Экспериментальный протокол безопасной миграции данных в облако на основе объяснимого искусственного интеллекта с использованием синтетических медицинских данных

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

doi:10.3791/71612

Методическая статья

Экспериментальный протокол безопасной миграции данных в облако на основе объяснимого искусственного интеллекта с использованием синтетических медицинских данных

DOI:

10.3791/71612

⸱

14 августа 2026 г.

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

В этой статье

Краткое содержание

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

В данном методе представлен комплексный фреймворк на основе объяснимого искусственного интеллекта (XAI) для обеспечения безопасной миграции данных здравоохранения в облако с использованием синтетического набора данных здравоохранения в контролируемой облачной среде. Результатом является прототип, сочетающий в себе безопасность с нулевым доверием, временной контроль доступа и объяснимое обнаружение аномалий для обеспечения прозрачности и безопасности миграции.

Аннотация

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

В системах здравоохранения все чаще осуществляется миграция данных в облако, однако это также приводит к тому, что периоды передачи данных становятся наиболее рискованными с точки зрения безопасности. В данной работе описывается воспроизводимый протокол безопасной миграции облачных данных на основе объяснимого искусственного интеллекта (XAI) с использованием синтетического набора данных здравоохранения и контролируемой облачной среды. Разработанная архитектура объединяет концепцию нулевого доверия (zero-trust architecture), временной принцип наименьших привилегий, зашифрованную связь, централизованный мониторинг и объяснимое обнаружение аномалий для обеспечения более безопасной, прозрачной и проверяемой миграции. Тесты проводились с использованием набора данных синтетических электронных медицинских карт объемом 10 GB, содержащего примерно 20 миллионов записей в 28 реляционных таблицах. Процесс миграции был реализован на платформе Amazon web services (AWS) с использованием баз данных PostgreSQL и частных виртуальных сетей. Для обнаружения аномалий применялся алгоритм Isolation Forest, а для интерпретации событий безопасности использовались аддитивные объяснения Шепли (SHAP). Эффективность системы оценивалась на десяти отдельных попытках миграции с использованием таких метрик, как длительность раскрытия учетных данных, время обнаружения инцидента, точность обнаружения аномалий, задержка миграции и целостность данных. При протестированной конфигурации время раскрытия учетных данных сократилось с 24 h до 1 h (снижение на 95.8%), точность обнаружения аномалий составила 97.4%, время обнаружения инцидента сократилось примерно до 15 min, а целостность данных была сохранена на 100%, что подтверждено проверкой контрольных сумм. Однако усиление мер безопасности привело к увеличению средней задержки миграции на 11%. Эти результаты демонстрируют перспективность объединения объяснимого ИИ с рабочими процессами безопасной облачной миграции для управления данными здравоохранения.

Введение

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

Облачные вычисления в настоящее время являются неотъемлемой частью систем здравоохранения во всем мире, предлагая масштабируемые хранилища, вычислительные ресурсы, а также возможность обмена медицинскими записями, поддержку систем принятия решений и проведение медицинского анализа через облако¹^,²^,³. Поскольку многие медицинские учреждения модернизируют свои информационные системы, переход в облако стал для них жизненно важным шагом для переноса конфиденциальных медицинских данных из старых локальных систем в облачную среду⁴. Правильная миграция обеспечивает более простой поиск данных, более эффективное выполнение операций и поддержку аналитики с более высоким уровнем интеллектуального анализа, однако в то же время нельзя игнорировать довольно серьезные риски безопасности и конфиденциальности, которые влечет за собой перемещение данных из одного места в другое⁵.

Этап миграции является критически уязвимым моментом в жизненном цикле данных, поскольку в силу самой природы процесса данные здравоохранения активно перемещаются между системами и сетями⁶. Кроме того, в фазе миграции организации могут подвергнуться таким угрозам, как кража учетных данных, несанкционированный доступ, перехват данных, манипуляции со схемами и даже потеря данных⁶^,⁷. Среды здравоохранения менее защищены от подобных рисков, так как информация о пациентах является крайне конфиденциальной и, следовательно, требует высочайшего уровня соответствия нормативным требованиям и мерам безопасности⁸^,⁹. Без этого невозможно обеспечить конфиденциальность, целостность и подотчетность данных, если рабочий процесс миграции не защищен и не прозрачен для мониторинга¹⁰^,¹¹.

Для повышения безопасности облачных вычислений было разработано множество структур и стандартов безопасности. Например, архитектура нулевого доверия (Zero Trust Architecture) Национального института стандартов и технологий (NIST) основана на принципе постоянной верификации пользователей, устройств и сервисов¹², в то время как структуры внедрения облачных технологий дают рекомендации по управлению, управлению идентификационными данными, шифрованию и мониторингу¹³. Фактически, современные методы обеспечения облачной безопасности сосредоточены на автоматизации, подходе «инфраструктура как код» (infrastructure-as-code) и непрерывном мониторинге¹⁴^,¹⁵. Хотя такие подходы базируются на ценных принципах безопасности, в значительной степени они касаются общего развертывания облака и операционных сред, а не самого процесса миграции¹⁶. На самом деле, в них практически отсутствуют пошаговые, детализированные и воспроизводимые процедуры выполнения рабочих процессов безопасной миграции медицинских данных в облако, которые сочетали бы в себе управление идентификационными данными, безопасную передачу данных, валидацию, мониторинг и усиление защиты после миграции¹⁷.

Обнаружение аномалий с помощью машинного обучения признано полезной технологией для мониторинга безопасности облачных сред. Оно позволяет выявлять аномальную активность системы, а также потенциальные инциденты безопасности¹⁸. Тем не менее, многие методы обнаружения аномалий представляют собой закрытые системы, которые не могут предоставить объяснение логики, по которой событие безопасности было помечено как подозрительное¹⁹. Невозможность объяснить решение, принятое системой, снижает доверие администраторов, затрудняет аудит и уменьшает ценность автоматизированных решений в области безопасности в строго регулируемых средах здравоохранения²⁰. Методы объяснимого искусственного интеллекта (XAI), такие как SHapley Additive exPlanations (SHAP) и Local Interpretable Model-agnostic Explanations (LIME), не только предоставляют четкие объяснения прогнозов машинного обучения, но и повышают уровень понимания, подотчетности и уверенности в системах мониторинга безопасности²¹^,²².

Несмотря на значительные успехи в области облачной безопасности и объяснимого ИИ, по-прежнему наблюдается нехватка воспроизводимых экспериментальных протоколов, объединяющих средства безопасной миграции с объяснимым мониторингом безопасности для целей интеграции²³. Существующие исследования в основном затрагивают только отдельные компоненты, такие как шифрование, управление доступом, обнаружение аномалий или управление облачной инфраструктурой, и нигде не предлагается интегрированная методология, которую можно было бы систематически внедрить, оценить и воспроизвести²⁴. Более того, практически в никаких исследованиях не предпринималось попыток объединить принципы безопасности с нулевым доверием, временные минимальные привилегии, централизованную наблюдаемость и объяснимое обнаружение аномалий в едином рабочем процессе миграции облачных сервисов в сфере здравоохранения²⁵^,²⁶.

Для восполнения этого пробела в данной работе представлена платформа на основе объяснимого искусственного интеллекта (Explainable AI) для безопасной миграции облачных данных в системах здравоохранения. Предложенная архитектура использует модель нулевого доверия, ограниченный по времени доступ, защищенную связь, централизованное логирование и мониторинг, а также интерпретируемое обнаружение аномалий на базе SHAP в рамках строго упорядоченного процесса миграции²⁷^,²⁸. Протокол представляет собой пошаговое руководство по внедрению, мониторингу и оценке безопасной миграции данных здравоохранения в экспериментальных условиях. Объединяя средства обеспечения безопасности с интерпретируемым ИИ-мониторингом, предлагаемая платформа призвана повысить уровень прозрачности, проверяемости и безопасности на протяжении всего жизненного цикла миграции²⁹^,³⁰.

Протокол

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

В данном исследовании использовался полностью синтетический набор данных здравоохранения, созданный для экспериментальной оценки безопасной миграции данных в облако. Реальные данные пациентов, защищенная медицинская информация (PHI) или идентифицируемые записи о состоянии здоровья не использовались. Таким образом, одобрение институционального наблюдательного совета и информированное согласие не требовались. Все материалы, использованные в этом исследовании, приведены в Таблице материалов.

1. Обзор

Настройте защищенную среду для миграции в облако, состоящую из уровня источника, уровня центра миграции, целевого уровня, сетевого уровня, уровня управления идентификацией и доступом, уровня наблюдаемости и уровня объяснимого ИИ.
Разверните все компоненты в изолированных облачных средах для обеспечения безопасной миграции медицинских данных. Установите зашифрованные каналы связи между всеми компонентами системы.
Выполните протокол, который включает подготовку набора данных, конфигурацию среды, развертывание архитектуры, безопасную миграцию, мониторинг аномалий и постмиграционную валидацию. Общая архитектура предлагаемой платформы безопасной миграции облачных данных на базе объяснимого ИИ представлена на Рисунке 1.

