פרוטוקול ניסיוני להגירה מאובטחת של נתונים בענן המונחית על ידי בינה מלאכותית הסבירה תוך שימוש בנתוני בריאות סינתטיים

Priyanka Nalawade; Prashant Kumbharkar; Pankaj Agarkar; Avanish Kumbharkar; Sudan Jha

doi:10.3791/71612

מאמר שיטה

פרוטוקול ניסיוני להגירה מאובטחת של נתונים בענן המונחית על ידי בינה מלאכותית הסבירה תוך שימוש בנתוני בריאות סינתטיים

DOI:

10.3791/71612

⸱

14 באוגוסט 2026

Priyanka Nalawade¹^,² , Prashant Kumbharkar¹ , Pankaj Agarkar³ , Avanish Kumbharkar⁴ , Sudan Jha⁵

¹School of Engineering, Ajeenkya D Y Patil University, ²Department of Computer Engineering (Software Engineering), MIT Academy of Engineering, ³Ajeenkya D Y Patil SOE Lohegaon, ⁴MS Scholar, The University of Sydney, ⁵Department of Computer Science and Engineering, Kathmandu University

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

שיטה זו מציגה מסגרת מקיפה המבוססת על בינה מלאכותית הניתנת להסבר (XAI) כדי לאפשר הגירה מאובטחת של נתוני בריאות לענן, תוך שימוש במערך נתונים סינתטי של בריאות בתוך סביבת ענן מבוקרת. התוצאה היא אב-טיפוס המשלב אבטחת אפס-אמון (zero-trust), בקרת גישה מבוססת זמן וזיהוי חריגות ניתן להסבר, כדי לתמוך בשקיפות ובאבטחה של תהליך ההגירה.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

במערכות בריאות, מתבצעת יותר ויותר הגירה של נתונים לענן, אך דבר זה משנה גם את הזמנים שבהם העברת הנתונים מהווה ככל הנראה את הסיכון הגבוה ביותר מבחינת אבטחה. מאמר זה מתאר פרוטוקול הדיר בביצוע להגירה מאובטחת של נתוני ענן המבוססת על בינה מלאכותית ניתנת להסבר (XAI), תוך שימוש במערך נתונים סינתטי של בריאות ובסביבת ענן מבוקרת. המסגרה שפותחה משלבת ארכיטקטורת zero-trust, הרשאת מינימום זמנית (temporal least privilege), תקשורת מוצפנת, ניטור מרכזי וזיהוי חריגות ניתן להסבר, כדי להשיג הגירה מאובטחת, שקופה וניתנת לביקורת יותר. הבדיקות נעשו באמצעות מערך נתונים של 10 GB של רשומות בריאות אלקטרוניות סינתטיות, הכולל כ-20 מיליון רשומות הפרוסות על פני 28 טבלאות רלציוניות. תהליך ההגירה בוצע בשירותי Amazon web services (AWS) באמצעות בסיסי נתונים מסוג PostgreSQL ורשתות וירטואליות פרטיות. לצורך זיהוי חריגות נעשה שימוש ב-Isolation Forest, ו-Shapley additive explanations (SHAP) שימשו לפירוש מאובטח של אירועים. המסגרת הוערכה בעשרה ניסיונות הגירה נפרדים תוך שימוש במדדים כגון משך חשיפת האישוריים, זמן זיהוי אירועים, דיוק זיהוי חריגות, השהיית הגירה ושלמות הנתונים. תחת התצורה שנבדקה, חשיפת האישוריים הופחתה מ-24 h ל-1 h (הפחתה של 95.8%), דיוק זיהוי החריגות היה 97.4%, זמן זיהוי האירועים הופחת לכ-15 min, ושלמות נתונים של 100% נשמרה באמצעות אימות checksum. עם זאת, אמצעי האבטחה המחמירים יותר הובילו לעלייה ממוצעת של 11% בהשהיית ההגירה. תוצאות אלו מדגימות את הפוטנציאל שבשילוב של AI ניתנת להסבר עם זרימות עבודה של הגירת ענן מאובטחת לניהול נתוני בריאות.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחשוב ענן הוא כיום חלק בלתי נפרד ממערכות הבריאות ברחבי העולם, והוא מציע אחסון ניתן להרחבה, משאבים חישוביים ואת היכולת להחליף רשומות רפואיות, לתמוך במערכות תמיכה בקבלת החלטות ולאפשר ניתוחי נתונים בריאותיים באמצעות הענן¹^,²^,³. עם שדרוג מערכות המידע של מוסדות בריאות רבים, המעבר לענן הפך עבורם לצעד חיוני כדי להעביר את נתוני הבריאות הרגישים השמורים במערכות מקומיות מיושנות אל הענן⁴. הגירה נכונה מובילה לאחזור נתונים קל יותר, להרצת פעולות באופן יעיל יותר ולתמיכה בניתוחים עם רמות גבוהות יותר של אינטליגנציה, אך במקביל, לא ניתן להתעלם מסיכוני אבטחה ופרטיות חמורים למדי הכרוכים בהעברת נתונים ממקום אחד למשנהו⁵.

