Отримано 08.07.2025, Доопрацьовано 15.10.2025, Прийнято 23.12.2025

Інтегрована оцінка конфіденційності систем: формалізація, нормалізація та диференційна приватність

Дмитро Прокопович-Ткаченко*, Людмила Рибальченко, Володимир Звєрєв, Борис Хрушков, Валерій Бушков

prokopovich-tkachenko@umsf.dp.ua



Вимоги щодо конфіденційності та приватності даних дедалі більше зростають. Метою роботи було розробити формалізований підхід до оцінювання конфіденційності інформаційних систем, що базується на векторному поданні множини параметрів. У запропонованому підході кожен параметр має числове значення у визначеному інтервалі, яке відображає ступінь його реалізації або важливості. Для зручності та структурованості параметри було розділено на кілька категорій (контроль доступу, шифрування, логування, управління ключами, керування ризиками й управління інцидентами), що охоплюють основні аспекти інформаційної безпеки. Загальний показник конфіденційності системи обчислювався за допомогою зваженої суми, де вагові коефіцієнти уточнювалися залежно від критичності кожного параметра. Для уніфікації шкал і забезпечення коректного подальшого аналізу застосовано методи нормалізації (мінімаксна та Z-нормалізація), завдяки чому отримані значення параметрів можна порівнювати й ефективно інтегрувати в загальну модель. У пропонованому методі для захисту вихідних даних і підвищення приватності використовується диференційна приватність, що забезпечується додаванням випадкового шуму з нормальним розподілом. Такий крок ускладнює процес відновлення початкових показників та мінімізує ризик ідентифікації конкретних записів, зберігаючи при цьому точність сукупних статистичних оцінок. Розроблений підхід містить кілька послідовних етапів: від первинної категоризації й нормалізації даних до реалізації диференційної приватності до аналізу даних у нейронній мережі. Його важливою перевагою є можливість інтегрувати різні аспекти захисту даних у єдину узгоджену систему. Така багатовимірна концепція сприяє гнучкості рішення та дозволяє швидко адаптувати його до оновлених вимог або появи нових загроз. Представлена модель особливо актуальна в галузях, де обробляються чутливі дані: охороні здоров’я, банківському та фінансовому секторах, а також у сфері державного управління й інформаційної безпеки. Запропонований підхід закладає основу для розробки й масштабування безпечних та прозорих систем, які відповідають сучасним стандартам збереження конфіденційності

захист інформації; безпекові нейронні мережі; нормалізація векторних даних; доступ до інформації; параметри оцінки безпеки; статистичний шум; адаптивне машинне навчання
125-135
Prokopovych-Tkachenko, D., Rybalchenko, L., Zvieriev, V., Khrushkov, B., & Bushkov, V. (2025). Integrated assessment of system privacy: Formalisation, normalisation and differential privacy. Information Technologies and Computer Engineering, 22(3), 125-135. https://doi.org/10.31649/vitce/3.2025.125

Використані джерела

[1] Ahsan, M.S., & Pathan, A.-S.K. (2025). A comprehensive survey on the requirements, applications, and future challenges for access control models in IoT: The state of the art. IoT, 6(1), article number 9. doi: 10.3390/ iot6010009.

[2] Chubukova, O., Ponomarenko, I., & Domantovych, O. (2020). Using data science to risk assessment. Market Infrastructure, 47, 129-132. doi: 10.32843/infrastruct47-24.

[3] Dwork, C., & Roth, A. (2014). The algorithmic foundations of differential privacy. Foundations and Trends® in Theoretical Computer Science, 9(3-4), 211-407. doi: 10.1561/0400000042.

[4] Fathullah, M.A., Subbarao, A., & Muthaiyah, S. (2023). A systematic review: Risk management of cloud computing projects in healthcare. International Journal of Management, Finance and Accounting, 4(2), 83-115. doi: 10.33093/ ijomfa.2023.4.2.5.

[5] Grinko, I., Skrypnyk, T., & Barmak, O. (2023). Quantum convolutional neural networks: Features of implementation in technical, natural and socio-economic systems. Herald of Khmelnytskyi National University. Technical Sciences, 323(4), 87-94. doi: 10.31891/2307-5732-2023-323-4-87-94.