Схема архитектуры миграции в облако; база данных PostgreSQL переносится с локального сервера в AWS с уровнями безопасности, наблюдаемости, ИИ и управления, иллюстрирующими зашифрованные соединения и потоки данных.
Рисунок 1: Общая архитектура платформы безопасной миграции облачных данных для систем здравоохранения с поддержкой объяснимого искусственного интеллекта (XAI). Платформа состоит из уровня управления идентификацией и доступом, уровня исходной базы данных, уровня концентратора миграции, уровня целевой облачной базы данных, уровня сетевой безопасности, уровня наблюдаемости, уровня мониторинга на базе объяснимого ИИ, а также сквозных сервисов безопасности и управления. Архитектура объединяет временной контроль доступа с минимальными привилегиями, зашифрованную связь TLS 1.3, проверку целостности на основе контрольных сумм, непрерывный мониторинг безопасности и интерпретируемость на базе SHAP для обеспечения безопасной, прозрачной и воспроизводимой миграции баз данных здравоохранения. Этот рисунок был создан авторами с использованием Microsoft PowerPoint (Microsoft 365). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

2. Конфигурация вычислительной среды

Настройка вычислительной среды
1. Подготовьте вычислительные ресурсы, необходимые для безопасной миграции данных в облако и мониторинга на основе объяснимого ИИ.
2. Установите и настройте все оборудование, программное обеспечение, облачные сервисы, базы данных, инструменты безопасности и библиотеки машинного обучения, перечисленные в Таблице материалов. Перед началом эксперимента по миграции убедитесь в работоспособности всех необходимых компонентов.
Настройка облачной среды
1. Создайте облачную среду, обеспечивающую безопасность миграции медицинских данных. Настройте частное VPC для бесперебойного взаимодействия между исходными системами, миграционным хабом и целевыми системами. Используйте надежное шифрование не только при хранении данных, но и при их передаче.
2. Подготовьте целевую базу данных и сервисы миграции в соответствии с данными, указанными в Таблице материалов.
Настройте управление идентификацией и доступом, а также сервисы мониторинга и логирования.

3. Подготовка и описание набора данных

Сгенерируйте синтетический набор данных системы здравоохранения с помощью библиотеки Python Faker, указанной в таблице материалов. Настройте демографические признаки, включая возраст пациента, пол, этническую принадлежность и географическое положение, используя предопределенные распределения вероятностей.
Сгенерируйте клиническую информацию, включая диагнозы, результаты лабораторных исследований, лекарственные препараты, аллергии, процедуры и случаи госпитализации, сохраняя при этом реалистичные клинические взаимосвязи.
Сгенерируйте лонгитюдные данные о посещениях пациентов, назначая каждому пациенту несколько визитов в соответствии с предопределенным распределением частоты посещений.
Сгенерируйте временные метки для госпитализаций, лабораторных исследований, введения препаратов, выписных эпикризов и журналов аудита, используя хронологический порядок событий.
Внесите клинически реалистичные пропущенные значения, дубликаты записей и выбросы в соответствии с предопределенными распределениями качества данных.
Замените всю персональную информацию синтетическими значениями, сгенерированными с помощью библиотеки Faker. Проверьте ссылочную целостность и логическую согласованность перед экспортом набора данных. Экспортируйте проверенный набор данных в формате SQL, совместимом с PostgreSQL. Настройте набор данных для поддержки реалистичных сценариев миграции медицинских данных. Характеристики сгенерированного набора данных обобщены в Таблице 1.
Определите связи в базе данных. Назначьте Patient_ID в качестве первичного ключа для таблицы пациентов. Установите связи по внешним ключам между таблицами пациентов, визитов, лабораторных исследований, лекарственных препаратов и журналов аудита. Перед началом миграции проверьте ссылочную целостность всех таблиц.
Смоделируйте реалистичные характеристики медицинских данных. Сгенерируйте возраст пациентов, используя нормальное распределение. Сгенерируйте частоту визитов, используя распределение Пуассона. Внесите пропущенные значения с частотой 5% для имитации неполноты реальных электронных медицинских карт (EHR). Перед миграцией замените все идентификаторы пациентов хешированными значениями. Убедитесь, что все сгенерированные записи соответствуют предопределенным ограничениям схемы.
Проверьте сгенерированный набор данных, оценив согласованность схемы, ссылочную целостность, наличие пропущенных значений, дубликаты записей и соблюдение предопределенных ограничений качества перед началом миграции.

Параметр	Значение
Тип набора данных	Синтетический набор данных электронных медицинских карт (EHR)
Размер набора данных	10 GB
Общее количество записей	20 миллионов
Количество таблиц	5 основных таблиц — 28 реляционных таблиц
Записи пациентов	5 000 000
Записи о визитах	10 000 000
Результаты лабораторных исследований	4 000 000
Записи о назначении лекарств	3 000 000
Журналы аудита	5 000 000
Первичный ключ	Patient_ID
Доля пропущенных значений	5%
Распределение по возрасту	Нормальное распределение
Частота визитов	Распределение Пуассона
Порог целостности	<0.1% нарушений

Таблица 1: Характеристики синтетического набора данных здравоохранения, использованного для валидации протокола. В таблице представлен обзор набора данных, включая размер базы данных, количество реляционных таблиц, общее число записей, атрибуты пациентов, клинические переменные и характеристики валидации для воспроизведения экспериментов по безопасной миграции.

4. Развертывание архитектуры системы

Разверните архитектуру безопасной облачной миграции, состоящую из исходного уровня, уровня центра миграции, целевого уровня, уровня сетевой безопасности, уровня наблюдаемости и уровня объяснимого ИИ. Развернутая архитектура системы, использованная в данном исследовании, представлена на рисунке 2.
Структура состоит из шести рабочих уровней, которые в процессе миграции выполняют свои функции последовательно. Первый уровень, исходный уровень (Source Layer), содержит синтетическую базу данных здравоохранения.
Центр миграции (Migration Hub) отвечает за извлечение схемы, зашифрованную передачу данных, проверку целостности и оркестрацию миграции. Целевой уровень — это место, где мигрировавшая база данных хранится в Amazon RDS PostgreSQL.
Уровень сетевой безопасности обеспечивает защиту всех коммуникаций за счет использования частных конечных точек VPC, шифрования TLS 1.3, групп безопасности и списков контроля доступа к сети.
Уровень наблюдаемости постоянно собирает журналы аутентификации, журналы миграции, журналы активности базы данных и события безопасности с помощью Amazon CloudWatch.
Уровень объяснимого ИИ получает собранную телеметрию безопасности, обрабатывает ее с помощью алгоритма Isolation Forest и создает объяснения на основе SHAP для обнаруженных аномалий. Все архитектурные уровни взаимодействуют друг с другом через частные сетевые каналы, которые проходят аутентификацию на протяжении всего рабочего процесса миграции.
Разверните и проверьте среду исходной базы данных, чтобы обеспечить безопасный доступ и доступность данных перед миграцией.
1. Настройте базу данных PostgreSQL 16 с синтетическим набором данных здравоохранения. Разместите в исходной базе данных информацию о пациентах, сведения о визитах, результаты лабораторных исследований, записи о препаратах и журналы аудита.
2. Ограничьте доступ к базе данных только авторизованными службами миграции и административными пользователями. Проверьте доступность и связность базы данных перед началом операций по миграции.
Настройте центр миграции для координации извлечения схемы, зашифрованной передачи данных и оркестрации миграции.
1. Разверните выделенный сервер миграции внутри частного виртуального частного облака (VPC). Настройте службы оркестрации миграции для координации извлечения схемы, передачи данных и мероприятий по проверке.
2. Активируйте службы валидации схемы для проверки совместимости исходной и целевой сред. Активируйте службы проверки целостности для валидации мигрировавших данных во время и после передачи. Проверьте связь между центром миграции и системами баз данных перед выполнением задач по миграции.
Разверните целевой уровень. Разверните Amazon RDS PostgreSQL 16 в качестве целевой среды базы данных. Активируйте службы автоматического резервного копирования и восстановления. Включите шифрование AES-256 для данных, хранящихся в целевой базе данных.
Настройте сетевую безопасность. Отключите все публичные IP-адреса, связанные с ресурсами миграции. Разрешите связь только через частные конечные точки внутри VPC. Настройте списки контроля доступа к сети (NACL) и группы безопасности. Включите шифрование TLS 1.3 для всех коммуникаций между компонентами системы. Убедитесь, что активных общедоступных конечных точек не осталось.
Настройте централизованный мониторинг для непрерывного сбора событий безопасности, журналов миграции и метрик производительности системы.
1. Активируйте службы логирования и мониторинга Amazon CloudWatch. Собирайте журналы аутентификации, журналы миграции, журналы активности базы данных и журналы событий безопасности. Настройте срок хранения журналов на 365 дней. Включите неизменяемое хранилище журналов для обеспечения требований аудита и комплаенса. Проверьте сбор метрик в реальном времени и генерацию оповещений.
Настройте среду объяснимого ИИ для обнаружения аномалий в реальном времени и генерации интерпретируемых объяснений безопасности.
1. Разверните службы обнаружения аномалий в среде мониторинга. Настройте платформу объяснимого ИИ для обработки телеметрии безопасности, генерируемой во время миграции. Подключите потоки телеметрии безопасности от исходной среды, центра миграции, целевой базы данных и служб мониторинга.
2. Активируйте обнаружение аномалий в реальном времени и генерацию объяснений на основе SHAP. Проверьте успешный прием данных телеметрии перед началом экспериментов по миграции.

