# מפת חום ציות בזמן אמת מבוססת AI עם רשתות נוירונים גרפיות ניתנות להסבר

## מבוא

במערכת האקולוגית המהירה של SaaS, שאלוני אבטחה, רשימות ביקורת רגולטוריות והערכת סיכון ספקים אינם עוד מסמכים סטטיים. הם מתפתחים **כל דקה** עם חקיקות חדשות, שינויי שירותי ענן והסטת מדיניות פנימית. לוחות מחוונים מסורתיים של ציות מתקשים לעקוב, לעיתים מציגים ציון סטטי יחיד שמסתיר את המורכבות הבסיסית.

היכנסו **רשתות נוירונים גרפיות ניתנות להסבר (X‑GNNs)** — משפחה של מודלים מבוססי AI שיכולים לעבד כמויות עצומות של נתוני ציות מקושרים, להסיק מסקנות על קשרים, ולהציג **מפות חום בזמן אמת** שהן גם **פעילות** וגם **שקופות**. מאמר זה מסביר את הארכיטקטורה, צינורות הנתונים, תכנון המודל, והצעדים המעשיים לבניית מפת חום ציות דור הבא שמספקת ערך לצוותי האבטחה, למבקרים ולמנהלים הבכירים כאחד.

> **תובנה מרכזית:** על‑ידי חיבור X‑GNNs לצינור גרף ידע רציף, ניתן להפוך אירועי מדיניות גולמיים למפה חיה, צבעונית של סיכון ציות שמסבירה *למה* כל נקודת חום קיימת.

---

## למה מפת חום ולא רק ציון?

| ציון מסורתי | יתרון מפת חום |
|-------------|---------------|
| ערך מספרי יחיד (למשל, 85 %) | תצוגה רב‑ממדית של סיכון לפי שירותים, אזורים ובקרות |
| חסר הקשר לתיקון | מדגיש את הבקרות, הנכסים או החוזים המדויקים שגורמים לירידה |
| קשה לתקשורת עם בעלי עניין שאינם טכניים | גרדיאנטים צבעוניים אינטואיטיביים (ירוק → אדום) מובנים מייד |
| לרוב “קופסה שחורה” | שכבות AI ניתנות להסבר חושפות גורמים תורמים לכל תא |

מפת חום ממירה נתוני ציות **מדווחים** ל**נרטיב חזותי דינמי**. מקבלי החלטות יכולים לזהות מייד אזור אדום — לדוגמה, חוסר בבקרת **[SOC 2]**(https://secureframe.com/hub/soc-2/what-is-soc-2) עבור מיקרו‑שירות ספציפי — ולחפור לעומק לתקציב המדיניות, פער הראיות והצוות האחראי.

---

## רכיבים מרכזיים של הפתרון

1. **קבלת מדיניות מונעת אירועים** – זרמים מצינורות CI/CD, בודקי תצורת ענן, והזנות סיכון של צד שלישי.  
2. **גרף ידע דינמי (KG)** – צמתים מייצגים נכסים, בקרות, רגולציות והוכחות; קשתות מקודדות יחסים (למשל *מיישם*, *מפר*, *תלוי ב*).  
3. **רשת נוירונים גרפית ניתנת להסבר** – מתאמנת על ה‑KG כדי לחזות ציון סיכון ציות לכל צומת, תוך יצירת מפות תשומת לב שמסבירות כל תחזית.  
4. **מעבד מפת חום בזמן אמת** – ממשק קצה קדמי שנבנה ב‑React + D3, צורך פיד WebSocket של ציוני סיכון והסברים.  
5. **מנוע ספריית תיקונים** – יוצר אוטומטית פעולות שלב‑אחר‑שלב על‑בסיס ההסברים של X‑GNN.

