Details

Целью работы является создание архитектуры системы обнаружения аномалий в поведении пользователей МИС. Объектом исследования является МИС и содержащиеся в них журналы событий. Задачи, решаемые в ходе исследования: 1. Проанализировать методы обнаружения аномалий и определить ключевые признаки для анализа. 2. Провести сравнительный анализ методов машинного обучения. 3. Описать формальную модель системы. 4. Разработать архитектуру и спроектировать модули программного прототипа. 5. Разработать программный прототип и провести его тестирование. В ходе работы были исследованы особенности медицинских информационных систем. Проведено сравнительный анализ методов машинного обучения. Разработана гибридная архитектура системы. Были спроектированы модули программного прототипа. Реализован прототип, продемонстрировавший высокую эффективность во время тестирования, а также была описана формальная модель системы. Для достижения данных результатов была разработана программа на Python, реализующая парсинг конфигураций, нормализацию SQL-запросов, их валидацию на соответствие шаблонам, а также обучение и применение методов машинного обучения для финального анализа.

The aim of this work is to create an architecture for a system to detect anomalies in user behavior within the Medical Information System (MIS). The object of the study is MIS and the event logs contained therein. Tasks addressed during the study: 1. Analyze anomaly detection methods and determine the key features for analysis. 2. Conduct a comparative analysis of machine learning methods. 3. Describe the formal model of the system. 4. Develop the architecture and design the modules of the software prototype. 5. Develop the software prototype and perform its testing. During the work, the characteristics of medical information systems were investigated. A comparative analysis of machine learning methods was carried out. A hybrid system architecture was developed. Modules of the software prototype were designed. A prototype was implemented that demonstrated high effectiveness during testing, and a formal model of the system was also described. To achieve these results, a Python program was developed that implements parsing of configurations, normalization of SQL queries, their validation against templates, and the training and application of machine learning methods for the final analysis.