Диаграмма миграции данных: настройка сервера PostgreSQL, зашифрованная передача данных, ИИ-мониторинг, интеграция с облаком AWS.
Рисунок 2: Архитектура развертывания платформы безопасной миграции облачных данных здравоохранения. Среда развертывания включает исходную базу данных PostgreSQL с синтетическим набором данных здравоохранения, выделенный узел миграции внутри частного виртуального облака (VPC), целевую базу данных Amazon RDS PostgreSQL, слой сетевой безопасности, систему централизованного наблюдения через Amazon CloudWatch и слой мониторинга на основе объяснимого искусственного интеллекта. Весь обмен данными осуществляется через частные конечные точки, защищенные шифрованием TLS 1.3. Данный рисунок был создан авторами с помощью Microsoft PowerPoint (Microsoft 365). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

5. Безопасный рабочий процесс миграции

ПРИМЕЧАНИЕ: Выполните рабочий процесс безопасной миграции, проведя моделирование угроз, перенос схемы, безопасную миграцию данных, валидацию миграции и последующее укрепление системы после миграции.

Выявите потенциальные угрозы безопасности и определите соответствующие меры по их минимизации перед началом процесса миграции.
1. Определите объекты миграции, потенциальные векторы атак и реалистичные сценарии кибератак.
2. Оцените риски кражи учетных данных в результате компрометации токенов аутентификации, инсайдерских атак с использованием несанкционированного административного доступа, атак повторного воспроизведения, нацеленных на ранее перехваченные запросы аутентификации, атак типа «человек посередине» (MITM) с попытками перехвата зашифрованных каналов связи, манипуляций со схемой с целью изменения структур базы данных во время миграции, а также атак с повышением привилегий, направленных на получение несанкционированных прав администратора.
3. Убедитесь, что использование временного управления учетными данными по принципу наименьших привилегий достаточно для предотвращения кражи учетных данных и атак с повышением привилегий. Проверьте, что связь, зашифрованная с помощью TLS 1.3, защищает от атак повторного воспроизведения и атак типа «человек посередине».
4. Убедитесь, что политики управления идентификацией и доступом (IAM) предотвращают несанкционированный административный доступ. Проверьте, что непрерывное ведение журналов аудита позволяет регистрировать все действия по миграции, связанные с безопасностью. Убедитесь, что проверка с помощью контрольной суммы SHA-256 позволяет обнаружить несанкционированные изменения в схеме или данных.
5. Убедитесь, что система объяснимого обнаружения аномалий может локализовать необычные действия при миграции, а также предоставлять интерпретируемые объяснения с точки зрения безопасности. Создайте карту мер контроля безопасности для каждой выявленной угрозы. Убедитесь, что все выявленные угрозы надлежащим образом минимизированы перед началом миграции базы данных. Авторы обобщили модель угроз и меры контроля безопасности в Таблице 2.
Перенесите схему базы данных. Извлеките определения схемы из исходной базы данных PostgreSQL. Проверьте совместимость схемы с целевой средой базы данных. Верифицируйте структуры таблиц, первичные ключи, внешние ключи, индексы и ограничения. Разверните проверенные определения схемы в целевой базе данных. Подтвердите успешное развертывание схемы перед переносом данных.
Безопасно перенесите медицинские данные через зашифрованные каналы связи, осуществляя непрерывный мониторинг действий по миграции.
1. Установите размер пакета миграции равным 10 000 записей на транзакцию. Организуйте зашифрованные каналы связи с использованием TLS 1.3. Перенесите данные через частные сетевые конечные точки внутри виртуального частного облака (VPC).
2. Включите автоматические попытки повтора с максимальным количеством трех повторов для неудачных транзакций.
  Поддерживайте пропускную способность передачи данных в диапазоне от 100 MB/s до 150 MB/s. Непрерывно отслеживайте действия по миграции на протяжении всего процесса передачи. Регистрируйте все события миграции в централизованных журналах аудита.
Проверьте полноту и целостность миграции путем сравнения контрольных сумм, количества записей и структур баз данных.
1. Сгенерируйте значения хеш-функции SHA-256 для всех исходных таблиц до миграции и значения SHA-256 для всех целевых таблиц после миграции. Сопоставьте значения контрольных сумм исходной и целевой систем. Перекрестно проверьте количество строк в исходной и целевой базах данных. Проверьте согласованность схем, связей между таблицами и ограничений базы данных. Считайте миграцию успешной только в том случае, если значения контрольных сумм, количество записей и структуры схем идентичны.
Удалите временные привилегии и окончательно настройте меры контроля безопасности после успешного завершения миграции данных.
1. Немедленно отзовите все временные учетные данные миграции после завершения процесса. Удалите повышенные привилегии миграции из сервисных учетных записей. Архивируйте журналы аудита и записи мониторинга безопасности.
2. Убедитесь в успешном завершении процедур резервного копирования. Выведите из эксплуатации временные серверы миграции и вспомогательные ресурсы. Проведите финальный анализ безопасности перенесенной среды. Документируйте результаты миграции и результаты валидации. Полный рабочий процесс безопасной миграции, использованный в данном исследовании, проиллюстрирован на Рисунке 3.

Сценарий угрозы	Средство контроля безопасности	Метод обнаружения	Способ минимизации последствий
Кража учетных данных	Временной принцип наименьших привилегий (TLP)	Журналы IAM	Автоматический отзыв учетных данных
Инсайдерская атака	Управление доступом на основе ролей (RBAC)	Журналы аудита + SHAP	Завершение сеанса
Атака повторного воспроизведения	TLS 1.3 + проверка Nonce	Сетевой мониторинг	Отклонение дублирующих запросов
Человек посередине (MITM)	Шифрование TLS 1.3	Проверка сертификатов	Зашифрованная связь
Подмена схемы	Контрольная сумма SHA-256 + валидация схемы	Проверка целостности	Восстановление проверенной схемы
Повышение привилегий	Применение политик IAM	Журналы безопасности	Отзыв привилегий

Таблица 2: Модель угроз и соответствующие меры безопасности, принятые в предложенном фреймворке миграции.В таблице представлены основные репрезентативные угрозы безопасности и соответствующие механизмы их смягчения, основанные на принципах безопасности с нулевым доверием, шифровании, управлении идентификацией, проверке целостности, мониторинге и интерпретируемом обнаружении аномалий.

Диаграмма процесса миграции базы данных; средства контроля безопасности, миграция схемы, валидация данных.
Рисунок 3: Рабочий процесс предлагаемого протокола безопасной миграции облачной базы данных. Протокол состоит из семи последовательных этапов: моделирование угроз, перенос схемы, безопасная миграция базы данных, валидация мигрированных данных, ужесточение безопасности после миграции, аудит, логирование и архивация, и завершение миграции. На протяжении всего процесса миграции обеспечиваются мониторинг безопасности, зашифрованная связь, управление идентификационными данными, неизменяемое логирование и объяснимое обнаружение аномалий. Данный рисунок был создан авторами с помощью Microsoft PowerPoint (Microsoft 365). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

6. Настройка мониторинга объяснимого ИИ

ПРИМЕЧАНИЕ: Схема процесса следующая: определение характеристик безопасности миграции, построение модели для обнаружения отклонений, распознавание подозрительных действий по миграции и получение интерпретируемых результатов с помощью методов интерпретации SHAP.