להלן תרשים מרמייד ברמת גבוהה המתאר את זרימת הנתונים.

```mermaid
graph LR
    A[Policy Event Stream] --> B[Kafka Topics]
    B --> C[KG Builder Service]
    C --> D[Dynamic Knowledge Graph]
    D --> E[Explainable GNN Trainer]
    E --> F[Risk Score Service]
    F --> G[WebSocket Heatmap API]
    G --> H[Front‑End Heatmap UI]
    F --> I[Remediation Playbook Engine]
    I --> J[Ticketing System (Jira, ServiceNow)]
```

---

## בניית גרף הידע הדינמי

### 1. תכנון סכימה

| סוג צומת | מאפיינים מרכזיים | דוגמה |
|----------|------------------|-------|
| **נכס** | `asset_id`, `type`, `cloud_region` | `svc‑auth‑01`, `microservice`, `us‑east‑1` |
| **בקרת** | `control_id`, `framework`, `description` | `SOC2‑CC6.1`, `SOC2`, `Encryption at rest` |
| **רגולציה** | `reg_id`, `jurisdiction`, `effective_date` | `GDPR‑Art‑32`, `EU`, `2018‑05‑25` |
| **הוכחה** | `evidence_id`, `source`, `timestamp` | `evid‑log‑123`, `CloudTrail`, `2026‑07‑30` |
| **ספק** | `vendor_id`, `service_offering`, `risk_score` | `vendor‑aws`, `IaaS`, `0.42` |

קשתות קושרות יחסים כגון **`ASSET_IMPLEMENTS_CONTROL`**, **`CONTROL_MAPPED_TO_REGULATION`**, **`EVIDENCE_SUPPORTS_CONTROL`**, ו‑**`VENDOR_PROVIDES_ASSET`**.

### 2. העשרה רציפה

- **CDC** ממאגרי ניהול תצורה (CMDB) מעדכן צמתים של נכסים.  
- **הזנות רגולטוריות** (למשל **[NIST CSF]**(https://www.nist.gov/cyberframework), **ISO**) מוסיפות צמתים של רגולציות חדשות ומקשרות אותם לבקרות קיימות.  
- **קבלת הוכחות** דרך Document AI מחלץ סעיפים מחוזים, מדיניות וקבצי ביקורת, וקושר אותם לצמתים המתאימים.

כל העדכונים נכתבים ל‑**Neo4j**, המשמש כמקור האמת למודלים מבוססי AI במק downstream.

---

## ארכיטקטורת רשת נוירונים גרפית ניתנת להסבר

### סקירת מודל

1. **שכבת קלט** – וקטורי תכונות של צמתים (קידוד one‑hot של קטגוריות בקרות, ציוני סיכון מספריים, חותמות זמן).  
2. **שכבות העברת הודעות** – מצטברות מידע משכנים באמצעות מנגנוני תשומת לב (Graph Attention Network, GAT).  
3. **מודול ניתנות להסבר** – **GNNExplainer** משולב, מייצר משקלי חשיבות ברמת קשת לכל תחזית.  
4. **שכבת פלט** – מנבא **הסתברות סיכון** (0‑1) לכל צומת נכס.

### צינור אימון

- **יצירת תוויות** – תוצאות ביקורת היסטוריות (עובר/נכשל) משמשות כקרקע אמת.  
- **פונקציית אובדן** – חציית בינארית + מונע רגולציה שמעודד הסברים מדוללים.  
- **הערכת מודל** – ROC‑AUC, precision‑recall, ו‑*explanation fidelity* (כמה טוב הקשתות המודגשות תואמות לשורשי הבעיה הידועים).

### מדוע ניתנות להסבר חשובות

מבקרים דורשים **הסבר** מדוע ציון סיכון גבוה. מפת תשומת הלב של X‑GNN ניתנת להצגה כ‑**תת‑גרף** המדגיש את הקשתות המשפיעות ביותר — לדוגמה, היעדר הוכחת `SOC2‑CC6.1` עבור `svc‑auth‑01`. כך מתקיימת דרישת **עקבות** של מסגרות ציות.

