DOI: https://doi.org/10.32515/2664-262X.2025.12(43).2.9-19
Eволюційна адаптація політик DLP за умов дрейфу концепції у потокових даних
Про авторів
Віжевський Петро Володимирович , асистент кафедри комп'ютерної інженерії та інформаційних систем, Хмельницький національний університет, м. Хмельницький, Україна, ORCID: https://orcid.org/0009-0009-4851-0839, e-mail: vizhevskyipv@khmnu.edu.ua
Савенко Олег Станіславович , професор, доктор технічних наук, професор кафедри комп'ютерної інженерії та інформаційних систем, Хмельницький національний університет, м. Хмельницький, Україна, ORCID: https://orcid.org/0000-0002-4104-745X, e-mail: savenko_oleg_st@ukr.net
Анотація
У сучасних DLP-системах, що обробляють потокові дані у хмарних і гібридних середовищах, фіксовані політики швидко деградують через дрейф концепції. Оператори змушені одночасно утримувати ризик-зважену вартість пропусків на прийнятному рівні, обмежувати навантаження від хибних спрацювань, виконувати SLO за затримкою та забезпечувати стабільність тривог за жорстких бюджетів пам’яті й обчислень. Це створює суперечливі вимоги, які традиційні детектори або ручне тюнінгування політик вирішують неповною мірою. Робота пропонує онлайновий еволюційний метод адаптації політик, який формулює синхронне налаштування як багатокритеріальну оптимізацію за обмежених ресурсів. Застосовано хромосомне кодування політик, кероване дрейфом перемикання «дослідження/експлуатація», архів перевірених рішень для «теплих» стартів, компактну активну суміш та захищені відкочування для операційної безпеки. Експериментальна оцінка на восьми потоках (синтетичних і реальних) демонструє, що інтегральна вартість утримується в межах 0–3,5% від найкращого базового методу (середній абсолютний розрив ≈1,6%), дотримано p95 < 100 мс часу обробки, а мінливість частоти тривог знижено на 50–63%, при тому частота хибних спрацювань лишається співставною або нижчою. Виявлено дві чутливості: поріг «брами дрейфу», що керує балансом дослідження/експлуатації, і короткі обчислювальні сплески одразу після виявленої зміни. Їх пом’якшують архівні «теплі» старти, компактна суміш і бюджети на інтенсивність мутацій без втрати чутливості.
Ключові слова
генетичні алгоритми, запобігання витоку даних, виявлення аномалій, дрейф концепції, хмарна безпека
Повний текст:
PDF
Посилання
1. Hinder, F., Vaquet, V., & Hammer, B. (2024). One or two things we know about concept drift – A survey on monitoring in evolving environments. Part A: Detecting concept drift. Frontiers in Artificial Intelligence, 7, Article 1330257. https://doi.org/10.3389/frai.2024.1330257.
2. Li, W., Yang, X., Liu, W., Xia, Y., & Bian, J. (2022). DDG-DA: Data distribution generation for predictable concept drift adaptation. Proceedings of the AAAI Conference on Artificial Intelligence, 36(4), 4092–4100. https://doi.org/10.1609/aaai.v36i4.20327.
3. Baier, L., Schlör, T., Schöffer, J., & Kühl, N. (2021). Detecting concept drift with neural network model uncertainty. arXiv preprint arXiv:2107.01873. https://doi.org/10.48550/arXiv.2107.01873.
4. Alneyadi, S., Sithirasenan, E., & Muthukkumarasamy, V. (2016). A survey on data leakage prevention systems. Journal of Network and Computer Applications, 62, 137–152. https://doi.org/10.1016/j.jnca.2016.01.008.
5. de Barros, R. S. M., & Santos, S. G. T. C. (2018). A large-scale comparison of concept drift detectors. Information Sciences, 451–452, 348–370. https://doi.org/10.1016/j.ins.2018.04.014.
6. Losing, V., Hammer, B., & Wersing, H. (n.d.). Drift datasets. GitHub repository. Retrieved November 5, 2025, from https://github.com/vlosing/driftDatasets.
7. Gomes, H. M., Bifet, A., Read, J., Barddal, J. P., Enembreck, F., Pfahringer, B., Holmes, G., & Abdessalem, T. (2017). Adaptive random forests for evolving data stream classification. Machine Learning, 106, 1469–1495. https://doi.org/10.1007/s10994-017-5642-8.
8. Cano, A., & Krawczyk, B. (2020). Kappa updated ensemble for drifting data stream mining. Machine Learning, 109, 175–218. https://doi.org/10.1007/s10994-019-05840-z.