Извлеките и предварительно обработайте признаки телеметрии безопасности, необходимые для обнаружения аномалий и анализа объяснимости.
1. Соберите журналы безопасности с серверов баз данных, серверов аутентификации, серверов приложений и систем сетевого мониторинга. Объедините все события, связанные с миграцией, в централизованном репозитории журналов. Удалите дублирующиеся записи и неполные данные. Синхронизируйте временные метки всех источников журналов, используя всемирное координированное время (UTC).
2. Рассчитайте частоту доступа для каждого пользователя во время операций миграции. Зафиксируйте количество неудачных попыток входа, связанных с каждой учетной записью. Отслеживайте изменения исходных IP-адресов на протяжении сеансов миграции.
3. Измерьте длительность сеанса пользователя от момента инициации входа до его завершения. Рассчитайте объемы входящего и исходящего трафика данных во время действий по миграции. Нормализуйте все извлеченные признаки с помощью Min-Max нормализации.
4. В таблице 3 обобщены признаки безопасности, используемые для обнаружения аномалий и анализа объяснимости.
Обучите и валидируйте модель Isolation Forest, используя подготовленный набор данных признаков безопасности.
1. Разделите набор данных. Случайным образом разделите набор данных на обучающую выборку (70%), валидационную выборку (15%) и тестовую выборку (15%). Поддерживайте согласованное распределение нормальных и аномальных событий во всех подмножествах.
2. Выбор модели объяснимого ИИ. Выберите алгоритм Isolation Forest, так как он эффективно обнаруживает аномальную активность миграции, не требуя размеченных обучающих данных. Используйте алгоритм для изоляции отклоняющихся наблюдений путем рекурсивного случайного разделения пространства признаков.
3. Примените SHAP TreeExplainer для количественной оценки вклада каждого признака безопасности в прогнозирование аномалии и повышения прозрачности процесса мониторинга безопасности.
4. Настройте модель обнаружения аномалий. Инициализируйте модель Isolation Forest. Настройте модель, используя параметры, перечисленные в таблице 4.
5. Определите математическую формулировку, используемую для расчета показателей аномальности и объяснения вклада признаков.
  1. Определите вектор признаков безопасности для каждого события миграции, как показано в уравнении 1.
    x_i = [x₁ , x₂, x₃, x₄, x₅ ] (1)
    где x₁ обозначает частоту доступа, x₂ — количество неудачных попыток входа, x₃ — частоту смены IP-адреса, x₄ — длительность сеанса, а x₅ — объем передачи данных.
  2. Извлеките признаки безопасности из журналов миграции. Нормализуйте все значения признаков перед обучением модели. Рассчитайте показатель аномальности Isolation Forest для каждого события миграции с помощью уравнения 2.
    (2)
    где S(X,n) обозначает показатель аномальности наблюдения X, X обозначает вектор признаков безопасности, E(h(X)) — ожидаемая длина пути наблюдения X, c(n) — средняя длина пути неудачных поисков в двоичном дереве поиска, а n — общее количество обучающих выборок. Коэффициент нормализации рассчитывается, как показано в уравнении 3.
    (3)
    где H(n-1) обозначает (n-1)-е гармоническое число.
  3. Классифицируйте события миграции с показателями аномальности, превышающими заданный порог принятия решения, как аномальные.
  4. Примените SHAP (SHapley Additive exPlanations) для объяснения вклада каждого признака безопасности в прогнозирование аномалий. Рассчитайте значение SHAP для признака i с помощью уравнения 4.
    (4)
    где (F) обозначает полный набор признаков, (S) обозначает подмножество признаков, а (f(.)) обозначает функцию прогнозирования Isolation Forest.
  5. Рассчитайте глобальную важность признаков, вычислив среднее абсолютное значение SHAP с помощью уравнения 5.
    $Уравнение статического равновесия $I_i = \frac{1}{N} \sum_{j=1}^{N} |\Phi_{ij}|$, диаграмма.$ (5)
    где (N) обозначает общее количество событий миграции.
  6. Ранжируйте признаки безопасности в соответствии с их средними абсолютными значениями SHAP. Постройте сводные графики (summary plots), графики зависимости (dependence plots) и графики силы (force plots) SHAP для визуализации глобальной и локальной важности признаков.
6. Обучите модель Isolation Forest с использованием обучающего набора данных. Оцените производительность модели с помощью валидационного набора данных. При необходимости измените пороги загрязнения (contamination thresholds). Сохраните конфигурацию модели, показавшую наилучшие результаты. Проведите валидацию производительности модели. Определите такие метрики, как точность (accuracy), прецизионность (precision), полнота (recall), F1-мера (F1-score) и ROC-AUC. Запишите показатели производительности модели для последующего сравнения.
Примените обученную модель для выявления аномальных событий миграции и классификации подозрительной активности.
1. Выполните прогнозирование аномалий. Примените обученную модель Isolation Forest к тестовому набору данных. Рассчитайте показатели аномальности для всех событий миграции.
2. Выявите подозрительную активность. Определите, являются ли события миграции типичными или аномальными. Пометьте как подозрительные те события, которые превышают установленные уровни аномальности. Подготовьте документацию по аномалиям для проверки службой безопасности.
3. Завершение процесса обнаружения аномалий дает показатели аномальности, помечает события миграции как нормальные или аномальные, измеряет эффективность обнаружения с помощью ROC-анализа и выявляет ключевые аномалии безопасности. Образцы выходных данных, полученных в результате разработанного процесса, показаны на рисунке 4.
4. Категоризируйте обнаруженные аномалии. Классифицируйте аномалии на аномалии аутентификации, сетевые аномалии, аномалии сеансов и аномалии передачи данных. Сохраните метки аномалий для анализа объяснимости.
5. Оцените эффективность обнаружения. Проверьте зарегистрированные инциденты безопасности на текущую дату. Затем, используя их в качестве эталона, оцените обнаруженные аномалии и определите, какие из них были истинными. Определите частоту обнаружения аномалий и уровень ложноположительных результатов. Составьте официальный протокол точности обнаружения для возможности воспроизведения результатов.
Сгенерируйте объяснения на основе SHAP для интерпретации вклада отдельных признаков безопасности в прогнозы аномалий.
1. Настройте среду SHAP. Загрузите обученную модель Isolation Forest. Инициализируйте SHAP TreeExplainer. Проверьте успешную интеграцию модели обнаружения аномалий с фреймворком объяснимости.
2. Выберите фоновые образцы. Случайным образом выберите 1 000 репрезентативных образцов из обучающего набора данных. Используйте выбранные образцы в качестве фонового набора данных SHAP. Рассчитайте значения SHAP. Вычислите значения SHAP для всех обнаруженных аномалий. Измерьте индивидуальный вклад признаков в прогнозы аномалий. Сохраните выходные данные SHAP для дальнейшего анализа.
3. Сгенерируйте глобальные объяснения. Создайте сводные графики SHAP, отображающие общую важность признаков. Постройте столбчатые диаграммы SHAP на основе средних абсолютных значений SHAP. Создайте графики зависимости SHAP для наиболее влиятельных признаков.
4. Сгенерируйте локальные объяснения. Выберите репрезентативные аномальные события миграции. Создайте графики силы (force plots) и водопадные диаграммы (waterfall plots) SHAP. Визуализируйте вклады признаков, ответственные за каждую аномалию.
5. Репрезентативные результаты объяснимости, полученные в процессе интерпретации, показаны на рисунке 5. Эти визуализации демонстрируют глобальную важность признаков, ранжирование вклада признаков, зависимости между влиятельными признаками безопасности и локальные объяснения для отдельных аномалий миграции.
6. Ранжируйте признаки безопасности. Рассчитайте средние абсолютные значения SHAP для всех признаков. Ранжируйте признаки в соответствии с их вкладом в обнаружение аномалий. Определите наиболее влиятельные индикаторы безопасности, воздействующие на безопасность миграции. В таблице 5 приведены ранги важности признаков на основе SHAP.
7. Подтвердите согласованность объяснений. Повторите анализ SHAP в пяти независимых экспериментальных запусках. Измерьте стабильность и согласованность объяснений. Убедитесь, что ранги признаков остаются стабильными при повторных анализах.
  ПРИМЕЧАНИЕ: В таблице 6 приведены общие проблемы, возникающие при объяснимом обнаружении аномалий, и рекомендуемые корректирующие действия.

Характеристика	Описание	Цель
Частота доступа	Количество запросов доступа пользователей во время миграции	Обнаружение аномального поведения при доступе
Количество неудачных входов	Число неудачных попыток аутентификации	Выявление попыток перебора паролей или несанкционированного доступа
Изменения IP-адресов	Частота смены исходного IP-адреса	Обнаружение подозрительного сетевого поведения
Длительность сессии	Продолжительность пользовательских сессий во время миграции	Выявление аномальной активности сессий
Объем передачи данных	Количество данных, переданных во время миграции	Обнаружение необычного перемещения или эксфильтрации данных

Таблица 3: Признаки телеметрии безопасности, использованные для объяснимого обнаружения аномалий. В таблице представлены признаки безопасности, которые отслеживались во время миграции базы данных, их значения, способы их измерения, а также то, как они помогли в обнаружении аномалий и анализе объяснимости.

Параметр	Значение	Описание
Алгоритм	Isolation Forest	Модель обнаружения аномалий
n_estimators	100	Количество изолирующих деревьев
contamination	0.02	Ожидаемая доля аномалий
max_samples	Auto	Количество выборок на одно дерево
random_state	42	Зерно воспроизводимости
bootstrap	False	Выборка без возвращения
Обучающая выборка	70%	Данные для обучения модели
Валидационная выборка	15%	Валидация гиперпараметров
Тестовая выборка	15%	Финальная оценка модели

Таблица 4: Конфигурация Isolation Forest, используемого для обнаружения аномалий в процессе безопасной миграции базы данных. В этой таблице подробно описаны настройки гиперпараметров модели Isolation Forest для обучения, такие как способ разделения набора данных, уровень загрязнения (contamination), количество оценщиков (estimators), случайное число (random seed) и схема оценки.