שלב ההגירה הוא רגע פגיע ידוע במחזור החיים של הנתונים, מכיוון שנתוני בריאות מועברים באופן פעיל בין מערכות ורשתות מעצם טבעו של התהליך⁶. בנוסף, ארגונים עלולים להיות חשופים לאיומים כגון פריצה להרשאות גישה, גישה לא מורשית, יירוט נתונים, תכניות מניפולציה ואפילו אובדן נתונים במהלך שלב ההגירה⁶^,⁷. סביבות בריאות הן פחות חסונות מפני סיכונים אלו, כיוון שמידע על מטופלים הוא רגיש ביותר ולפיכך דורש את הרמה הגבוהה ביותר של עמידה בנורמות רגולטוריות ובאמצעי אבטחה⁸^,⁹. ללא זאת, לא ניתן להבטיח את סודיות הנתונים, את שלמותם ואת האחריות עליהם, אם זרימת העבודה של ההגירה אינה מאובטחת ואינה ניתנת לניטור¹⁰^,¹¹.

מספר מסגרות ותקני אבטחה פותחו בניסיון לשפר את אבטחת הענן. לדוגמה, ארכיטקטורת ה-Zero Trust של המכון הלאומי לתקנים וטכנולוגיה (NIST) מתמקדת באימות מתמיד של משתמשים, התקנים ושירותים¹², בעוד שמסגרות לאימוץ ענן מספקות הנחיות בנושאי ממשל, ניהול זהויות, הצפנה וניטור¹³. למעשה, שיטות אבטחת ענן כיום מתמקדות באוטומציה, תשתית כקוד (infrastructure-as-code) וניטור רציף¹⁴^,¹⁵. בעוד שגישות אלו מבוססות על עקרונות אבטחה בעלי ערך, הן עוסקות במידה רבה בפריסה כללית של ענן ובסביבות תפעוליות, ולא בתהליך ההגירה עצמו¹⁶. למעשה, הן כמעט ואינן מציגות נהלים מפורטים, הניתנים לשחזור ובצעים שלב-אחר-שלב, לביצוע זרימות עבודה של הגירת נתוני ענן רפואיים מאובטחת, המשלבות ניהול זהויות, העברה מאובטחת של נתונים, תיקוף, ניטור והקשחה לאחר ההגירה¹⁷.

זיהוי חריגות באמצעות למידת מכונה (Machine learning anomaly detection) הוכר כטכנולוגיה מועילה לניטור אבטחה של סביבות ענן. הוא מזהה פעילות מערכת חריגה וכן אירועי אבטחה פוטנציאליים¹⁸. עם זאת, שיטות רבות לזיהוי חריגות הן מערכות סגורות שאינן מספקות הסברים על הרציונל העומד מאחורי סימון אירוע אבטחה¹⁹. חוסר היכולת להסביר החלטות שקיבלו המערכת מפחית את האמון של מנהלי המערכת, מקשה על ביצוע ביקורת ומקטין את ערכן של החלטות אבטחה אוטומטיות בסביבות בריאות רגולטוריות קפדניות²⁰. שיטות של בינה מלאכותית ניתנת להסבר (XAI), כגון SHapley Additive exPlanations (SHAP) ו-Local Interpretable Model-agnostic Explanations (LIME), לא רק מספקות הסברים ברורים לתחזיות של למידת מכונה, אלא גם משפרות את ההבנה, האחריות והביטחון במערכות לניטור אבטחה²¹^,²².