9. Cano, A., & Krawczyk, B. (2022). ROSE: Robust online self-adjusting ensemble for continual learning on imbalanced drifting data streams. Machine Learning, 111, 2561–2599. https://doi.org/10.1007/s10994-022-06168-x.
10. Mahdi, O. A., Pardede, E., Ali, N., & Cao, J. (2020). Fast reaction to sudden concept drift in the absence of class labels. Applied Sciences, 10(2), 606. https://doi.org/10.3390/app10020606.
11. Adams, J. N., van Zelst, S. J., Rose, T., & van der Aalst, W. M. P. (2023). Explainable concept drift in process mining. Information Systems, 114, Article 102177. https://doi.org/10.1016/j.is.2023.102177.
12. Ghomeshi, H., Gaber, M. M., & Kovalchuk, Y. (2019). EACD: Evolutionary adaptation to concept drifts in data streams. Data Mining and Knowledge Discovery, 33, 760–793. https://doi.org/10.1007/s10618-019-00614-6.
13. Yu, E., Lu, J., Zhang, B., & Zhang, G. (2024). Online boosting adaptive learning under concept drift for multistream classification. Proceedings of the AAAI Conference on Artificial Intelligence, 38(15), 16522–16530. https://doi.org/10.1609/aaai.v38i15.29590.
14. Hu, L., Lu, Y., & Feng, Y. (2025). Concept drift detection based on deep neural networks and autoencoders. Applied Sciences, 15(6), Article 3056. https://doi.org/10.3390/app15063056.
Пристатейна бібліографія ДСТУ
1. Hinder F., Vaquet V., Hammer B. One or two things we know about concept drift – A survey on monitoring in evolving environments. Part A: Detecting concept drift. Frontiers in Artificial Intelligence. 2024. Vol. 7. Art. 1330257. DOI: https://doi.org/10.3389/frai.2024.1330257.
2. Li W., Yang X., Liu W., Xia Y., Bian J. DDG-DA: Data Distribution Generation for Predictable Concept Drift Adaptation. Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36, № 4. С. 4092–4100. DOI: https://doi.org/10.1609/aaai.v36i4.20327.
3. Baier L., Schlör T., Schöffer J., Kühl N. Detecting Concept Drift with Neural Network Model Uncertainty. arXiv preprint. 2021. DOI: https://doi.org/10.48550/arXiv.2107.01873.
4. Alneyadi S., Sithirasenan E., Muthukkumarasamy V. A Survey on Data Leakage Prevention Systems. Journal of Network and Computer Applications. 2016. Vol. 62. С. 137–152. DOI: https://doi.org/10.1016/j.jnca.2016.01.008.
5. de Barros R. S. M., Santos S. G. T. C. A Large-Scale Comparison of Concept Drift Detectors. Information Sciences. 2018. Vol. 451–452. С. 348–370. DOI: https://doi.org/10.1016/j.ins.2018.04.014.
6. Losing V., Hammer B., Wersing H. Drift Datasets. GitHub repository. 2025. URL: https://github.com/vlosing/driftDatasets (дата звернення: 05.11.2025).
7. Gomes H. M., Bifet A., Read J., Barddal J. P., Enembreck F., Pfahringer B., Holmes G., Abdessalem T. Adaptive Random Forests for Evolving Data Stream Classification. Machine Learning. 2017. Vol. 106. С. 1469–1495. DOI: https://doi.org/10.1007/s10994-017-5642-8.
8. Cano A., Krawczyk B. Kappa Updated Ensemble for Drifting Data Stream Mining. Machine Learning. 2020. Vol. 109. С. 175–218. DOI: https://doi.org/10.1007/s10994-019-05840-z.
9. Cano A., Krawczyk B. ROSE: Robust Online Self-Adjusting Ensemble for Continual Learning on Imbalanced Drifting Data Streams. Machine Learning. 2022. Vol. 111. С. 2561–2599. DOI: doi.org/10.1007/s10994-022-06168-x.
10. Mahdi O. A., Pardede E., Ali N., Cao J. Fast Reaction to Sudden Concept Drift in the Absence of Class Labels. Applied Sciences. 2020. Vol. 10, № 2. Art. 606. DOI: https://doi.org/10.3390/app10020606.
11. Adams J. N., van Zelst S. J., Rose T., van der Aalst W. M. P. Explainable Concept Drift in Process Mining. Information Systems. 2023. Vol. 114. Art. 102177. DOI: https://doi.org/10.1016/j.is.2023.102177.
