# Շարունակական ուսումնական գրաֆիկ նյարդային ցանցեր իրական ժամանակի բազմակողմանի կարգապահության ռիսկի կանխատեսման համար

## Ներածություն

Այսօրվա ձեռնարկությունները պետք է կառավարեն տասնյակ overlapping կարգադրություններ՝ [GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa), [HIPAA](https://www.hhs.gov/hipaa/index.html), [PCI‑DSS](https://www.pcisecuritystandards.org/pci_security/), [ISO 27001](https://www.iso.org/standard/27001) և ոլորտ‑սպեցիֆիկ պարտականություններ։ Կարգապահության լանդշաֆտը **դինամիկ գրաֆ** է, որտեղ քաղաքականությունները, վերահսկողությունները և ռիսկի իրադարձությունները մշտապես զարգանում են։ Ավանդական կանոն‑բազված շարժիչները և ստատիկ մեքենա‑սովորելու մոդելները դժվարանում են պահել քայլը, ինչը հանգեցնում է ուշացած ռիսկի հայտնաբերման, թանկագին աուդիտների բացթողումների և բաց թողնված բիզնես հնարավորությունների:

**Շարունակական ուսումնական գրաֆիկ նյարդային ցանցերը (CL‑GNNs)** առաջարկում են նոր լուծում։ Կարգադրությունների, ակտիվների և դեպքերի ներկայացումը որպես գրաֆի գագաթներ, իսկ մոդելը՝ ինքինքին թարմացվում, երբ նոր ապացույցներ հասանելի են, CL‑GNN‑ները կարող են **կողմնորոշված ռիսկի կանխատեսում իրական ժամանակում** կատարել բազմակողմանի կարգապահական ոլորտներում, միաժամանակ պահպանելով տվյալների սովերենիտետը:

Այս հոդվածը ներկայացնում է հիմնական գաղափարները, ճարտարապետական պլանը և գործնական նկատառումները CL‑GNN‑ով ռիսկի կանխատեսման շարժիչի կառուցման համար։ Մենք նաև քննարկում ենք, թե ինչպես ապահովել պայփլայնը հոմոմորֆիկ կոդավորման և ֆեդերացված ուսումնական միջոցով, որպեսզի զգայուն կարգապահական տվյալները երբեք չդառնան իրենց սկզբնական վայրից:

---

## Ինչու ավանդական մոտեցումները չեն բավարարում

| Սահմանափակում | Ավանդական կանոնային շարժիչ | Բաչ‑սովորված ML մոդելներ | CL‑GNN լուծում |
|---------------|---------------------------|--------------------------|----------------|
| **Լատենտություն** | Բարձր (ձեռքսեղմված կանոնների թարմացում) | Ժամեր‑օրեր (վերամշակություն) | Միլիսեկունդ (ինքսինկրական inference) |
| **Կարգադրությունների ծածկույթ** | Մի‑դեպի‑մի, դժվար է մասշտաբավորել | Պահանջում է առանձին մոդել յուրաքանչյուր կարգադրության համար | Միասնական բազմակողմանի գրաֆ |
| **Ադապտացիա** | Ձեռքսեղմված, սխալների ենթակա | Պարբերական, ենթակա է կոնցեպտի շեղման | Շարունակական ուսումնականը նվազեցնում է շեղումը |
| **Տվյալների գաղտնիություն** | Կենտրոնացված կանոնների պահոց | Կենտրոնացված ուսումնական տվյալներ | Ֆեդերացված թարմացումներ, հոմոմորֆիկ կոդավորում |

Աղյուսակը ցույց է տալիս, որ միայն CL‑GNN‑ը կարող է միաժամանակ ապահովել **առաջնություն**, **ծածկույթ**, **ադապտացիա** և **գաղտնիություն**՝ ժամանակակից կարգապահական ռիսկի կառավարման չորս սյունակները:

---

## Գրաֆիկ նյարդային ցանցերի սկզբունքները

**Գրաֆիկ նյարդային ցանցը** սովորում է գագաթների embed‑ինգները, հավաքելով տեղեկություն հարևան գագաթներից։ Կարգապահության համատեքստում տիպիկ գագաթների տեսակները ներառում են:

* **Կարգադրության գագաթներ** – օրենքներ, կլաուզուլներ և կիրառման ուղեցույցներ։  
* **Վերահսկողության գագաթներ** – տեխնիկական կամ վարչական պաշտպանություններ։  
* **Ակտիվների գագաթներ** – տվյալների բազաներ, API‑ներ, ամպային ծառայություններ։  
* **Դեպքի գագաթներ** – խախտման հաշվետվություններ, աուդիտների արդյունքներ, զգուշացումներ։

Երկարները (edges) կոդավորում են հարաբերությունները, օրինակ՝ *«նրա կողմից իրականացվում է»*, *«պաշտպանում է»*, *«ազդում է»* կամ *«ձևավորում է»*։ Այս գրաֆի միջոցով GNN‑ը կարող է ենթադրվել թաքնված ռիսկի գործոնները՝ օրինակ՝ նոր հայտնաբերված խոցելիություն ակտիվի վրա կարող է բարձրացնել բոլոր այն կարգադրությունների ռիսկի գնահատումը, որոնք հղում են այդ վերահսկողությանը:

### Հաղորդագրությունների փոխանցման հավասարություն

Յուրաքանչյուր շերտ *l*‑ի համար:

\[
h_i^{(l+1)} = \sigma\Big( W^{(l)} \cdot \text{AGG}\big(\{h_j^{(l)} : j \in \mathcal{N}(i)\}\big) + b^{(l)} \Big)
\]

* \(h_i^{(l)}\) – գագաթ *i*‑ի embed‑ինգը շերտ *l*‑ում  
* \(\mathcal{N}(i)\) – *i*‑ի հարևանները  
* **AGG** – միջին, մաքսիմում կամ ուշադրության‑բազված հավաքում  
* \(\sigma\) – ոչ‑գծային ակտիվացում (ReLU, GELU)  

Շարունակական ուսումնականը ընդլայնում է սա՝ **թարմացնելով** وزنների մատրիցները \(W^{(l)}\) անմիջապես, առանց կատաստրոֆիկ մոռացուցումից:

---

## Շարունակական ուսումնականի հիմունքները

Շարունակական ուսումնականը (CL) թույլ է տալիս մոդելին **սովորել տվյալների հոսքից**, միաժամանակ պահելով նախորդ առաջադրանքների գիտելիքը։ Երկու CL ռազմավարություններ են առավել կարևոր՝

1. **Ռեգուլյացիոն‑բազված CL** – ավելացնում է տուգան (օրինակ՝ Elastic Weight Consolidation)՝ պահելու կարևոր وزنները կայուն։  
2. **Replay‑բազված CL** – պահում է փոքր հատված անցած գրաֆի սնափշոտներից (կամ սինտետիկ embed‑ինգներից) և ներառում է դրանք ուսումնական գործընթացի ընթացքում։

Կարգապահության համար replay‑ը հաճախ նախընտրելի է, քանի որ կարգադրությունների փոփոխությունները **սպառ, բայց բարձր ազդեցություն ունեցող** են։ Լիցքավոր replay‑բուֆեր, որը պարունակում է վերջին *N* գրաֆի սնափշոտները, ապահովում է մոդելին հիշել պատմական քաղաքական‑ռիսկի հարաբերությունները, միաժամանակ հարմարվելով նոր կլաուզուլներին:

---

## Ճարտարապետության ընդհանուր պատկեր

```mermaid
graph LR
    subgraph "Տվյալների աղբյուրներ"
        A["Կարգադրությունների պահոցներ"]
        B["Ակտիվների ինվենտարիզացիայի համակարգեր"]
        C["Անվտանգության դեպքերի հոսքեր"]
        D["Կառավարումի հարթակներ"]
    end

    subgraph "Ֆեդերացված եզրակ nodեր"
        E["Էջային հանգույց 1"]
        F["Էջային հանգույց 2"]
        G["Էջային հանգույց 3"]
    end

    subgraph "Կենտրոնական կազմակերպիչ"
        H["Գրաֆի կառուցող և տարբերակավորում"]
        I["Շարունակական ուսումնական GNN"]
        J["Ռիսկի գնահատման ծառայություն"]
        K["Քաղաքականության շեղման հայտնաբերում"]
    end

    subgraph "Ապահով տրանսպորտ"
        L["Հոմոմորֆիկ կոդավորման շերտ"]
    end

    A -->|Pull| H
    B -->|Pull| H
    C -->|Push| H
    D -->|Pull| H

    H -->|Encrypted Graph| L
    L -->|Encrypted Updates| I

    E -->|Local Snapshots| L
    F -->|Local Snapshots| L
    G -->|Local Snapshots| L

    I -->|Updated Weights| J
    I -->|Drift Signals| K
    J -->|Real‑Time Scores| UI["Վահանակ / API"]
    K -->|Alert| UI
```

*Բոլոր գագաթների անունները ընդգրկված են կրկնակի չակերտների մեջ, ինչպես պահանջվում է։*

### Հիմնական բաղադրիչները

| Բաղադրիչ | Դերը |
|----------|------|
| **Տվյալների աղբյուրներ** | Վերցնում են վերջին կարգադրությունների տեքստերը, ակտիվների ինվենտարիզացիան, վերահսկողությունների քարտեզը և դեպքերի հոսքերը։ |
| **Ֆեդերացված եզրակ nodեր** | Կատարում են տեղական նախապատրաստում, գրաֆի սնափշոտների ստեղծում և, անհրաժեշտության դեպքում, տեղական inference։ |
| **Կենտրոնական կազմակերպիչ** | Միացնում է կոդավորված թարմացումները, պահպանում տարբերակված գիտելիքի գրաֆը, գործարկում է CL‑GNN‑ի ուսումնականը։ |
| **Հոմոմորֆիկ կոդավորման շերտ** | Թույլ է տալիս կազմակերպիչին հաշվարկել կոդավորված embed‑ինգների վրա, պահպանելով գաղտնիությունը։ |
| **Ռիսկի գնահատման ծառայություն** | Թարգմանում է գագաթների embed‑ինգները գործնական ռիսկի գնահատումներով ըստ կարգադրության և ակտիվի։ |
| **Քաղաքականության շեղման հայտնաբերում** | Հետևում է embed‑ինգների շեղմանը, նշելով նոր կարգապահական բացեր։ |
| **Վահանակ / API** | Իրական‑ժամանակի վիզուալիզացիա և ինտեգրացիա SIEM, GRC կամ CI/CD պայփլայնների հետ։ |

---

## Տվյալների պայփլայնը մանրամասն

1. **Ներմուծում** – Յուրաքանչյուր եզրակ nod-ը ներբեռնում է JSON/YAML‑ը իր տեղական պահոցներից։  
2. **Նորմալիզացիա** – Օնտոլոգիայի քարտեզը համընկնում է տերմինաբանությունը (օրինակ՝ “դատավարի վերահսկողություն” ↔ “դատավարի պրոցեսոր”)։  
3. **Գրաֆի կառուցում** – Գագաթներն ու եզրերը ստեղծվում են՝ օգտագործելով **Compliance KG Schema**‑ը (Regulation‑Control‑Asset‑Incident)։  
4. **Embed‑ինգների կոդավորում** – Գագաթների հատկությունները (օրինակ՝ կարգադրության տեքստի TF‑IDF վեկտոր) կոդավորվում են **CKKS** սխեմայով, նախքան փոխանցումը։  
5. **Ֆեդերացված հավաքում** – Կենտրոնական կազմակերպիչը հավաքում է կոդավորված embed‑ինգները՝ հոմոմորֆիկ գումարով, առանց տեսնելու իրական տվյալները։  
6. **Շարունակական թարմացում** – Նոր եզրերը (օրինակ՝ նոր դեպք) առաջացնում են **մի քայլի gradient update** GNN‑ում, հետևելով ռեգուլյացիոն տուգանին՝ պահպանելով նախորդ գիտելիքը։  
7. **Inference** – Թարմացված մոդելը արտածում է ռիսկի գնահատումներ յուրաքանչյուր ակտիվ‑կարգադրության զույգի համար, որոնք ուղարկվում են downstream‑ում։

---

## Իրական‑ժամանակի inference մեխանիզմները

CL‑GNN‑ի inference ուղին նախատեսված է թեթև և արագ.

