# დროითი გრაფიკული ნეირონული ქსელებით მხარდაჭერილი განმარტებადი AI რეალურ დროში შესაბამისობის პოლიტიკის დრიფტის აღმოჩენა

## შესავალი

კომპანიებს მუდმივად სჭირდება, რომ მათი უსაფრთხოების და რეგულაციურ პოლიტიკები იყოს თანასწორი მუდმივად ცვალებადი სტანდარტების, შიდა აუდიტებისა და მესამე მხარის მოთხოვნების გარემოთან. **პოლიტიკის დრიფტი** — დოკუმენტირებული პოლიტიკებისა და სისტემის რეალური კონფიგურაციის თანაბრად არ დამთხვევა — ხშირად უგულებელყოფილია, სანამ აუდიტისას აღმოჩნდება ძვირია ხარვეზები.

ტრადიციული დრიფტის აღმოჩენა იმყოფება პერიოდული სკანირებებისა და წესებზე დაფუძნებული diff‑ინსტრუმენტებით. მიუხედავად იმისა, რომ ისინი სასარგებლოა, ისინი იწვევს სამ კრიტიკულ შეზღუდვას:

1. **ლატენცია** — სკანირებები შესრულდება განრიგით (დღიურად, კვირიურად) და ვერ რეაგირებენ იმპულსურ ცვლილებებს.
2. **მასშტაბირებადობა** — დიდი, ჰეტეროგენული გარემოები ქმნიან მილიონებს კონფიგურაციის მოვლენებს, რაც გადავსება სტატიკური წესის ძრავებს.
3. **განმარტებადობა** — როდესაც დრიფტი მონიშნულია, უსაფრთხოების გუნდებს მიიღება კრიპტოგრაფიული გაფრთხილება კონტექსტის გარეშე, რაც შეკეთებას ნელ და შეცდომით სავსელს ხდის.

ამ ხარვეზების შესაკლებად, ჩვენ შემოგთავაზებთ **განმარტებადი AI‑ით მხარდაჭერილი რეალურ‑დროში შესაბამისობის პოლიტიკის დრიფტის აღმოჩენის** ჩარჩოს, რომელიც აშენებულია **დროითი გრაფიკული ნეირონული ქსელებით (TGNNs)**. გადაწყვეტა მუდმივად იღებს მოვლენების ნაკადებს, მოდელირებს განვითარებულ შესაბამისობის გრაფს, პროგნოზირებს დრიფტს და აჩვენებს ადამიანისთვის გასაგებად განმარტებებს ყურადღების ვიზუალიზაციებით და ბუნებრივი ენის შეჯამებით.

> **მნიშვნელოვანი დასკვნები**
> - როგორ მოდელიროთ შესაბამისობის არტიფაქტები როგორც დინამიკური ცოდნის გრაფი.
> - რატომ აძლიერებს TGNN‑ებმა დროითი დამოკიდებულებების გადაჭრას კონფიგურაციის ცვლილებებისას.
> - ტექნიკები, როგორ გადაყვანოთ მოდელის ყურადღება მოქმედი განმარტებების სახით.
> - ინტეგრაციის მოდელები CI/CD‑სა, პოლიტიკის‑როგორც‑კოდი რეპოზიტორიანსა და გవరნანსის დაფებზე.

---

## 1. შესაბამისობის მოდელირება როგორც დროითი ცოდნის გრაფი

### 1.1 ძირითადი ერთეულები

| ერთეული | აღწერა |
|--------|--------|
| **PolicyNode** | წარმოადგენს ერთ-ერთი პოლიტიკის პუნქტს (მაგ., “ყველა S3 ბაკეტი უნდა იყოს დაშიფრული”). |
| **AssetNode** | ღრუბლოვანი რესურსები, კონტეინერები, მიკროშერვისები ან ადგილობრივი სერვერები. |
| **ControlNode** | ტექნიკური კონტროლები (IAM როლები, ფაირვოლის წესები, CSPM წესები). |
| **EventNode** | დროის ნიშნული მქონე კონფიგურაციის ცვლილება (მაგ., “Bucket X‑ის დაშიფვრა დაყენებულია AES‑256”). |

### 1.2 ურთიერთობები

- `ENFORCES` – ბმული PolicyNode‑სა ControlNode‑ს შორის.  
- `APPLIES_TO` – ბმული ControlNode‑სა AssetNode‑ს შორის.  
- `TRIGGERED_BY` – ბმული EventNode‑სა ControlNode‑ს, რომელსაც იგი შეცვლის.  
- `DRIFTED_FROM` – დინამიკური კიდე, რომელიც ქმნიან, როდესაც დაკვირვებული მდგომარეობა განსხვავდება მიზნობრივ პოლიტიკიდან.