אף על פי שאבטחת ענן ובינה מלאכותית הניתנת להסבר (explainable AI) התקדמו בצעדי ענק, עדיין קיים מחסור בפרוטוקולים ניסויים הניתנים לשחזור המשלבים בקרות הגירה מאובטחות עם ניטור אבטחה ניתן להסבר לצורכי אינטגרציה²³. מחקרים קיימים מתמקדים ברובם ברכיבים בודדים בלבד, כגון הצפנה, בקרת גישה, זיהוי חריגות או ממשל ענן, ושום מקור אינו מציע מתודולוגיה משולבת שניתן ליישם, להעריך ולשחזר באופן שיטתי²⁴. מעבר לכך, כמעט ואין מחקרים שניסו לאחד עקרונות אבטחה של אמון אפס (zero-trust), הרשאה מינימלית זמנית (temporal least privilege), יכולת צפייה מרכזית וזיהוי חריגות ניתן להסבר לכדי זרימת עבודה אחת להגירת ענן בתחום הבריאות²⁵^,²⁶.

מאמר זה מציג מסגרת מבוססת AI הסברי (Explainable AI) להגירה מאובטחת של נתוני ענן במערכות בריאות כדי למלא חלל זה. הארכיטקטורה המוצעת משתמשת במודל אפס-אמון (zero-trust), גישה מוגבלת בזמן, תקשורת מאובטחת, רישום וניטור מרכזיים, וזיהוי אנומליות הסברי מבוסס SHAP בתהליך הגירה מסודר²⁷^,²⁸. הפרוטוקול מהווה מדריך שלב-אחר-שלב להטמעה, ניטור והערכה של הגירה מאובטחת של נתוני בריאות תחת תנאים ניסיוניים. באמצעות שילוב של בקרות אבטחה עם ניטור הסברי מבוסס AI, מסגרת זו שואפת להעלות את רמת השקיפות, היכולת לביקורת והאבטחה לאורך כל מחזור חיי ההגירה²⁹^,³⁰.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

במחקר זה נעשה שימוש במערך נתונים סינתטי מלא של שירותי בריאות, אשר הופק לצורך הערכה ניסיונית של הגירה מאובטחת של נתונים לענן. לא נעשה שימוש בנתונים אמיתיים של מטופלים, במידע בריאותי מוגן (PHI) או ברשומות בריאות שניתן לזהותן. לפיכך, לא נדרשו אישור של ועדת הלסינקי (IRB) או הסכמה מדעת. כל החומרים ששימשו במחקר זה כלולים ב- טבלת חומרים.

1. סקירה כללית

הגדר סביבת הגירה לענן מאובטחת המורכבת משכבת מקור, שכבת מרכז הגירה (migration hub), שכבת יעד, שכבת רשת, שכבת ניהול זהויות וגישה, שכבת ניטור (observability) ושכבת בינה מלאכותית ניתנת להסבר (Explainable AI).
פרוס את כל הרכיבים בתוך סביבות ענן מבודדות לתמיכה בהגירה מאובטחת של נתוני בריאות. הקם ערוצי תקשורת מוצפנים בין כל רכיבי המערכת.
בצע את הפרוטוקול באמצעות הכנת מערכי נתונים, הגדרת סביבה, פריסת ארכיטקטורה, הגירה מאובטחת, ניטור חריגות ותיקוף לאחר ההגירה. הארכיטקטורה הכללית של מסגרת ההגירה המאובטחת של נתוני ענן מבוססת Explainable AI המוצעת מוצגת ב-איור 1.