* **Սպարսված հաղորդագրությունների փոխանցում** – Միայն այն գագաթները, որոնք ազդված են վերջին փոփոխությունից (օրինակ՝ նոր դեպք), հաշվարկվում են նորից։  
* **Cache‑հարմար Embed‑ինգներ** – Վերջին embed‑ինգները պահվում են in‑memory key‑value store‑ում (Redis)՝ ենթմիլիսեկունդ վերականգնումի համար։  
* **Batch‑less Updates** – Յուրաքանչյուր նոր իրադարձություն առաջացնում է **online update**, առանց սպասելու batch‑ին։

Այս դիզայնը ապահովում է **latency < 50 ms** միջին 200k գագաթ և 1M եզրերի ձեռնարկային գրաֆի համար, ինչը բավարարում է իրական‑ժամանակի SLA‑ները:

---

## Բազմակողմանի կարգապահության միավորում

Գրաֆի մոտեցման հիմնական առավելությունն է **կարգադրությունների անկախ ռիսկի տարածում**։ Օրինակ՝ տվյալների խախտում, որը ազդում է ամպային պահեստավորման բուկետի վրա.

1. Դեպքի գագաթը կապվում է **ակտիվի գագաթի** (բուկետ) հետ։  
2. Ակտիվի գագաթը կապվում է **վերահսկողության գագաթների** (կոդավորում, մուտքի գրանցում) հետ։  
3. Յուրաքանչյուր վերահսկողություն կապված է **բազմակողմանի կարգադրությունների** (GDPR Art. 32, CCPA § 1798.150, PCI‑DSS 3.4) հետ։  
4. GNN‑ը հավաքում է խախտման ազդանշանը բոլոր ուղիներով, ավտոմատ կերպով բարձրացնելով ռիսկի գնահատումը յուրաքանչյուր համապատասխան կարգադրության համար։

Այսպիսով, միակ իրադարձությունը ապահովում է **կազմակողմանի, ամբողջական ռիսկի պատկեր** առանց կրկնվող տրամադրման յուրաքանչյուր իրավաբանական շրջանակի համար:

---

## Անվտանգություն և գաղտնիության երաշխավորություններ

| Խոչընդոտ | Միջոցառումներ |
|----------|----------------|
| **Տվյալների լցում** | Հոմոմորֆիկ կոդավորում ապահովում է, որ իրական կարգապահական տվյալները երբեք չեն լքում եզրակները։ |
| **Մոդելի ինվերսիա** | Ռեգուլյացիոն‑բազված CL նվազեցնում է over‑fitting‑ը, սահմանափակելով proprietary գրաֆի կառուցվածքի բացահայտումը։ |
| **Poisoning հարձակումներ** | Replay buffer‑ի վավերացում և անոմալիաների հայտնաբերում ներմուծված սնափշոտների վրա արգելում են վնասակար գրաֆի փոփոխությունները։ |
| **Չհամապատասխան մուտք** | Role‑based API token‑ներ և zero‑trust ցանցի քաղաքականություն պաշտպանում են կենտրոնական կազմակերպիչը։ |

Ֆեդերացված ուսումնական, հոմոմորֆիկ կոդավորում և zero‑trust կազմակերպիչը միասին ապահովում են GDPR-ի **data‑processing‑by‑design** սկզբունքը:

---

## Տեղադրման նկատառումներ

| Ասպեկտ | Առաջարկ |
|----------|----------|
| **Հաշվարկ** | Կենտրոնական կազմակերպիչը տեղադրեք GPU‑զարգացված VM‑ներում (օրինակ՝ NVIDIA A100) արագ GNN‑ի ուսումնական համար; եզրակ nod‑երը կարող են աշխատել CPU‑ով, օգտագործելով ONNX‑runtime։ |
| **Մասշտաբավորություն** | Kubernetes‑ի հետ օգտագործեք Horizontal Pod Autoscaling՝ ներմուծման և inference ծառայությունների համար։ |
| **Նկատելիություն** | Արտածեք Prometheus metrics՝ latency, update frequency, drift detection համար; վիզուալիզացրեք Grafana dashboard‑ով։ |
| **Տարբերակավորում** | Գրաֆի սնափշոտները պահեք immutable object store‑ում (օրինակ՝ AWS S3 with Object Lock)՝ audit trail ապահովելու համար։ |
| **Ակնհայտություն** | Ստեղծեք **cryptographic proof** (Merkle root) յուրաքանչյուր գրաֆի տարբերակի համար, ստորագրված կենտրոնական կազմակերպիչի private key‑ով։ |

---

## Օգտակարությունների ամփոփում

* **Իրական‑ժամանակի պատկեր** – Անմիջական ռիսկի գնահատումներ, որոնք թույլ են տալիս պրակտիկորեն արձագանքել։  
* **Կարգադրությունների լայնություն** – Միակ մոդել, որը ծածկում է ցանկացած օրենք։  
* **Գաղտնիություն‑առաջին** – Զգայուն տվյալները մնում են տեղում, միայն կոդավորված թարմացումները ուղարկվում են։  
* **Ադապտացիա** – Շարունակական ուսումնականը elimինացնում է թանկագին վերամշակման շրջանները։  
* **Բացատրելիություն** – GNN‑ի ուշադրության weights‑ները կարելի է վիզուալիզացնել՝ ցույց տալու, թե ինչու որոշ կարգադրություն նշված է։  

---

## Բարդություններ և ապագա ուղղություններ

1. **Գրաֆի սպարսվածություն vs. արտահայտություն** – Ավելի շատ edges հանելը կարող է թաքցնել նուրբ ռիսկի ուղիները; դինամիկ edge‑ների ստեղծումը LLM‑բազված սեմանտիկ կապերով ներկայումս ակտիվ հետազոտության ոլորտ է։  
2. **Հոմոմորֆիկ կոդավորման մասշտաբավորություն** – Ընթացիկ CKKS իրականացումները ավելացնում են overhead; հիբրիդային մոտեցումները (secure enclaves + կոդավորում) կարող են նվազեցնել latency‑ը։  
3. **Cross‑Domain Transfer** – Նախսովորված GNN‑ների օգտագործումը մեկ ոլորտից (օրինակ՝ ֆինանսներ) այլ ոլորտ (օրինակ՝ առողջապահություն) պահանջում է domain adaptation տեխնիկա։  
4. **Մարդ-կամուրջ վավերացում** – Կարգապահական մասնագետների ներգրավումը feedback loop‑ում բարելավում է մոդելի վստահությունը և օգնում է շեղման վաղ հայտնաբերման մեջ։

Ապագա աշխատանքները կարող են ուսումնասիրել **meta‑learning**՝ արագ հարմարեցում նոր կարգադրությունների համար, և **graph‑based reinforcement learning**՝ առաջարկելու օպտիմալ վերահսկողությունների բարելավումներ, որոնք նվազեցնում են ընդհանուր ռիսկը:

---

## Եզրակացություն

Շարունակական ուսումնական գրաֆիկ նյարդային ցանցերը ներկայացնում են **պարադիգմի փոփոխություն** կարգապահական ռիսկի կանխատեսման համար։ Կարգադրությունները, վերահսկողությունները, ակտիվները և դեպքերը ներկայացնելով որպես կենդանի գիտելիքի գրաֆ, և մոդելը թարմացնելով privacy‑preserving ֆեդերացված թարմացումների միջոցով, կազմակերպությունները կարող են հասնել **իրական‑ժամանակի, բազմակողմանի ռիսկի տեսանելիություն** առանց տվյալների սովերենիտետի խախտման:

Վերևում ներկայացված ճարտարապետության ներդրումը ապահովում է ձեռնարկություններին ապագա‑պաշտպանի կարգապահական շարժիչ, որը սովորում, ադապտվում և մասշտաբավորվում է, երբ կարգապահական աշխարհը շարունակաբար զարգանում է։