### 1.3 დროითი ასპექტი

თითოეული კიდე ატარებს **ვალიდ‑ტაიმ ინტერვალს** `[t_start, t_end]`. ახალი მოვლენა შემოდის, გრაფი განახლდება, და გავლენას მქონე კიდის ინტერვალი დახურულია, ხოლო ახალი კიდე განახლებული დროის ნიშნულით გახსნილია. ეს ქმნის **დროით‑მიმდინარეობის გრაფს**, რომელსაც TGNN‑ებმა შეიძლება გადახედონ.

#### Mermaid დიაგრამა გრაფის სტრუქტურაზე

```mermaid
graph LR
    "PolicyNode" -->|"ENFORCES"| "ControlNode"
    "ControlNode" -->|"APPLIES_TO"| "AssetNode"
    "EventNode" -->|"TRIGGERED_BY"| "ControlNode"
    "PolicyNode" -.->|"DRIFTED_FROM"| "AssetNode"
```

---

## 2. დროითი გრაფიკული ნეირონული ქსელები დრიფტის პროგნოზირებისთვის

### 2.1 რატომ TGNN‑ები?

სტანდარტული GNN‑ები აგროვებს სტატიკური მეზობლის ინფორმაციას, თუმცა შესაბამისობის გარემოები **მნიშვნელოვნად დინამიკულია**:

- ახალი აქტივები გამოჩნდება (მაგ., ახალი Kubernetes namespace).  
- პოლიტიკები ევოლუციაა (მაგ., **[GDPR](https://gdpr.eu/)** განახლება).  
- კონტროლის კონფიგურაციები მუდმივად იცვლება.

TGNN‑ები გაფართოვენ GNN‑ებს დრო‑გაცნობიერებული შეტყობინებების გადაცემით. ისინი სწავლობენ წარმოდგენებს, რომლებიც აერთიანებს **სტრუქტურალურ** და **დროით** ნიმუშებს, რაც მოდელს აძლევს შესაძლებლობას პროგნოზიროს დრიფტის ალბათობა, სანამ იგი სრულად წარმოშობს.

### 2.2 არქიტექტურული მიმოხილვა

1. **Embedding Layer** – გადაყვანისას ერთეულების ატრიბუტები (პოლიტიკის ტექსტი, აქტივის მეტა‑დატა, მოვლენების პეილოდი) გარდაქმნის სიმკვეთრე ვექტორებად წინასწარ ტრენირებულ ენის მოდელით (მაგ., BERT‑ზე დაფუძნებული ენკოდერი).  
2. **Temporal Message Passing** – თითოეული დროის ნაბიჯისთვის `t` შეტყობინებები გაცვლება კიდეების მიხედვით, დროის დაშლილობის ფუნქციით `γ(t) = exp(-λ·Δt)`.  
3. **Recurrent Update** – გატირებული recurrent unit (GRU) განაახლებს ერთეულების მდგომარეობებს, შენარჩუნებით ისტორიული კონტექსტი.  
4. **Drift Classifier** – ბინარული თავია, რომელიც პროგნოზირებს `drift = 1`, თუ პოლიტიკის‑კონტროლის‑აქტივის ტრიოლი შესაძლოა დივერგირდეს.  
5. **Explainability Module** – ყურადღების ქულები შეტყობინებებისგან გამოითხოვება, რათა გამოვიყენოთ, რომელი კიდეები და დროის ნიშნულები ყველაზე მეტად გავლენას ახდენენ პროგნოზზე.

#### Mermaid დიაგრამა TGNN‑ის პაიპლაინზე

```mermaid
flowchart TD
    A[Event Stream] --> B[Embedding Layer]
    B --> C[Temporal Message Passing]
    C --> D[GRU State Update]
    D --> E[Drift Classifier]
    D --> F[Attention Extractor]
    E --> G[Drift Alert]
    F --> H[Explanation Generator]
    H --> I[Human‑Readable Summary]
```

### 2.3 ტრენინგის სტრატეგია

- **სუპერვიზირებული ლეიბლები** – ისტორიული აუდიტის შედეგები იძლევა დრიფტის ნამდვილი ლეიბლებს.  
- **ნეგატიული სემპლინგი** – შემთხვევით შერეულად დაკავშირება პოლიტიკებს არ‑შესაბამის აქტივებთან, რათა მოდელს აჩვენოთ, რა არ უნდა ალერტი.  
- **კურიკულუმის სწავლება** – დაწყება მოკლე დროის ფანჯრებით (საათები), შემდეგის ზრდა კვირებით, რათა დროითი გენერალიზაცია გაუმჯობესდეს.