Обнаружение аномалий методом Isolation Forest; распределение данных (A), классификация событий (B), ROC-кривая (C), примеры (D).
Рисунок 4: Репрезентативные результаты работы системы обнаружения аномалий в процессе безопасной миграции данных в облако. (A) Распределение показателей аномальности Isolation Forest с указанием порога аномалии. (B) Классификация событий миграции на нормальные и аномальные категории. (C) Рабочая характеристическая кривая (ROC-кривая), демонстрирующая эффективность модели Isolation Forest (AUC = 0.97 ± 0.01). (D) Репрезентативные аномальные события миграции с указанием показателей аномальности, прогнозируемых меток, влиятельных признаков безопасности и категорий аномалий. Данный рисунок был создан авторами с использованием Python 3.11 (Matplotlib 3.9) и оформлен в Microsoft PowerPoint (Microsoft 365). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Диаграмма SHAP-анализа с графиками сводки, столбчатыми диаграммами, графиками зависимости и графиками силы для оценки важности признаков.
Рисунок 5: Примеры результатов интерпретируемости на основе SHAP, полученных при анализе аномалий. (A) Сводный график SHAP, выделяющий наиболее важные признаки в целом. (B) Ранжирование признаков безопасности на основе их среднего абсолютного значения SHAP. (C) Графики зависимости SHAP, демонстрирующие, как количество неудачных попыток входа и объем передачи данных влияют на прогнозирование аномалии. (D) График силы SHAP, предоставляющий локальное объяснение для типичного случая аномальной миграции. Эти диаграммы демонстрируют глобальную и локальную интерпретируемость предложенной модели обнаружения аномалий. Данный рисунок был создан авторами с использованием Python 3.11 (Matplotlib 3.9) и оформлен в Microsoft PowerPoint (Microsoft 365). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Ранг	Признак	Среднее абсолютное значение SHAP	Интерпретация
1	Количество неудачных попыток входа	0.352	Наиболее влиятельный индикатор аномальной активности
2	Объем передачи данных	0.287	Значительный фактор при обнаружении аномалий
3	Изменения IP-адреса	0.221	Указывает на подозрительное сетевое поведение
4	Длительность сессии	0.184	Связана с аномальными пользовательскими сессиями
5	Частота доступа	0.156	Отражает необычные паттерны доступа

Таблица 5: Показатели важности признаков SHAP для данных телеметрии безопасности.В таблице представлен рейтинг признаков безопасности в соответствии с их средними абсолютными значениями SHAP, что позволяет определить их вклад в прогнозирование аномалий.

Выпуск	Возможная причина	Рекомендуемый раствор
Обнаружено несколько аномалий	Параметр загрязнения слишком низкий	Увеличьте порог загрязнения и переобучите модель.
Высокая частота ложноположительных результатов	Зашумленные или противоречивые журналы миграции	Очистите данные журналов и нормализуйте признаки безопасности перед обучением модели.
Нестабильные объяснения SHAP	Недостаточное количество фоновых проб	Увеличьте количество репрезентативных фоновых выборок, используемых в SHAP.
Низкая точность обнаружения аномалий	Дисбаланс признаков или неадекватная предварительная обработка	Примените процедуры нормализации признаков, балансировки и контроля качества.
Медленная сходимость модели	Большой набор данных или ограниченные вычислительные ресурсы	Оптимизируйте гиперпараметры или используйте GPU/параллельные вычисления.
Сбои в коммуникации	Нестабильность сети во время мониторинга	Проверьте защищенные каналы связи и повторите синхронизацию.
Отсутствие функций безопасности	Неполный сбор логов	Проверьте источники логов перед извлечением признаков и повторно создайте набор данных признаков.

Таблица 6: Руководство по устранению неполадок при безопасной миграции базы данных на основе объяснимого искусственного интеллекта. В этой таблице представлен обзор типичных проблем при внедрении, возможных причин, диагностических признаков, рекомендуемых действий и результатов, ожидаемых в итоге выполнения протокола и обеспечения воспроизводимости.

7. Оценка эффективности

ПРИМЕЧАНИЕ: В данном разделе описывается экспериментальная процедура, использованная для сравнения базовой структуры миграции с предлагаемой структурой миграции на основе объяснимого ИИ с нулевым доверием. Оценка производительности включает безопасность, возможности обнаружения аномалий, эффективность миграции и статистическую проверку при идентичных экспериментальных условиях.

Настройте как базовую, так и предлагаемую среды в идентичных условиях, чтобы обеспечить объективное сравнение производительности.
1. Настройте стандартную среду миграции. Настройте долгосрочные статические учетные данные со сроком действия более 24 часов. Включите конечные точки общедоступной сети для доступа к базе данных. Отключите механизмы объяснимости и обнаружения аномалий на основе ИИ. Осуществляйте мониторинг процессов миграции вручную, используя стандартные журналы безопасности. Регистрируйте события миграции для последующего сравнения производительности.
2. Настройте структуру миграции с моделью нулевого доверия (Zero-Trust). Включите временные учетные данные с минимальными привилегиями с автоматическим аннулированием после завершения миграции. Отключите все общедоступные сетевые конечные точки. Включите связь в частной сети с использованием защищенных каналов.
3. Разверните обученную модель обнаружения аномалий Isolation Forest. Активируйте SHAP TreeExplainer для интерпретации модели. Настройте автоматизированный мониторинг безопасности на протяжении всего процесса миграции. Перед выполнением проверьте защищенность связи между всеми компонентами миграции.
Проведите повторные эксперименты по миграции в контролируемых условиях для оценки воспроизводимости структуры.
1. Проведите эксперимент по миграции. Выполните десять независимых экспериментов по миграции как для базовой, так и для предлагаемой среды. На протяжении всех экспериментов поддерживайте идентичные конфигурации оборудования, программного обеспечения и сети.
2. Переносите 10 ГБ медицинских данных во время каждого экспериментального запуска. Повторяйте все эксперименты при идентичных условиях рабочей нагрузки. Регистрируйте события безопасности, журналы миграции, результаты обнаружения аномалий и время выполнения в ходе каждого эксперимента.
3. Подтвердите целостность миграции. Вычислите контрольные суммы SHA-256 до и после миграции. Проверяйте полную целостность данных после каждого эксперимента по миграции. Документируйте результаты проверки контрольных сумм.
Рассчитайте количественные показатели безопасности, миграции и обнаружения аномалий для проведения сравнительного анализа.
1. Оцените показатели безопасности. Измерьте длительность компрометации учетных данных. Вычислите количество скомпрометированных учетных данных в процессе миграции. Измерьте время обнаружения инцидента. Зафиксируйте длительность пребывания в открытой сети.
2. Оцените эффективность обнаружения аномалий. Рассчитайте точность (accuracy), прецизионность (precision), полноту (recall), F1-меру (F1-score) и площадь под ROC-кривой (AUC). Оцените эффективность миграции. Измерьте общую задержку миграции и рассчитайте пропускную способность миграции. Зафиксируйте накладные расходы на передачу данных, вызванные механизмами обеспечения безопасности.
3. Проведите статистическую валидацию. Рассчитайте среднее значение и стандартное отклонение для всех показателей эффективности. Вычислите 95%-е доверительные интервалы. Выполните парный t-критерий Стьюдента для сравнения базового и предлагаемого фреймворков. Статистическая значимость считается достигнутой при p < 0.05. Типичные результаты оценки эффективности, полученные в ходе экспериментального сравнения, представлены на Рисунок 6.
4. Таблица 7 приведен количественный сравнительный анализ производительности базового варианта и предлагаемой структуры миграции.
  Таблица 8 В данном материале обобщены распространенные проблемы реализации, возникающие при безопасной миграции баз данных, их возможные причины и рекомендуемые корректирующие действия.

Графики сокращения раскрытия учетных данных, обнаружения аномалий, задержки миграции и статистического сравнения.
Рисунок 6: Сравнение производительности базового фреймворка миграции и предлагаемого защищенного фреймворка облачной миграции с поддержкой архитектуры нулевого доверия и объяснимого ИИ. (A) Сравнение длительности раскрытия учетных данных при использовании долгосрочных и временных учетных данных с минимальными привилегиями. (B) Сравнение метрик эффективности обнаружения аномалий, включая точность (accuracy), прецизионность (precision), полноту (recall), F1-меру и AUC. (C) Сравнение задержки миграции в десяти независимых экспериментальных запусках, демонстрирующее, что увеличение задержки оставалось ниже предопределенного порога допустимости. (D) Статистическое сравнение ключевых показателей производительности с использованием парных t-критериев Стьюдента, показывающее средние значения разностей и 95% доверительные интервалы. Планки погрешностей представляют 95% доверительные интервалы по результатам десяти независимых экспериментальных запусков. Данный рисунок был создан авторами с использованием Python 3.11 (Matplotlib 3.9) и оформлен в Microsoft PowerPoint (Microsoft 365). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Показатель эффективности	Базовые показатели (среднее ± SD)	Предлагаемая структура (Среднее значение ± СО)	Улучшение	95% доверительный интервал	pp-значение
Продолжительность воздействия учетных данных (ч)	24.70 ± 1.32	0.42 ± 0.18	снижение на 98,3%	23.6–24.9	<0.001
Точность обнаружения аномалий (%)	72.4 ± 2.1	94.6 ± 1.3	+22.2%	20.8–23.5	<0.001
Точность (%)	68.1 ± 2.5	92.7 ± 1.5	+24.6%	23.1–26.0	<0.001
Полнота (%)	70.3 ± 2.4	93.1 ± 1.6	+22.8%	21.4–24.2	<0.001
F1-мера (%)	69.2 ± 2.2	92.9 ± 1.4	+23.7%	22.3–25.0	<0.001
AUC (площадь под кривой)	0.78 ± 0.03	0.97 ± 0.01	+0.19	0.17–0.21	<0.001
Латентный период миграции (мин)	87.6 ± 3.2	97.4 ± 2.9	накладные расходы 11,2%	8.9–10.7	0.002
Целостность данных (%)	99.8	100.0	улучшение на 0,2%	0.1–0.3	0.031
Доступность в общественной сети	Активировано	Удалено	полностью удалено	Поскольку исходный текст не был предоставлен, я не могу выполнить перевод. Пожалуйста, отправьте текст, который необходимо перевести.	<0.001

Таблица 7: Базовые и предлагаемые структуры безопасной миграции баз данных: сравнение производительности. В таблице представлены длительность раскрытия учетных данных, эффективность обнаружения аномалий, задержка миграции, целостность данных и улучшения безопасности, количественно оцененные в ходе валидации протокола.