12. Ghomeshi H., Gaber M. M., Kovalchuk Y. EACD: Evolutionary Adaptation to Concept Drifts in Data Streams. Data Mining and Knowledge Discovery. 2019. Vol. 33. С. 760–793. DOI: https://doi.org/10.1007/s10618-019-00614-6.
13. Yu E., Lu J., Zhang B., Zhang G. Online Boosting Adaptive Learning under Concept Drift for Multistream Classification. Proceedings of the AAAI Conference on Artificial Intelligence. 2024. Vol. 38, № 15. С. 16522–16530. DOI: https://doi.org/10.1609/aaai.v38i15.29590.
14. Hu L., Lu Y., Feng Y. Concept Drift Detection Based on Deep Neural Networks and Autoencoders. Applied Sciences. 2025. Vol. 15, № 6. Art. 3056. DOI: https://doi.org/10.3390/app15063056.
Copyright (c) 2025 П. В. Віжевський, О. С. Савенко
Eволюційна адаптація політик DLP за умов дрейфу концепції у потокових даних
Про авторів
Віжевський Петро Володимирович , асистент кафедри комп'ютерної інженерії та інформаційних систем, Хмельницький національний університет, м. Хмельницький, Україна, ORCID: https://orcid.org/0009-0009-4851-0839, e-mail: vizhevskyipv@khmnu.edu.ua
Савенко Олег Станіславович , професор, доктор технічних наук, професор кафедри комп'ютерної інженерії та інформаційних систем, Хмельницький національний університет, м. Хмельницький, Україна, ORCID: https://orcid.org/0000-0002-4104-745X, e-mail: savenko_oleg_st@ukr.net
Анотація
Ключові слова
Повний текст:
PDFПосилання
1. Hinder, F., Vaquet, V., & Hammer, B. (2024). One or two things we know about concept drift – A survey on monitoring in evolving environments. Part A: Detecting concept drift. Frontiers in Artificial Intelligence, 7, Article 1330257. https://doi.org/10.3389/frai.2024.1330257.
2. Li, W., Yang, X., Liu, W., Xia, Y., & Bian, J. (2022). DDG-DA: Data distribution generation for predictable concept drift adaptation. Proceedings of the AAAI Conference on Artificial Intelligence, 36(4), 4092–4100. https://doi.org/10.1609/aaai.v36i4.20327.
3. Baier, L., Schlör, T., Schöffer, J., & Kühl, N. (2021). Detecting concept drift with neural network model uncertainty. arXiv preprint arXiv:2107.01873. https://doi.org/10.48550/arXiv.2107.01873.
4. Alneyadi, S., Sithirasenan, E., & Muthukkumarasamy, V. (2016). A survey on data leakage prevention systems. Journal of Network and Computer Applications, 62, 137–152. https://doi.org/10.1016/j.jnca.2016.01.008.
5. de Barros, R. S. M., & Santos, S. G. T. C. (2018). A large-scale comparison of concept drift detectors. Information Sciences, 451–452, 348–370. https://doi.org/10.1016/j.ins.2018.04.014.
6. Losing, V., Hammer, B., & Wersing, H. (n.d.). Drift datasets. GitHub repository. Retrieved November 5, 2025, from https://github.com/vlosing/driftDatasets.
7. Gomes, H. M., Bifet, A., Read, J., Barddal, J. P., Enembreck, F., Pfahringer, B., Holmes, G., & Abdessalem, T. (2017). Adaptive random forests for evolving data stream classification. Machine Learning, 106, 1469–1495. https://doi.org/10.1007/s10994-017-5642-8.
8. Cano, A., & Krawczyk, B. (2020). Kappa updated ensemble for drifting data stream mining. Machine Learning, 109, 175–218. https://doi.org/10.1007/s10994-019-05840-z.
9. Cano, A., & Krawczyk, B. (2022). ROSE: Robust online self-adjusting ensemble for continual learning on imbalanced drifting data streams. Machine Learning, 111, 2561–2599. https://doi.org/10.1007/s10994-022-06168-x.
10. Mahdi, O. A., Pardede, E., Ali, N., & Cao, J. (2020). Fast reaction to sudden concept drift in the absence of class labels. Applied Sciences, 10(2), 606. https://doi.org/10.3390/app10020606.
11. Adams, J. N., van Zelst, S. J., Rose, T., & van der Aalst, W. M. P. (2023). Explainable concept drift in process mining. Information Systems, 114, Article 102177. https://doi.org/10.1016/j.is.2023.102177.
12. Ghomeshi, H., Gaber, M. M., & Kovalchuk, Y. (2019). EACD: Evolutionary adaptation to concept drifts in data streams. Data Mining and Knowledge Discovery, 33, 760–793. https://doi.org/10.1007/s10618-019-00614-6.