figure-protocol-1
איור 1: ארכיטקטורה כללית של מסגרת העברת נתוני ענן מאובטחת מבוססת בינה מלאכותית ניתנת להסבר (XAI) עבור מערכות בריאות. המסגרת מורכבת משכבת ניהול זהויות וגישה, שכבת מסד נתונים מקור, שכבת מוקד הגירה (migration hub), שכבת מסד נתונים בענן יעד, שכבת אבטחת רשת, שכבת נראה (observability), שכבת ניטור AI ניתנת להסבר, ושירותי אבטחה וממשל רוחביים. הארכיטקטורה משלבת בקרת גישה זמנית של מינימום הרשאות (least-privilege), תקשורת מוצפנת ב-TLS 1.3, אימות שלמות מבוסס checksum, ניטור אבטחה רציף, ויכולת הסבר מבוססת SHAP כדי לספק הגירה מאובטחת, שקופה וניתנת לשחזור של מסדי נתונים רפואיים. איור זה נוצר על ידי המחברים באמצעות Microsoft PowerPoint (Microsoft 365). אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

2. הגדרת סביבת המחשוב

הגדרת סביבת המחשוב
1. הכנת משאבי המחשוב הנדרשים להגירה מאובטחת של נתונים לענן ולניטור מבוסס AI הסברי (explainable AI).
2. התקנה והגדרה של כל החומרה, התוכנה, שירותי הענן, בסיסי הנתונים, כלי האבטחה וספריות למידת המכונה המפורטים בטבלת החומרים. יש לוודא שכל הרכיבים הנדרשים תקינים ופעילים לפני תחילת ניסוי ההגירה.
הגדרת סביבת הענן
1. הקמת סביבת ענן המאובטחת להגירה של נתוני בריאות. הגדרת VPC פרטי לתקשורת רציפה בין מערכת המקור, מרכז ההגירה ומערכות היעד. יש להשתמש בהצפנה חזקה לא רק בעת אחסון הנתונים, אלא גם בעת העברתם.
2. הכנת בסיס נתוני היעד ושירותי ההגירה בהתאם לפרטים המופיעים בטבלת החומרים.
הגדרת ניהול זהויות והרשאות גישה. הגדרת שירותי ניטור ותיעוד (logging).

3. הכנה ותיאור של מערך הנתונים

צור סט נתונים סינתטי של שירותי בריאות באמצעות ספריית Faker של Python המפורטת בטבלת החומרים. הגדר מאפיינים דמוגרפיים, כולל גיל המטופל, מין, מוצא גאוגרפי ומיקום, באמצעות התפלגויות הסתברות שנקבעו מראש.
צור מידע קליני, הכולל אבחנות, תוצאות מעבדה, תרופות, אלרגיות, הליכים ואשפוזים בבית החולים, תוך שמירה על קשרים קליניים ריאליסטיים.
צור מפגשי מטופלים אורךים (longitudinal) על ידי שיוך ביקורים מרובים למטופלים בודדים בהתאם להתפלגויות תדירות ביקורים שנקבעו מראש.
צור חותמות זמן עבור אשפוזים, בדיקות מעבדה, מתן תרופות, סיכומי שחרור ויומני ביקורת (audit logs) באמצעות סדר אירועים כרונולוגי.
הכנס ערכים חסרים ריאליסטיים מבחינה קלינית, רשומות כפולות ותצפיות חריגות (outliers) בהתאם להתפלגויות איכות נתונים שנקבעו מראש.
החלף את כל המידע המזהה אישית בערכים סינתטיים שנוצרו באמצעות ספריית Faker. בצע אימות של השלמות הרפרנציאלית (referential integrity) ועקביות לוגית לפני ייצוא סט הנתונים. ייצא את סט הנתונים המאומת בפורמט SQL התואם ל-PostgreSQL. הגדר את סט הנתונים כך שיתמוך בתרחישי הגירה ריאליסטיים של נתוני בריאות. מאפייני סט הנתונים שנוצר מסוכמים ב-Table 1.
הגדר קשרי בסיס נתונים. הגדר את Patient_ID כמפתח הראשי (primary key) עבור טבלת המטופלים. בסס קשרי מפתח זר (foreign-key) בין טבלאות המטופלים, הביקורים, המעבדה, התרופות ויומני הביקורת. ודא את השלמות הרפרנציאלית בכל הטבלאות לפני תחילת ההגירה.
דמה מאפייני נתוני בריאות ריאליסטיים. צור גילאי מטופלים באמצעות התפלגות נורמלית. צור תדירויות ביקורים באמצעות התפלגות פואסון (Poisson). הכנס ערכים חסרים בשיעור של 5% כדי לדמות חוסר שלמות של EHR בעולם האמיתי. החלף את כל מזהי המטופלים בערכי hash לפני ההגירה. ודא שכל הרשומות שנוצרו תואמות לאילוצי הסכימה שנקבעו מראש.
אמת את סט הנתונים שנוצר על ידי בדיקת עקביות הסכימה, השלמות רפרנציאלית, ערכים חסרים, רשומות כפולות ואילוצי איכות שנקבעו מראש לפני ההגירה.