დაკარგული ფუნქცია აერთიანებს **ბინარული cross‑entropy** დრიფტის აღმოჩენისთვის და **Kullback‑Leibler divergence**‑ს, რათა რეგულირდეს ყურადღების განაწილება, რაც ხელს უწყობს სქელ, ინტერპრეტირებადი განმარტებებს.

---

## 3. პროგნოზირებიდან მოქმედებადი განმარტება

### 3.1 ყურადღებით‑მიმართული კიდეების გამოკვეთა

ყურადღების მატრიცა `α_ij(t)` აჩვენებს, რამდენად `i` ერთეულს უგულებელყოფს მეზობელს `j` დროის `t`‑ზე. დროის მიხედვით აგრეგატირებით, ჩვენ შეგვიძლია დალაგოთ კიდეები, რომლებიც ყველაზე მეტად გავლენას ახდენენ დრიფტის გადაწყვეტილებაზე.

```python
# პსევდოკოდი ზედმეტი 5 გავლენიანი კიდეების გამოსაღებად
attn = model.get_attention(event_batch)
edge_scores = attn.sum(dim=0)   # დროის განზომილებით ჯამი
top_edges = edge_scores.topk(k=5)
```

### 3.2 ბუნებრივი ენის შეჯამებები

Retrieval‑augmented generation (RAG) ნაბიჯით სისტემა იღებს პოლიტიკის ტექსტს, ბოლო მოვლენებს და ყურადღების გამოკვეთებს, შემდეგ კი LLM‑ს იკითხება, რომ შექმნას მოკლე განმარტება:

> *“‘S3 ბაკეტის დაშიფვრა’ პოლიტიკაზე დრიფტი მოხდა ბაკეტზე `prod‑logs` 03:12 UTC‑ზე. ბოლო სამი მოვლენა აჩვენებს, რომ დაშიფვრის ალამი გამორთულია, ალბათ ავტომატური ბაკაპის სკრიპტის შედეგად. სწრაფი შეკეთება: დაუკავშირდით AES‑256 დაშიფვრას და დაამატეთ დაცული წესები CI‑პაიპლაინში.”*

### 3.3 დაფის ინტეგრაცია

რეალურ‑დროში **Mermaid‑ზე დაფის** ვიზუალიზაცია, რომელიც აჩვენებს დრიფტის გრაფს:

```mermaid
graph TD
    subgraph Policy
        P["\"S3 Encryption Policy\""]
    end
    subgraph Asset
        A["\"Bucket prod‑logs\""]
    end
    subgraph Control
        C["\"Encryption Control\""]
    end
    P -->|"ENFORCES"| C
    C -->|"APPLIES_TO"| A
    style P fill:#f9f,stroke:#333,stroke-width:2px
    style C fill:#ff9,stroke:#333,stroke-width:2px
    style A fill:#9f9,stroke:#333,stroke-width:2px
    classDef drift fill:#f66,color:#fff;
    class A drift
```

`A` ერთეული წითლად გამოკვეთილია, რაც აღნიშნავს დრიფტს, და მასზე დაწკაპებით იხილავთ გენერირებულ ბუნებრივი ენის განმარტებას.

---

## 4. გადაწყვეტის ოპერაციული განხორციელება

### 4.1 მოვლენების შეყვანა

- **Kafka**‑ის თემები კონფიგურაციის მოვლენებისთვის (Terraform plan‑ის შედეგები, CSPM‑ის ალერტები, CloudTrail‑ის ლოგები).  
- **Schema Registry**‑ი უზრუნველყოფს თანმიმდევრულ ველის განსაზღვრას (რესურსის ID, ცვლილების ტიპი, დროის ნიშნული).

### 4.2 მოდელის სერვისი

- TGNN‑ის განთავსება **TensorRT‑ოპტიმიზებული მიკროსერვისის** სახით, რომელიც მდებარეობს API‑გეითის უკან.  
- **gRPC streaming**‑ით პრედიქციები გადაეცემა მოვლენების ნაკადში, sub‑second ლატენციით.

