.2024.128111.
Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4):e26297. doi:10.1016/j.heliyon.2024.e26297.
Roppelt JS, Kanbach DK, Kraus S. Artificial intelligence in healthcare institutions: A systematic literature review on influencing factors. Technol Soc. 2024;76:102443. doi:10.1016/j.techsoc.2023.102443.
Lekkala S, Avula R, Gurijala P. Next-Gen firewalls: Enhancing cloud security with generative AI. J Artif Intell Cloud Comput. 2024;3(4):1-9. doi:10.47363/JAICC/2024(3)404.
Al-Hammuri K, Gebali F, Kanan A. ZTCloudGuard: Zero Trust context-aware access management framework to avoid medical errors in the era of generative AI and cloud-based health information ecosystems. AI. 2024;5(3):1111-1131. doi:10.3390/ai5030055.
Pfeifer B, Sirocchi C, Bloice MD, Kreuzthaler M, Urschler M. Federated unsupervised random forest for privacy-preserving patient stratification. Bioinformatics. 2024;40(Suppl 2):ii198-ii207. doi:10.1093/bioinformatics/btae382.
Li T, Sahu AK, Talwalkar A, Smith V. Federated learning: Challenges, methods, and future directions. IEEE Signal Process Mag. 2020;37(3):50-60. doi:10.1109/MSP.2020.2975749.
Lundberg SM, Lee SI. A unified approach to interpreting model predictions. In: Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS); 2017. p. 4768-4777.
Ribeiro MT, Singh S, Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 1135-1144. doi:10.1145/2939672.2939778.
Ortigossa ES, Gonçalves T, Nonato LG. Explainable artificial intelligence (XAI)—From theory to methods and applications. IEEE Access. 2024;12:80799-80846. doi:10.1109/ACCESS.2024.3409843.
Chaddad A, et al. Explainable, domain-adaptive, and federated artificial intelligence in medicine. IEEE/CAA J Autom Sin. 2023;10(4):859-876. doi:10.1109/JAS.2023.123123.
Albshaier L, Almarri S, Albuali A. Federated learning for cloud and edge security: A systematic review of challenges and AI opportunities. Electronics. 2025;14(5):1019. doi:10.3390/electronics14051019.
Vani MS, Sudhakar RV, Mahendar A, et al. Personalized health monitoring using explainable AI: Bridging trust in predictive healthcare. Sci Rep. 2025;15:31892. doi:10.1038/s41598-025-15867-z.
Zakhmi K, et al. Evolving Zero Trust architectures for AI-driven cyber threats in healthcare and other high-risk data environments: A systematic review. Cureus. 2025;17(6):e85446. doi:10.7759/cureus.85446.
Selvaperumal D, et al. Artificial intelligence-enabled zero-trust cyber security framework for smart healthcare infrastructure. Int J Artif Intell Mach Learn. 2026;6(2 Suppl):204-217. doi:10.51483/IJAIML.6.2s.2026.204-217.
Abbas SR, Seol H, Abbas Z, Lee SW. Exploring the role of artificial intelligence in smart healthcare: A capability and function-oriented review. Healthcare (Basel). 2025;13(14):1642. doi:10.3390/healthcare13141642.
Al-Nafjan A, et al. Artificial intelligence in predictive healthcare: A systematic review. J Clin Med. 2025;14(19):6752. doi:10.3390/jcm14196752.
Qureshi SS, et al. Advanced AI-driven intrusion detection for securing cloud-based industrial IoT. Egypt Inform J. 2025;30:100644. doi:10.1016/j.eij.2025.100644.
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 785-794. doi:10.1145/2939672.2939785.
Liu FT, Ting KM, Zhou ZH. Isolation Forest. In: Proceedings of the 8th IEEE International Conference on Data Mining; 2008. p. 413-422. doi:10.1109/ICDM.2008.17.
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: A system for large-scale machine learning. In: Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI); 2016. p. 265-283.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Architektura Zero Trust szyfrowana komunikacja scentralizowany monitoring detekcja anomalii Isolation Forest wyja nienia Shapley integralno danych

Protokół eksperymentalny dla bezpiecznej migracji danych w chmurze sterowanej przez wyjaśnialną sztuczną inteligencję z wykorzystaniem syntetycznych danych medycznych

W tym artykule

Podsumowanie

Streszczenie

Wprowadzenie

Protokół

Wyniki

Dyskusja

Oświadczenia

Podziękowania

Materiały

Bibliografia

Przedruki i uprawnienia

Tagi

Powiązane artykuły