Номер	Возможная причина	Рекомендуемый раствор
Ошибка аутентификации при миграции	Срок действия временных учетных данных истек или они недействительны	Обновите временные учетные данные и проверьте политики IAM перед перезапуском миграции.
Высокая задержка миграции	Перегрузка сети или недостаточная пропускная способность	Оптимизируйте сетевую маршрутизацию, запланируйте миграцию на периоды с низкой нагрузкой и проверьте связность конечных точек.
Ложноположительные оповещения об аномалиях	Неправильный порог загрязнения в методе Isolation Forest	Оптимизируйте параметр загрязнения (contamination), используя валидационный набор данных, и проведите повторное обучение модели.
Нестабильные объяснения SHAP	Недостаточное количество или нерепрезентативность фоновых проб	Увеличьте размер фоновой выборки SHAP и обеспечьте репрезентативность выборки.
Несоответствие целостности данных	Прерванная миграция или повреждение данных при передаче	Повторно запустите миграцию после проверки контрольных сумм SHA-256 и подтверждения согласованности исходных и целевых данных.
Ошибка защищенного соединения с конечной точкой	Ошибки конфигурации брандмауэра или TLS	Проверьте сертификаты SSL/TLS, правила брандмауэра и конфигурацию частных конечных точек.
Низкая точность детектирования аномалий	Неполное извлечение признаков или неудовлетворительная предварительная обработка	Проверьте проектирование признаков, нормализуйте признаки безопасности и проведите повторное обучение модели.
Проблемы сходимости модели	Неподходящие гиперпараметры	Отрегулируйте параметры обучения и подтвердите эффективность модели перед развертыванием.

Таблица 8: Руководство по устранению неполадок при безопасной миграции базы данных здравоохранения. В таблице перечислены частые ошибки миграции, их возможные причины, рекомендуемые корректирующие меры и ожидаемые результаты для обеспечения надежного выполнения протокола безопасной миграции.

Результаты

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

Обзор эксперимента

Предложенный протокол безопасной миграции облачных данных с поддержкой объяснимого искусственного интеллекта (XAI) был оценен с использованием синтетического набора данных здравоохранения, состоящего примерно из 20 миллионов записей электронных медицинских карт (EHR), распределенных по 28 таблицам реляционной базы данных общим объемом 10 GB. Эксперименты проводились в облачной среде Amazon Web Services (AWS) с использованием Amazon RDS PostgreSQL 16, частной сети Virtual Private Cloud (VPC), зашифрованной связи TLS 1.3 и централизованных служб мониторинга. Для обеспечения воспроизводимости и минимизации экспериментальной ошибки было проведено десять независимых экспериментов по миграции при идентичных условиях аппаратного и программного обеспечения, сетевых параметров и нагрузки. Все представленные значения производительности являются средними показателями десяти экспериментальных запусков. Статистическая значимость оценивалась с помощью парного t-критерия Стьюдента после проверки нормальности распределения с помощью критерия Шапиро-Уилка (p < 0.05).

Результаты подготовки и валидации набора данных

Синтетический набор данных здравоохранения был успешно сгенерирован в соответствии со спецификациями протокола. Валидация данных подтвердила успешное создание примерно 20 000 000 записей о пациентах, распределенных по 28 реляционным таблицам, включая демографические данные пациентов, клинические приемы, диагнозы, лабораторные отчеты, лекарственные препараты, метаданные визуализации, платежную информацию и записи врачей. Перед миграцией были успешно проверены уникальность первичных ключей, связи внешних ключей и ограничения ссылочной целостности. Примерно 5% значений данных были намеренно оставлены пустыми для имитации реальных баз данных электронных медицинских карт и впоследствии обработаны в ходе очистки данных. Оценка качества набора данных продемонстрировала успешную валидацию схемы, приемлемые диапазоны значений и полную ссылочную целостность. Кумулятивная ошибка валидации набора данных оставалась ниже 0,1%, что указывает на пригодность сгенерированного набора данных для экспериментов по безопасной миграции, как показано в Таблице 1.

Результаты развертывания архитектуры системы

Архитектура безопасной миграции была успешно развернута и проверена перед запуском рабочего процесса миграции. Все облачные ресурсы функционируют в изолированном виртуальном частном облаке AWS (AWS Virtual Private Cloud) с использованием частных подсетей, групп безопасности и политик доступа на основе идентификации. Передача данных между базами данных была защищена шифрованием TLS 1.3, а учетные данные для миграции генерировались динамически в соответствии с политикой временного минимального уровня привилегий. Логи аутентификации, логи миграции, события баз данных, сетевые события и логи аудита безопасности непрерывно собирались с помощью Amazon CloudWatch. На протяжении всех экспериментальных запусков связь осуществлялась исключительно через частные сетевые конечные точки; общедоступных сервисов баз данных обнаружено не было. Непрерывный мониторинг продемонстрировал стабильное взаимодействие всех компонентов миграции без непредвиденных перебоев в обслуживании или сбоев аутентификации, как показано на Рисунке 2.

Результаты рабочего процесса безопасной миграции

Моделирование угроз

Предварительно определенная модель угроз позволила успешно выявить такие сценарии, как кража учетных данных, внутренние атаки, атаки повторного воспроизведения, атаки типа «человек посередине», манипуляции со схемой и повышение привилегий. Внедренные меры контроля безопасности эффективно нивелировали все выявленные угрозы до начала миграции, что обобщено в таблице 2.

Перенос схемы базы данных

Миграция схемы базы данных была успешно завершена во всех экспериментальных запусках. Все реляционные таблицы, индексы, хранимые процедуры, ограничения, метаданные, первичные и внешние ключи были перенесены без структурных несоответствий или дрейфа схемы.

Безопасная миграция данных

Процесс миграции был успешно завершен во всех десяти экспериментальных циклах без сбоев в рабочем процессе или ошибок транзакций. В течение всего процесса миграции обеспечивалась безопасная передача данных с использованием зашифрованных каналов связи через частные сетевые конечные точки.

Валидация миграции

Валидация после миграции подтвердила полную согласованность между исходной и целевой базами данных. Проверка контрольных сумм SHA-256 показала 100% совпадение по всем мигрировавшим таблицам, что доказывает отсутствие повреждения данных при передаче. Валидация количества записей подтвердила успешную миграцию всех 20 миллионов записей без потерь, дублирования или усечения. Проверка первичных ключей, внешних ключей, индексов, определений схем и ограничений базы данных подтвердила полное сохранение целостности базы данных. В течение периода оценки не было зафиксировано дрейфа схем, событий отката, сбоев транзакций или несоответствий миграции. Количественные результаты проверки целостности приведены в Таблице 9.

Метрика валидации	Наблюдаемый результат	Критерий приемки	Статус
Общее количество перенесенных медицинских записей	20,000,000	20,000,000	Пройдено
Количество перенесенных таблиц реляционной базы данных	28	28	Пройдено
Объем перенесенного набора данных	10 GB	10 GB	Пройдено
Проверка контрольной суммы SHA-256	Совпадение 100%	Совпадение 100%	Пройдено
Согласованность количества записей	100%	100%	Пройдено
Валидация схемы	Все таблицы прошли валидацию	Отсутствие ошибок схемы	Пройдено
Целостность первичных ключей	Подтверждена	Отсутствие нарушений	Пройдено
Целостность внешних ключей	Подтверждена	Отсутствие нарушений	Пройдено
Уровень повреждения данных	0%	0%	Пройдено
Дрейф схемы	Не наблюдался	Отсутствует	Пройдено
События отката	0	0	Пройдено
Коэффициент завершения миграции	100%	100%	Пройдено

Таблица 9: Результаты валидации целостности данных после безопасной миграции базы данных. В ней представлены основные количественные показатели проверки целостности. К ним относятся проверка соответствия контрольных сумм SHA-256, согласованность количества записей, валидация схемы, сохранение ограничений ключей, факт завершения миграции, события отката и общий успех миграции в десяти отдельных экспериментах по миграции.

В таблице 9 обобщены результаты количественной проверки целостности данных, полученные после безопасной миграции данных в облако. Результаты показали, что все критерии приемки миграции были соблюдены в десяти независимых экспериментальных сериях.

Закаливание после миграции

Временное управление учетными данными по принципу наименьших привилегий существенно повысило безопасность учетных данных по сравнению с традиционной структурой миграции. Средний срок действия учетных данных сократился с 24.7 ± 1.3 h в базовой среде до 0.42 ± 0.18 h в предлагаемой структуре, что представляет собой сокращение продолжительности воздействия учетных данных на 98.3%. Временные учетные данные отзывались сразу после завершения миграции, и в ходе любого экспериментального запуска не было обнаружено никаких попыток несанкционированной аутентификации с использованием просроченных учетных данных. Удаление долгоживущих учетных данных сократило потенциальную поверхность атаки при сохранении бесперебойной производительности миграции, как показано на Рисунке 3.