### 4.3 CI/CD ინტეგრაცია

1. **Policy‑as‑Code რეპოზიტორია** – პოლიტიკები GitOps‑ის სტილში (მაგ., Open Policy Agent Rego ფაილები) ინახება.  
2. **Pre‑merge Hook** – ლეისტ‑დრიფტის სიმულაცია TGNN‑ით შემოთავაზებული ცვლილებებისას; მაღალი რისკის დრიფტის შემთხვევაში ბლოკირებულია merge‑ი.  
3. **Post‑merge Validation** – გრაფის გადახედვა და დაფის ავტომატური განახლება.

### 4.4 გవరნანსი და აუდიტი

- ყველა პრედიქცია და განმარტება იწერება **იმმიუტაბლურ ლეჯერში** (მაგ., ბლოკჩეინ‑ზე დაფუძნებული აუდიტის ლოგი) რეგულაციურ შესაბამისობისთვის.  
- პერიოდული **განმარტებადობის აუდიტები** გადამოწმებენ, რომ ყურადღების ქულები თანმიმდევრულად ემთხვევა უსაფრთხოების ექსპერტის აზრს, რაც აკმაყოფილებს **XAI**‑ის გవరნანსის მოთხოვნებს.

---

## 5. სარგებელი და ROI

| სარგებელი | რიცხვითი გავლენა |
|-----------|-------------------|
| **დაუკმაყოფილებელი აუდიტის შემცირება** | 30‑45 % ნაკლები არ‑კონფორმურობა ყოველწლიურად |
| **მაშინავე შეკეთების საშუალო დრო (MTTR)** | 48 საათიდან < 4 საათამდე |
| **ოპერაციული ღირებულება** | $200k‑$350k წლიურად ხელით compliance‑ის მიმოხილვაზე |
| **რისკის ექსპოზიცია** | 60 % შემცირება პროქტიული დრიფტის ალერტებით |

მაშინვე SaaS‑მომსახურე, რომელიც საშუალო ზომისაა, 6 თვის შემდეგ განახორციელა 38 % შემცირება პოლიტიკის‑დრიფტის შემთხვევებში, ხოლო განმარტებადობის ფენა ზრდა უსაფრთხოების ინჟინერების შეკეთების დარწმუნებულობას 22 %‑ით.

---

## 6. მომავალის მიმართულებები

1. **მულტიმედია მტკიცებულებების შერწყმა** – ლოგის ტექსტი, ქსელის ფლოუის გრაფები და IAM‑პოლიტიკები ერთიან TGNN‑ში.  
2. **სელფ‑სუპერვიზირებული პრეტრენინგი** – მასივური ულაბლებული მოვლენების ნაკადებიდან საერთო compliance‑ის დინამიკის შესწავლა, შემდეგი ფინეტუნინგი აუდიტის ლეიბლებზე.  
3. **ფედერაციული სწავლება მრავალ‑ტენანტზე** – მოდელის განახლება, არ აჩვენოთ პროპრაიტერიული კონფიგურაციის მონაცემები, რაც აუმჯობესებს აღმოჩენას მრავალ‑ტენანტიან SaaS‑პლატფორმებზე.  
4. **Zero‑Shot დრიფტის აღმოჩენა** – LLM‑ები სინთეზურ დრიფტის სცენარებს ქმნიან ახალი ან წარმოშული რეგულაციებისთვის (მაგ., AI Act).

---

## დასკვნა

პოლიტიკის დრიფტის რეალურ‑დროში აღმოჩენა აღარ არის “მხოლოდ სასურველი” ფუნქცია; იგი კრიტიკული კონტროლია თანამედროვე, ღრუბლოვან‑ნატურალურ კომპანიებში. შესაბამისობის არტიფაქტების წარმოდგენა როგორც **დროითი ცოდნის გრაფის** და გრაფიკული ნეირონული ქსელების (XAI‑ით) გამოყენებით, ორგანიზაციებს შეუძლიათ გადახვიდნენ რეაქტიული აუდიტებიდან პროქტიული გవరნანსისკენ. აღწერილი არქიტექტურა უზრუნველყოფს დაბალი ლატენციის ალერტებს, გასაგებად განმარტებებს და შეუფერებელ ინტეგრაციას არსებული DevSecOps‑ის ნაკადებში — გადაყვანისგან compliance‑ის ღირებულება ხარჯის ცენტრიდან სტრატეგიული უპირატესობით.

---

## ნახეთ ასევე

- [Temporal Graph Neural Networks: A Survey (arXiv)](https://arxiv.org/abs/2105.12345)  
- [Explainable AI for Graph Models (MIT Press)](https://mitpress.mit.edu/9780262041234)  
- [Policy‑as‑Code Best Practices (Open Policy Agent)](https://www.openpolicyagent.org/docs/latest/policy-as-code/)