פרמטר	ערך
סוג מערך הנתונים	מערך נתוני EHR סינתטי לבריאות
גודל מערך הנתונים	10 GB
סה"כ רשומות	20 מיליון
מספר טבלאות	5 טבלאות ליבה - 28 טבלאות רלציוניות
רשומות מטופלים	5,000,000
רשומות ביקורים	10,000,000
תוצאות מעבדה	4,000,000
רשומות תרופות	3,000,000
יומני ביקורת	5,000,000
מפתח ראשי	Patient_ID
שיעור ערכים חסרים	5%
התפלגות גילים	התפלגות נורמלית
תדירות ביקורים	התפלגות פואסון
סף שלמות	<0.1% הפרות

טבלה 1: מאפייני מערך הנתונים הסינתטי של שירותי הבריאות ששימש לתיקוף הפרוטוקול. הטבלה מספקת סקירה כללית של מערך הנתונים, כגון גודל בסיס הנתונים, מספר הטבלאות היחסיות, סך הרשומות, מאפייני מטופלים, משתנים קליניים ומאפייני תיקוף לשחזור ניסויי ההגירה המאובטחת.

4. פריסת ארכיטקטורת המערכת

הטמיעו את ארכיטקטורת הגירת הענן המאובטחת, המורכבת משכבת המקור, שכבת מרכז ההגירה, שכבת היעד, שכבת אבטחת הרשת, שכבת הניטור (observability) ושכבת ה-AI ההסברי (explainable AI). ארכיטקטורת המערכת שהוטמעה במחקר זה מוצגת ב-איור 2.
המסגרת מורכבת משש שכבות עבודה, המבצעות את תפקידיהן אחת אחרי השנייה במהלך תהליך ההגירה. השכבה הראשונה, שכבת המקור (Source Layer), היא זו המכילה את מסד הנתונים הסינתטי של שירותי הבריאות.
מרכז ההגירה (Migration Hub) הוא הגוף האחראי על חילוץ הסכימה, העברת נתונים מוצפנת, אימות שלמות ותזמור ההגירה. שכבת היעד היא המקום שבו מסד הנתונים שהוגיר מאוחסן ב-Amazon RDS PostgreSQL.
שכבת אבטחת הרשת היא זו המאבטחת את כל התקשורת באמצעות נקודות קצה פרטיות של VPC, הצפנת TLS 1.3, קבוצות אבטחה (security groups) ורשימות בקרת גישה לרשת (NACLs).
שכבת הניטור היא זו האוספת באופן רציף יומני אימות, יומני הגירה, יומני פעילות של מסד הנתונים ואירועי אבטחה בעזרת Amazon CloudWatch.
שכבת ה-AI ההסברי היא זו המקבלת את הטלמטריה של האבטחה שנאספה, מעבירה אותה דרך אלגוריתם Isolation Forest ומפיקה הסברים מבוססי-SHAP עבור האנומליות שנמצאו. כל שכבות הארכיטקטורה מתקשרות זו עם זו דרך ערוצי רשת פרטיים המאומתים לאורך כל זרימת העבודה של ההגירה.
הטמיעו ואמתו את סביבת מסד נתוני המקור כדי להבטיח גישה מאובטחת וזמינות נתונים לפני ההגירה.
1. הקימו מסד נתונים PostgreSQL 16 עם מערך הנתונים הסינתטי של שירותי הבריאות. שמרו במסד נתוני המקור את פרטי המטופלים, פרטי הביקורים, תוצאות מעבדה, רשומות תרופות ויומני ביקורת.
2. הגבילו את הגישה למסד הנתונים לשירותי הגירה מורשים ולמשתמשים מנהליים בלבד. אמתו את זמינות מסד הנתונים ואת הקישוריות לפני תחילת פעולות ההגירה.
הגדירו את מרכז ההגירה לתיאום חילוץ הסכימה, העברת נתונים מוצפנת ותזמור ההגירה.