---

## הצגת מפת חום בזמן אמת

### קידוד צבעים

| טווח סיכון | צבע | פירוש |
|------------|------|--------|
| 0 – 0.2 | ירוק | ציות מלא |
| 0.2 – 0.5 | צהוב | פערים קטנים, תיקון מהיר |
| 0.5 – 0.8 | כתום | סיכון משמעותי, נדרש תיקון |
| 0.8 – 1.0 | אדום | אי‑צייתנות קריטית, פעולה מיידית |

הקצה הקדמי נרשם ל‑**WebSocket** שמזרים ציוני סיכון מעודכנים כל 30 שניות. כאשר תא משנה צבע, תצוגת כלי (tooltip) מציגה את **גרף ההסבר** שנוצר על‑ידי X‑GNN, ומאפשרת למשתמשים ללחוץ כדי לראות את ההוכחות הבסיסיות.

### אופטימיזציות ביצועים

- **חיתוך קשתות**: נשלחות רק קשתות עם תשומת לב > 0.1.  
- **עדכוני דלתא**: השרת משדר רק צמתים שהשתנו, להפחתת רוחב הפס.  
- **קאשינג בצד הלקוח**: D3 שומר את הגרף האחרון כדי לאפשר אינטראקציות ריחוף מיידיות.

---

## מנוע ספריית תיקונים אוטומטית

**מנוע ספריית תיקונים** צורך את ההסברים של X‑GNN וממפה אותם לפעולות קבועות המאוחסנות ב‑**Catalog Playbook**:

| טריגר | פעולה בספריית תיקונים | בעל תפקיד |
|-------|------------------------|-----------|
| הוכחה חסרה לבקרת הצפנה | יצירת **Checklist הצפנת נתונים** והקצאתו לצוות Cloud Security | מוביל CloudSec |
| נכס מקושר לרגולציה מיושנת | הפעלת **Workflow עדכון רגולציה** והודעה למחלקת Legal | Legal Ops |
| ציון ספק גבוה | פתיחת **טיקת ביקורת ספק** ב‑ServiceNow | רכש |

הטיקטים מתמלאים אוטומטית עם קטע הגרף הרלוונטי, כך שהצוות המתקן רואה **בדיוק** מה לתקן.

---

## רשימת בדיקה ליישום

| שלב | תיאור | כלים |
|------|--------|------|
| 1 | הקמת זרימת אירועים (Kafka) לשינויים במדיניות | Apache Kafka |
| 2 | בניית צינורות קבלת KG (Neo4j) | Neo4j, Python, Document AI |
| 3 | אימון מודל X‑GNN | PyTorch Geometric, GNNExplainer |
| 4 | פריסת מודל כמיקרו‑שירות (REST + WebSocket) | FastAPI, Docker, Kubernetes |
| 5 | פיתוח UI מפת חום | React, D3, TypeScript |
| 6 | אינטגרציית מנוע תיקונים | Camunda BPM, ServiceNow API |
| 7 | הקמת ניטור והתראות | Prometheus, Grafana |
| 8 | אימות ביקורת עם דוחות ניתנות להסבר | Jupyter, ייצוא PDF |

---

## יתרונות לבעלי עניין

| בעל עניין | כאב | איך המפה מסייעת |
|-----------|------|-----------------|
| **מהנדסי אבטחה** | עומס של התראות מפוזרות | מפת חום מאוחדת עם הסברים ניתנים לחפירה |
| **קציני ציות** | צורך בעדויות מוכנות לביקורת | גרפים ניתנים להסבר מספקים עקבות ניתנות לאימות |
| **מנהלים בכירים** | קושי להבין סיכון טכני | גרדיאנטים צבעוניים אינטואיטיביים תואמים KPI עסקיים |
| **מבקרים** | דרישה ל„למה“ מאחורי הציונים | שכבות AI ניתנות להסבר מספקות מסלול ביקורת מאומת |

---

## מקרה שימוש אמיתי: פלטפורמת SaaS פיננסית

**רקע**: סטארט‑אפ פינטק מעבד תשלומים ב‑12 מדינות, כפוף ל‑**[PCI‑DSS]**(https://www.pcisecuritystandards.org/pci_security/), **[GDPR]**(https://gdpr.eu/) ורגולציות בנקאות מקומיות. צוות הציות שלו בודק ידנית יותר מ‑300 תשובות לשאלונים שבועית.