[6] Gumen, О.М., & Rachek, K.O. (2023). Neural networks and machine learning in data processing for space weather forecasting. Applied Questions of Mathematical Modeling, 6(2), 19-23. doi: 10.32782/mathematicalmodelling/2023-6-2-2.

[7] Ivanichenko, V., Sablina, M., & Kravchuk, K. (2021). Use of machine learning in cyber security. Cybersecurity: Education, Science, Technology, 4(12), 132-142. doi: 10.28925/2663-4023.2021.12.132142.

[8] Lee, H., Finke, D.C., & Yang, H. (2023). Privacy-preserving neural networks for smart manufacturing. Journal of Computing and Information Science in Engineering, 24(7), article number 071002. doi: 10.1115/1.4063728.

[9] Liavynets, H., Liulka, O., & Tkachuk, Y. (2024). Shallow artificial neural networks in management hotel and restaurant business. Economy and Society, 68. doi: 10.32782/2524-0072/2024-68-46.

[10] Piplai, A., Kotal, A., Mohseni, S., Gaur, M., Mittal, S., & Joshi, A. (2023). Knowledge-enhanced neurosymbolic artificial intelligence for cybersecurity and privacy. IEEE Internet Computing, 27(5), 43-48. doi: 10.1109/MIC.2023.3299435.

[11] Rutkas, A., & Shtanko, V. (2024). Artificial neural networks: A tool or a partner of the human mind. Grail of Science, 47, 652-659. doi: 10.36074/grail-of-science.20.12.2024.099.

[12] Sav, S., Diaa, A., Pyrgelis, A., Bossuat, J.-P., & Hubaux, J.-P. (2023). Privacy-preserving federated recurrent neural networks. Proceedings on Privacy Enhancing Technologies, 2023(4), 500-521. doi: 10.56553/popets-2023-0122.

[13] Savka, N., Vasylkiv, N., Dubchak, L., & Mudryk, I. (2020). Radial-basis neural networks for enterprises activity prediction. European Science, 3(sge17-03), 42-48. doi: 10.30890/2709-2313.2023-17-03-012.

[14] Semenenko, O., Kirsanov, S., Movchan, A., Ihnatiev, M., & Dobrovolskyi, U. (2024). Impact of computer-integrated technologies on cybersecurity in the defence sector. Machinery & Energetics, 15(2), 118-129. doi: 10.31548/ machinery/2.2024.118.

[15] Shokri, R., Stronati, M., Song, C., & Shmatikov, V. (2017). Membership inference attacks against machine learning models. In IEEE symposium on security and privacy (pp. 3-18). San Jose: IEEE. doi: 10.1109/SP.2017.41.

[16] Terpilovskyi, Y. (2024). Comparison of DNA k-mer data representations for classification via neural networks. International Scientific Technical Journal “Problems of Control and Informatics”, 69(6), 61-69. doi: 10.34229/1028-09792024-6-5.

[17] Thantharate, P., & Anurag, T. (2023). CYBRIA – Pioneering federated learning for privacy aware cybersecurity. In IEEE 20th international conference on smart communities: Improving quality of life using AI, robotics and IoT (HONET) (pp. 56-61). Boca Raton: IEEE. doi: 10.1109/honet59747.2023.10374608.

[18] Tyshchenko, S., & Kuznetsov, E. (2024). Neural networks for the problem of image classification. Science and Technology Today, 3(31). doi: 10.52058/2786-6025-2024-3(31)-705-718.

[19] Volokyta, A., & Melenchukov, M. (2024). Neural networks in detecting attacks on distributed systems. Technical Sciences and Technologies, 1(35), 135-145. doi: 10.25140/2411-5363-2024-1(35)-135-145.

[20] Zaplatynskyi, N., Lub, P., & Zaporozhtsev, S. (2024). Improving cybersecurity with artificial intelligence. Bulletin of Cherkasy State Technological University, 29(4), 53-61. doi: 10.62660/bcstu/4.2024.53.