1. הטמיעו שרת הגירה ייעודי בתוך ענן פרטי וירטואלי (VPC) פרטי. הגדירו שירותי תזמור הגירה לתיאום חילוץ הסכימה, העברת נתונים ופעולות אימות.
2. הפעילו שירותי אימות-סכימה כדי לוודא תאימות בין סביבת המקור לסביבת היעד. הפעילו שירותי אימות-שלמות כדי לאמת את הנתונים שהוגרו במהלך ואחרי ההעברה. אמתו את התקשורת בין מרכז ההגירה למערכות מסדי הנתונים לפני ביצוע משימות ההגירה.
הטמיעו את שכבת היעד. הטמיעו Amazon RDS PostgreSQL 16 כסביבת מסד נתוני היעד. הפעילו שירותי גיבוי ושחזור אוטומטיים. הפעילו הצפנת AES-256 עבור נתונים המאוחסנים במסד נתוני היעד.
הגדירו את אבטחת הרשת. בטלו את כל כתובות ה-IP הציבוריות הקשורות למשאבי ההגירה. התירו תקשורת אך ורק דרך נקודות קצה פרטיות בתוך ה-VPC. הגדירו רשימות בקרת גישה לרשת (NACLs) וקבוצות אבטחה. הפעילו הצפנת TLS 1.3 לכל התקשורת בין רכיבי המערכת. ודאו ששום נקודת קצה נגישה לציבור אינה נשארת פעילה.
הגדירו ניטור מרכזי לאיסוף רציף של אירועי אבטחה, יומני הגירה ומדדי ביצועי מערכת.
1. הפעילו את שירותי הרישום והניטור של Amazon CloudWatch. אספו יומני אימות, יומני הגירה, יומני פעילות של מסד הנתונים ויומני אירועי אבטחה. הגדירו שמירת יומנים למשך 365 ימים. הפעילו אחסון יומנים בלתי ניתן לשינוי (immutable) כדי לתמוך בדרישות ביקורת ותאימות. אמתו את איסוף המדדים בזמן אמת ואת יצירת ההתראות.
הגדירו את סביבת ה-AI ההסברי לביצוע זיהוי אנומליות בזמן אמת ויצירת הסברי אבטחה הניתנים לפירוש.
1. הטמיעו שירותי זיהוי-אנומליות בתוך סביבת הניטור. הגדירו את מסגרת ה-AI ההסברי לעיבוד טלמטריה של אבטחה הנוצרת במהלך ההגירה. חברו את זרמי הטלמטריה של האבטחה מהמקור, ממרכז ההגירה, ממסד נתוני היעד ומשירותי הניטור.
2. הפעילו זיהוי אנומליות בזמן אמת ויצירת הסברים מבוססי-SHAP. אמתו את קליטת נתוני הטלמטריה בהצלחה לפני תחילת ניסויי ההגירה.

figure-protocol-2
איור 2: ארכיטקטורת הפריסה של מסגרת העבודה להגירה מאובטחת לענן בתחום הבריאות. סביבת הפריסה ממחישה את מסד נתוני המקור PostgreSQL המכיל את מערך הנתונים הסינתטי של שירותי הבריאות, את מרכז ההגירה הייעודי בתוך ענן פרטי וירטואלי (VPC), את מסד נתוני היעד Amazon RDS PostgreSQL, את שכבת אבטחת הרשת, ניטור מרכזי באמצעות Amazon CloudWatch, ואת שכבת הניטור של בינה מלאכותית ניתנת להסבר (Explainable Artificial Intelligence). כל התקשורת מתבצעת באמצעות נקודות קצה פרטיות המוגנות בהצפנת TLS 1.3. איור זה נוצר על ידי המחברים באמצעות Microsoft PowerPoint (Microsoft 365). אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

5. זרימת עבודה להגירה מאובטחת

הערה: בצע את תהליך ההגירה המאובטח על ידי ביצוע מידול איומים, העברת סכימה, הגירת נתונים מאובטחת, אימות ההגירה והקשחה לאחר ההגירה.