**יישום**: החברה הטמיעה את ארכיטקטורת מפת החום X‑GNN. תוך שבועיים, המפה הדגישה **אזור אדום** בבקרת “שמירת נתונים” עבור האזור האירופי. גרף ההסבר קשר את הבעיה לחוסר הוכחה משירות ארכיבציה של צד שלישי.

**תוצאות**:

- זמן תיקון ירד מ‑10 ימים ל‑**יום אחד**.  
- ציון מוכנות לביקורת עלה **15 %**.  
- אמון ההנהלה גדל, מה שהוביל להשקעה של **2 מיליון דולר** ביוזמות ציות מבוססות AI נוספות.

---

## אתגרים ופתרונות

| אתגר | פתרון |
|------|--------|
| **איכות נתונים** – הוכחות חסרות או רועשות עלולות להטעות את המודל. | יישום **צינורות אימות נתונים** והגדרות גיבוי (חישוב ציון מבוסס כללים) לצמתים בעלי אמון נמוך. |
| **החלקת מודל** – שינויי רגולציה עשויים לגרום למודל להיות מיושן. | תזמון **אימון מחודש רציף** עם חלון גלגול של תוצאות ביקורת עדכניות. |
| **העמסת ניתנות להסבר** – יצירת הסברים יכולה להיות יקרה מבחינת משאבים. | שימוש **ב‑sampling**: יצירת הסברים מלאים רק לצמתים בעלי סיכון גבוה; צמתים בעלי סיכון נמוך מקבלים סיכום ציון. |
| **קבלת משתמשים** – צוותים עשויים לחשוש מהמלצות AI. | עריכת **סדנאות הדרכה** ומתן **תיעוד שקוף** של מתודולוגיית X‑GNN. |

---

## שיפורים עתידיים

1. **מיזוג ראיות מרובות מודלים** – שילוב מסמכי מדיניות טקסטואליים, סריקות קוד, ונתוני רשת בטגרף ידע אחיד.  
2. **למידה פדרטיבית** – שיתוף עדכוני מודל בין סניפים ללא העברת נתונים גולמיים, לשמירה על פרטיות.  
3. **תובנות מבוססות קול** – אינטגרציה של שכבת AI שיחה שמקריאה את נקודות החום והפעולות המומלצות.  
4. **סימולציות “מה אם” חזויות** – אפשרות למשתמשים להחליף מדיניות פוטנציאלית ולראות מיד את ההשפעה על מפת החום.

---

## סיכום

**מפת חום ציות מבוססת רשת נוירונים גרפית ניתנת להסבר** ממירה ציות ממסמך סטטי לכרטיס סיכון חי, שקוף. על‑ידי קבלת אירועי מדיניות רציפה, העשרת גרף ידע דינמי, והצגת הסברים ברורים לכל תא, ארגונים זוכים ל:

- **תובנות מיידיות** על פערי ציות.  
- **תיקונים פעילים** המקושרים ישירות לשורש הבעיה.  
- **עדויות מוכנות לביקורת** העונות לדרישות הרגולטוריות והפנימיות.

השקעה בארכיטקטורה זו לא רק מצמצמת מאמץ ידני, אלא גם מטפחת **תרבות ציות מונעת נתונים**, שבה כל בעל עניין רואה *מה* הסיכון, *למה* הוא קיים, ו*איך* לתקן אותו — בזמן אמת.