Результаты мониторинга с использованием объяснимого ИИ

Извлечение признаков безопасности

Данные телеметрии безопасности были успешно собраны с серверов баз данных, сервисов аутентификации, серверов приложений и систем мониторинга сети. В процессе извлечения признаков были получены нормализованные показатели частоты доступа, количества неудачных попыток входа, изменений IP-адресов, продолжительности сессий и объема передачи данных для обнаружения аномалий, как описано в Таблице 3.

Эффективность модели обнаружения аномалий

Модель Isolation Forest продемонстрировала высокую эффективность обнаружения аномалий в 10 независимых экспериментах. Средние значения точности (accuracy), прецизионности (precision), полноты (recall), F1-меры (F1-score) и площади под ROC-кривой (AUC) составили 94.6 ± 1.3%, 92.7 ± 1.5%, 93.1 ± 1.6%, 92.9 ± 1.4% и 0.97 ± 0.01 соответственно. Конфигурация модели соответствовала параметрам, приведенным в Таблице 4.

Обнаружение аномалий безопасности

Предложенная система мониторинга позволила сократить среднее время обнаружения инцидентов с более чем 24 h в базовой среде до приблизительно 15 min. Доля ложноположительных срабатываний оставалась ниже 3%, и за весь период оценки не было выявлено ни одного незамеченного критического сбоя миграции. Репрезентативные результаты обнаружения аномалий представлены на Рисунке 4.

Анализ объяснимости

С помощью SHAP TreeExplainer были получены интерпретируемые результаты атрибуции признаков для всех обнаруженных аномалий. Для расчета значений SHAP использовался фоновый набор данных, содержащий 1 000 репрезентативных обучающих выборок. Глобальный анализ объяснимости последовательно определил количество неудачных попыток входа, объем передачи данных, изменения IP-адресов, длительность сессии и частоту доступа в качестве наиболее значимых признаков, влияющих на прогнозы аномалий. Повторяющийся анализ объяснимости в десяти экспериментальных запусках дал почти идентичные рейтинги признаков, что свидетельствует о стабильной интерпретации модели. Локальные объяснения SHAP дополнительно выявили основные факторы, способствующие отдельным прогнозам аномалий, тем самым повышая прозрачность процесса мониторинга безопасности. Репрезентативные результаты анализа объяснимости представлены на рисунке 5, а соответствующие рейтинги важности признаков обобщены в таблице 5.

Результаты оценки эффективности

Сравнение с базовой структурой миграции продемонстрировало значительные улучшения по нескольким показателям безопасности. Продолжительность раскрытия учетных данных сократилась на 98.3%, точность обнаружения аномалий повысилась с 72.4 ± 2.1% до 94.6 ± 1.3%, а количество общедоступных конечных точек миграции сократилось с шести до нуля. Среднее время обнаружения инцидентов заметно сократилось, при этом в ходе оценки поддерживалась полная целостность миграции. Хотя дополнительные меры контроля безопасности увеличили задержку миграции на 11.2 ± 2.9%, наблюдаемый рост остался ниже заранее определенного порога допустимости в 15%, что указывает на достижение улучшений в области безопасности при минимальном влиянии на эффективность миграции. Репрезентативные результаты оценки производительности представлены на Рисунке 6, а количественное сравнение базовой и предлагаемой структур обобщено в Таблице 7.

Статистическая валидация и воспроизводимость

Статистический анализ продемонстрировал значительные улучшения продолжительности раскрытия учетных данных, точности обнаружения аномалий, времени обнаружения инцидентов и задержки миграции между базовой и предлагаемой структурами (парный t-критерий Стьюдента, p < 0.05). Рассчитанные 95% доверительные интервалы показали низкую вариабельность в 10 независимых экспериментальных прогонах, что подтверждает воспроизводимость и стабильность предлагаемого протокола. Подробные результаты каждого эксперимента приведены в Таблице 10.

Экспериментальный запуск	Длительность раскрытия учетных данных (h)	Точность обнаружения аномалий (%)	Задержка миграции (min)	Валидация SHA-256	Статус миграции
Запуск 1	0.45	94.3	96.8	Пройдено	Успешно
Запуск 2	0.41	95	98.2	Пройдено	Успешно
Запуск 3	0.39	94.7	95.9	Пройдено	Успешно
Запуск 4	0.44	94.5	97.6	Пройдено	Успешно
Запуск 5	0.43	94.8	96.9	Пройдено	Успешно
Запуск 6	0.4	94.2	98.5	Пройдено	Успешно
Запуск 7	0.42	95.1	97.2	Пройдено	Успешно
Запуск 8	0.38	94.6	96.7	Пройдено	Успешно
Запуск 9	0.43	94.9	97.8	Пройдено	Успешно
Запуск 10	0.41	94.5	97	Пройдено	Успешно
Среднее ± SD	0.42 ± 0.02	94.66 ± 0.29	97.26 ± 0.80	100% пройдено	10/10 успешно

Таблица 10: Экспериментальная воспроизводимость в десяти отдельных сеансах миграции. В таблице представлен сводный отчет о временном интервале, в течение которого учетные данные были скомпрометированы, точности обнаружения аномалий, задержке миграции, статусе валидации SHA-256 и успехе миграции для каждого экспериментального запуска, что демонстрирует стабильность и воспроизводимость предлагаемой структуры безопасной облачной миграции при одинаковых экспериментальных условиях.

В таблице 10 представлены подробные результаты всех десяти независимых экспериментальных прогонов, демонстрирующие согласованность, стабильность и воспроизводимость предлагаемого протокола безопасной миграции в облако при идентичных условиях эксперимента.

Экспериментальная оценка показала, что интеграция архитектуры безопасности с нулевым доверием, временного управления доступом по принципу наименьших привилегий, непрерывного мониторинга аномалий и интерпретируемости на основе SHAP повысила безопасность миграции при сохранении полной целостности базы данных и приемлемой производительности процесса миграции. Поскольку эксперименты проводились с использованием синтетического набора данных здравоохранения в контролируемой облачной среде, данные результаты следует интерпретировать в рамках оцениваемой экспериментальной конфигурации. Для обобщения протокола с целью его рутинного внедрения в производственные системы здравоохранения потребуется дополнительная валидация с использованием действующих инфраструктур здравоохранения, реальных клинических наборов данных и многоинституциональных облачных сред.

Обсуждение

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

В данном исследовании был разработан воспроизводимый и безопасный протокол миграции облачных баз данных, который включает в себя принципы безопасности с нулевым доверием (zero-trust), временной контроль доступа с минимальными привилегиями, объяснимый искусственный интеллект (XAI) и непрерывный мониторинг безопасности в условиях ограниченной экспериментальной установки. Целью данной работы не была разработка нового алгоритма миграции; таким образом, авторы прежде всего представляют стандартизированный рабочий процесс, который позволяет исследователям и практикам выполнять, оценивать и воспроизводить безопасную миграцию баз данных в сфере здравоохранения с помощью четко сформулированных процедурных шагов. Успех реализации протокола зависит от тщательного выполнения нескольких критически важных этапов. Высокоточное моделирование угроз, проводимое до начала миграции, оказывает значительную помощь в определении мигрирующих активов, возможных векторов атак и набора эффективных мер контроля безопасности. Одним из этапов, которые необходимо выполнить до передачи данных, является валидация схемы базы данных во избежание структурных несоответствий и дрейфа схемы. Что касается процесса миграции, необходимо создавать временные учетные данные в соответствии с принципом временных минимальных привилегий, обеспечить использование криптографического протокола TLS 1.3 для защиты связи, а также осуществлять непрерывный сбор логов миграции для последующего мониторинга безопасности и аудита. Очистка среды миграции и ее последующий вывод из эксплуатации допустимы только после выполнения таких задач, как проверка контрольных сумм SHA-256, валидация количества записей и проверка согласованности схем, подтверждающих сохранение целостности базы данных.

Компонент объяснимого мониторинга аномалий также требует тщательной настройки для достижения воспроизводимых результатов. К важным факторам, влияющим на эффективность обнаружения аномалий и качество объяснений, относятся выбор соответствующих признаков телеметрии безопасности, последовательная предобработка логов мониторинга, подходящие гиперпараметры Isolation Forest и репрезентативный фоновый набор данных SHAP. Изменения в этих настройках конфигурации могут привести к изменению показателей аномалий, значений атрибуции признаков и общей интерпретируемости модели. Следовательно, для воспроизведения протокола исследователям рекомендуется использовать идентичные версии программного обеспечения, параметры модели и настройки оценки.

Процедуры поиска и устранения неисправностей протокола предназначены для того, чтобы помочь пользователям решить распространенные проблемы реализации, такие как несовместимость схем, сетевые сбои, ошибки аутентификации, избыточное количество ложноположительных результатов и задержки при миграции. Систематическая проверка после каждого этапа протокола позволит локализовать эти проблемы и исправить их перед выполнением следующих шагов миграции. Это один из способов повышения надежности и воспроизводимости экспериментального рабочего процесса.