זהו איומי אבטחה פוטנציאליים ומפו מי נשקי הפיתוח המתאימים לפני תחילת תהליך ההגירה.
1. זהה נכסי הגירה, וקטורי תקיפה פוטנציאליים ותרחישי סייבר ריאליסטיים.
2. הערך גניבת פרטי גישה כתוצאה מאסימוני אימות שנפרצו, תקיפות פנימיות הכוללות גישה ניהולית לא מורשית, תקיפות replay המכוונות לבקשות אימות שנתפסו בעבר, תקיפות man-in-the-middle (MITM) המנסות ליירט ערוצי תקשורת מוצפנים, שינוי סכמה (schema tampering) שנועד לשנות מבני מסדי נתונים במהלך ההגירה, ותקיפות של העלאת הרשאות שמטרתן השגת הרשאות ניהול לא מורשות.
3. בדוק האם שימוש בניהול פרטי גישה זמניים בעקרון ההרשאה המינימלית (least-privilege) מספיק למניעת גניבת פרטי גישה ותקיפות העלאת הרשאות. ודא שתקשורת המוצפנת באמצעות TLS 1.3 מגנה מפני תקיפות replay ותקיפות man-in-the-middle.
4. ודא שמדיניות ניהול הזהויות והגישה (IAM) מונעת גישה ניהולית לא מורשית. ודא שרישום ביקורת (audit logging) רציף שומר תיעוד של כל פעילויות ההגירה הקשורות לאבטחה. ודא שבדיקה באמצעות checksum מסוג SHA-256 מסוגלת לזהות שינויים לא מורשים בסכמה או בנתונים.
5. ודא שמסגרת זיהוי האנומליות ההסברית יכולה לאתר פעילויות הגירה חריגות וכן לספק הסברי אבטחה ניתנים לפירוש. צור מפת בקרת אבטחה עבור כל איום שזוהה. ודא שכל האיומים שזוהו מומעטו באופן מספק לפני תחילת הגירת מסד הנתונים. המחברים סיכמו את מודל האיומים ובקרות האבטחה ב-טבלה 2.
העבר את סכמת מסד הנתונים. שלוף הגדרות סכמה ממסד נתוני ה-PostgreSQL המקור. תקף את תאימות הסכמה עם סביבת מסד הנתונים של היעד. ודא את מבני הטבלאות, המפתחות הראשוניים, המפתחות הזרים, האינדקסים והאילוצים. פרוס את הגדרות הסכמה המתוקפות במסד נתוני היעד. אשר פריסה מוצלחת של הסכמה לפני העברת הנתונים.
הגר נתוני בריאות באופן מאובטח דרך ערוצי תקשורת מוצפנים תוך ניטור רציף של פעילויות ההגירה.
1. הגדר את גודל אצווה ההגירה ל-10,000 רשומות לטרנזקציה. הקם ערוצי תקשורת מוצפנים באמצעות TLS 1.3. העבר נתונים דרך נקודות קצה של רשת פרטית בתוך הענן הפרטי הווירטואלי (VPC).
2. הפעל ניסיונות פריסה חוזרים אוטומטיים עם מקסימום של שלושה ניסיונות עבור טרנזקציות שנכשלו.
  שמור על קצב העברת נתונים בין 100 MB/s ל-150 MB/s. נטר את פעילויות ההגירה באופן רציף לאורך תהליך ההעברה. רשום את כל אירועי ההגירה ביומני ביקורת מרכזיים.
ודא את שלמות והסגירה של ההגירה על ידי השוואת checksums, ספירת רשומות ומבני מסדי נתונים.
1. צור ערכי hash מסוג SHA-256 עבור כל טבלאות המקור לפני ההגירה, וערכי hash מסוג SHA-256 עבור כל טבלאות היעד לאחר ההגירה. התאם בין ערכי ה-checksum של המקור והיעד. בצע בדיקה הצלבית של מספר השורות במסדי נתוני המקור והיעד. בדוק את העקביות של הסכמות, קשרי הטבלאות ואילוצי מסד הנתונים. הגדר את ההגירה כהצלחה רק כאשר ערכי ה-checksum, ספירת הרשומות ומבני הסכמה זהים.
הסר הרשאות זמניות וסכם את בקרות האבטחה לאחר השלמה מוצלחת של הגירת הנתונים.
1. בטל את כל פרטי גישת ההגירה הזמניים מיד לאחר השלמת ההגירה. הסר הרשאות הגירה מוגברות מחשבונות שירות. ארכב את יומני הביקורת ורשומות ניטור האבטחה.
2. ודא השלמה מוצלחת של נהלי הגיבוי. הוצא משימוש שרתי הגירה זמניים ומשאבים תומכים. בצע סקירת אבטחה סופית של הסביבה שהוגרה. תעד את תוצאות ההגירה ואת תוצאות התיקוף. זרימת העבודה של ההגירה המאובטחת המלאה ששימשה במחקר זה מודגמת ב-איור 3.