13. Yu, E., Lu, J., Zhang, B., & Zhang, G. (2024). Online boosting adaptive learning under concept drift for multistream classification. Proceedings of the AAAI Conference on Artificial Intelligence, 38(15), 16522–16530. https://doi.org/10.1609/aaai.v38i15.29590.
14. Hu, L., Lu, Y., & Feng, Y. (2025). Concept drift detection based on deep neural networks and autoencoders. Applied Sciences, 15(6), Article 3056. https://doi.org/10.3390/app15063056.
Пристатейна бібліографія ДСТУ
1. Hinder F., Vaquet V., Hammer B. One or two things we know about concept drift – A survey on monitoring in evolving environments. Part A: Detecting concept drift. Frontiers in Artificial Intelligence. 2024. Vol. 7. Art. 1330257. DOI: https://doi.org/10.3389/frai.2024.1330257.
2. Li W., Yang X., Liu W., Xia Y., Bian J. DDG-DA: Data Distribution Generation for Predictable Concept Drift Adaptation. Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36, № 4. С. 4092–4100. DOI: https://doi.org/10.1609/aaai.v36i4.20327.
3. Baier L., Schlör T., Schöffer J., Kühl N. Detecting Concept Drift with Neural Network Model Uncertainty. arXiv preprint. 2021. DOI: https://doi.org/10.48550/arXiv.2107.01873.
4. Alneyadi S., Sithirasenan E., Muthukkumarasamy V. A Survey on Data Leakage Prevention Systems. Journal of Network and Computer Applications. 2016. Vol. 62. С. 137–152. DOI: https://doi.org/10.1016/j.jnca.2016.01.008.
5. de Barros R. S. M., Santos S. G. T. C. A Large-Scale Comparison of Concept Drift Detectors. Information Sciences. 2018. Vol. 451–452. С. 348–370. DOI: https://doi.org/10.1016/j.ins.2018.04.014.
6. Losing V., Hammer B., Wersing H. Drift Datasets. GitHub repository. 2025. URL: https://github.com/vlosing/driftDatasets (дата звернення: 05.11.2025).
7. Gomes H. M., Bifet A., Read J., Barddal J. P., Enembreck F., Pfahringer B., Holmes G., Abdessalem T. Adaptive Random Forests for Evolving Data Stream Classification. Machine Learning. 2017. Vol. 106. С. 1469–1495. DOI: https://doi.org/10.1007/s10994-017-5642-8.
8. Cano A., Krawczyk B. Kappa Updated Ensemble for Drifting Data Stream Mining. Machine Learning. 2020. Vol. 109. С. 175–218. DOI: https://doi.org/10.1007/s10994-019-05840-z.
9. Cano A., Krawczyk B. ROSE: Robust Online Self-Adjusting Ensemble for Continual Learning on Imbalanced Drifting Data Streams. Machine Learning. 2022. Vol. 111. С. 2561–2599. DOI: doi.org/10.1007/s10994-022-06168-x.
10. Mahdi O. A., Pardede E., Ali N., Cao J. Fast Reaction to Sudden Concept Drift in the Absence of Class Labels. Applied Sciences. 2020. Vol. 10, № 2. Art. 606. DOI: https://doi.org/10.3390/app10020606.
11. Adams J. N., van Zelst S. J., Rose T., van der Aalst W. M. P. Explainable Concept Drift in Process Mining. Information Systems. 2023. Vol. 114. Art. 102177. DOI: https://doi.org/10.1016/j.is.2023.102177.
12. Ghomeshi H., Gaber M. M., Kovalchuk Y. EACD: Evolutionary Adaptation to Concept Drifts in Data Streams. Data Mining and Knowledge Discovery. 2019. Vol. 33. С. 760–793. DOI: https://doi.org/10.1007/s10618-019-00614-6.
13. Yu E., Lu J., Zhang B., Zhang G. Online Boosting Adaptive Learning under Concept Drift for Multistream Classification. Proceedings of the AAAI Conference on Artificial Intelligence. 2024. Vol. 38, № 15. С. 16522–16530. DOI: https://doi.org/10.1609/aaai.v38i15.29590.
14. Hu L., Lu Y., Feng Y. Concept Drift Detection Based on Deep Neural Networks and Autoencoders. Applied Sciences. 2025. Vol. 15, № 6. Art. 3056. DOI: https://doi.org/10.3390/app15063056.
Copyright (c) 2025 П. В. Віжевський, О. С. Савенко