Хотя экспериментальная оценка показала, что протестированная установка может улучшить защиту учетных данных, обнаружение аномалий, объяснимость и целостность миграции, полученные результаты следует рассматривать как применимые только в рамках данного исследования. Протокол был протестирован только на синтетическом наборе данных здравоохранения в условиях облачной лаборатории, а не в реальной информационной системе здравоохранения. Представленные здесь результаты не должны рассматриваться как доказательство соответствия нормативным требованиям или возможности клинического применения. Напротив, они указывают на то, что данный метод может быть реализован в контролируемой лабораторной среде и предоставляет основу, которая может быть использована другими исследователями для дальнейших валидационных исследований.

В нескольких недавних исследованиях изучались вопросы безопасной миграции облачных сервисов здравоохранения, архитектуры безопасности с нулевым доверием и объяснимого искусственного интеллекта; однако большинство из них было сосредоточено на отдельных механизмах безопасности, а не на интегрированном и воспроизводимом рабочем процессе миграции. Архитектура нулевого доверия NIST предоставляет исчерпывающее руководство по непрерывной проверке личности и контролю доступа на основе принципа наименьших привилегий, но не определяет стандартизированный протокол безопасной миграции баз данных или объяснимого мониторинга безопасности в процессе миграции¹. Аналогичным образом, существующие платформы миграции облачных сервисов здравоохранения в первую очередь делают акцент на внедрении облачных технологий, шифровании, управлении и соблюдении нормативных требований, но предоставляют ограниченные процедурные рекомендации по безопасному выполнению, валидации и воспроизводимости миграции^7,8,⁹. Подходы к облачной безопасности на основе ИИ продемонстрировали улучшенные возможности обнаружения аномалий с помощью систем обнаружения вторжений и мониторинга безопасности на базе машинного обучения; однако эти методы, как правило, ориентированы на эффективность обнаружения без включения интерпретируемых объяснений для поддержки аудита безопасности и принятия административных решений⁶^,¹³. Методы объяснимого искусственного интеллекта, такие как SHapley Additive exPlanations (SHAP) и Local Interpretable Model-agnostic Explanations (LIME), значительно повысили прозрачность прогнозов машинного обучения^17,18,19,²⁰, но их применение в основном ограничивалось интерпретацией моделей, а не интеграцией в сквозные рабочие процессы безопасной облачной миграции. Напротив, предлагаемый протокол объединяет архитектуру нулевого доверия, временное управление учетными данными по принципу наименьших привилегий, зашифрованную миграцию баз данных, проверку целостности на основе контрольных сумм SHA-256, непрерывный централизованный мониторинг, обнаружение аномалий на базе Isolation Forest и объяснимость на базе SHAP в рамках единого стандартизированного и воспроизводимого рабочего процесса. Эта интегрированная платформа повышает прозрачность, проверяемость и воспроизводимость, сохраняя при этом полную целостность миграции и приемлемую задержку миграции в оцениваемых экспериментальных условиях.

Тем не менее, при интерпретации результатов данного протокола необходимо учитывать множество ограничений. Во-первых, оценка проводилась с использованием синтетического набора данных, который может не в полной мере отражать всю сложность, вариативность и проблемы безопасности реальных клинических баз данных. Во-вторых, протокол был протестирован только в одной контролируемой облачной среде; производительность может варьироваться у других облачных провайдеров, платформ баз данных или сетевых инфраструктур. В-третьих, хотя авторы использовали традиционный рабочий процесс миграции в качестве контроля, для будущих исследований было бы полезно сравнить их результаты с другими методами безопасной миграции и архитектурами облачной безопасности. В-четвертых, статистическая валидация была проведена всего на десяти независимых экспериментах по миграции; более масштабные исследования могли бы дать более точное представление о надежности протокола. В-пятых, авторы эксплицитно не рассматривали сценарии адверсарных атак, такие как кража учетных данных, внутренние угрозы, программы-вымогатели или сложные устойчивые угрозы (APT), которые должны стать объектом будущих исследований. Наконец, эффективность предлагаемой структуры будет напрямую зависеть от конфигурации политик управления идентификацией, параметров обнаружения аномалий, инфраструктуры логирования и настроек интерпретируемости; при некорректной конфигурации безопасность миграции и эффективность мониторинга будут снижены.

В целом, данный протокол представляет собой основу и метод, который может быть повторен для изучения безопасной миграции облачных баз данных с помощью объяснимого искусственного интеллекта в контролируемых исследовательских средах. Валидация и верификация протокола могут быть выполнены в рамках будущих работ путем запуска действующих информационных систем здравоохранения с использованием различных облачных платформ, различных технологий баз данных и подлинных клинических наборов данных для оценки масштабируемости, обобщаемости и практической применимости протокола.

В данной работе описывается воспроизводимый метод безопасной миграции облачных баз данных, объединяющий принципы безопасности с нулевым доверием, временный контроль доступа с минимальными привилегиями, объяснимый искусственный интеллект (XAI) и непрерывный мониторинг безопасности в контролируемой облачной среде. В методе подробно описаны этапы подготовки набора данных, моделирования угроз, безопасной миграции, проверки целостности, обнаружения аномалий, анализа объяснимости и оценки производительности. Эксперименты с синтетическим набором данных из сферы здравоохранения показали, что данный протокол позволяет повысить безопасность учетных данных, сохранить целостность миграции, точно обнаруживать аномалии и осуществлять интерпретируемый мониторинг безопасности, сохраняя при этом задержку миграции на приемлемом уровне. Стандартизированная процедура направлена на то, чтобы сделать внедрение и оценку стратегий безопасной облачной миграции более воспроизводимыми в академической среде.

Результаты следует рассматривать в рамках строго контролируемых экспериментальных условий, которые использовались в данном исследовании. Поскольку протокол был протестирован на синтетическом наборе данных здравоохранения, а не на реальной информационной системе здравоохранения, полученные результаты не следует рассматривать как показатели возможности клинического внедрения, соответствия нормативным требованиям или реализации в крупномасштабном производстве. Последующие исследовательские усилия должны быть сосредоточены на использовании реальных условий здравоохранения, различных облачных платформ, различных технологий баз данных и более крупных клинических наборов данных для дальнейшей проверки универсальности, надежности и практической полезности данного протокола.

Раскрытие информации

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

Авторы заявляют об отсутствии конкурирующих финансовых интересов, коммерческих или личных отношений, которые могли бы повлиять на работу, описанную в данном исследовании. Авторы не имеют конфликтов интересов, подлежащих раскрытию. Все материалы, необходимые для воспроизведения методологии, представленной в данном исследовании, общедоступны в репозитории GitHub. Репозиторий доступен по адресу: https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration. Репозиторий содержит только синтетически сгенерированные эталонные данные и не включает никакой реальной информации о пациентах, защищенной медицинской информации или идентифицируемых медицинских записей.

Благодарности

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

Авторы выражают благодарность за институциональную поддержку, оказанную их соответствующими аффилированными учреждениями в ходе разработки и оценки данного протокола. Авторы также признают использование институциональных вычислительных мощностей и ресурсов облачных вычислений, которые обеспечили экспериментальную проверку предлагаемой структуры безопасной миграции облачных данных.
Данное исследование не получило внешнего финансирования. Работа была проведена с использованием институциональных исследовательских мощностей и вычислительных ресурсов, предоставленных учреждениями, в которых работают авторы. Грантовое финансирование или финансовая поддержка от каких-либо государственных, коммерческих или некоммерческих фондов не получались.

Материалы

Список материалов, использованных в этой статье
Имя	Компания	Каталожный номер	Комментарии
Шифрование AES	NIST	AES-256	Шифрование неактивных данных
Amazon RDS PostgreSQL	Amazon Web Services	PostgreSQL 16	Целевая база данных
Облачная платформа	Amazon Web Services	AWS	Облачная инфраструктура
CloudWatch	Amazon Web Services	Последний стабильный выпуск	Мониторинг и логирование
Docker	Docker Inc.	27.0	Контейнеризация
Faker	Разработчики Faker	30.0	Генерация синтетических данных
GPU	NVIDIA	RTX 4090	24 GB VRAM
Matplotlib	Разработчики Matplotlib	3.9	Визуализация
NumPy	Разработчики NumPy	1.26	Численная обработка
Операционная система	Canonical	Ubuntu 22.04 LTS	Системная среда
Pandas	PyData	2.2	Обработка данных
PostgreSQL	PostgreSQL Global Development Group	16	Исходная база данных
Python	Python Software Foundation	3.11	Язык программирования
Scikit-learn	Разработчики Scikit-learn	1.5	Машинное обучение
SHAP	Разработчики SHAP	0.46	Объяснимый ИИ
Terraform	HashiCorp	1.8	Развертывание инфраструктуры
TLS	IETF	TLS 1.3	Шифрование данных при передаче
Виртуальное частное облако	Amazon Web Services	VPC	Частная сетевая среда
Рабочая станция	Dell/HP	Н/П	Intel Xeon Gold 6226R, 64 GB RAM, 1 TB SSD

Ссылки

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

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.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

В этой статье

Краткое содержание

Аннотация

Введение

Протокол

Результаты

Обсуждение

Раскрытие информации

Благодарности

Материалы

Ссылки

Перепечатки и разрешения

Теги

Похожие статьи