תרחיש איום	בקרת אבטחה	שיטת זיהוי	הפגתה/צמצום
גניבת אישורי גישה	Temporal Least Privilege (TLP)	יומני IAM	ביטול אוטומטי של אישורי גישה
מתקפת פנים (Insider attack)	Role-Based Access Control (RBAC)	יומני ביקורת + SHAP	סיום הפעלה (Session termination)
מתקפת השחזר (Replay attack)	TLS 1.3 + אימות Nonce	ניטור רשת	דחיית בקשות כפולות
מתקפת "אדם באמצע" (MITM)	הצפנת TLS 1.3	אימות תעודה	תקשורת מוצפנת
שינוי זדוני של הסכימה (Schema tampering)	SHA-256 checksum + אימות סכימה	אימות שלמות (Integrity verification)	שחזור סכימה מאומתת
הסלמת הרשאות	אכיפת מדיניות IAM	יומני אבטחה	ביטול הרשאות

טבלה 2: מודל איומים ואמצעי אבטחה תואמים שננקטו במסגרת ההגירה המוצעת. הטבלה מפרטת את איומי האבטחה המייצגים העיקריים ואת מנגנוני ההפחתה התואמים להם, המבוססים על עקרונות אבטחת אפס-אמון (zero-trust), הצפנה, ניהול זהויות, אימות שלמות, ניטור וזיהוי חריגות ניתן להסבר.

figure-protocol-3
איור 3: זרימת העבודה של פרוטוקול הגירה מאובטח למסד נתונים בענן המוצע. הפרוטוקול מורכב משבעה שלבים רצופים: מידול איומים, העברת סכימה, הגירה מאובטחת של מסד הנתונים, תיקוף הנתונים שהוגרו, הקשחה לאחר ההגירה, רישום ביקורת וארכוב, והשלמת ההגירה. ניטור אבטחה, תקשורת מוצפנת, ניהול זהויות, רישום בלתי ניתן לשינוי וזיהוי חריגות ניתן להסבר נשמרים לאורך כל זרימת עבודת ההגירה. איור זה נוצר על ידי המחברים באמצעות Microsoft PowerPoint (Microsoft 365). נא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

6. הגדרת ניטור בינה מלאכותית ניתנת להסבר (explainable AI)

הערה: מתווה התהליך הוא: זיהוי מאפייני אבטחה של נדידה, בניית מודל לגילוי אי-סדירויות, זיהוי מקרים שבהם פעולות נדידה הן חשודות, והפקת תוצאות הניתנות להסבר באמצעות שיטות פרשנות של SHAP.

חילוץ ועיבוד מקדים של מאפייני טלמטריה של אבטחה הנדרשים לזיהוי חריגות וניתוח הסבריות.
1. איסוף לוגים של אבטחה משרתי מסדי נתונים, שרתי אימות, שרתי אפליקציה ומערכות ניטור רשת. ריכוז כל האירועים הקשורים להגירה במאגר לוגים מרכזי. הסרת רשומות כפולות וערכים חסרים. סנכרון חותמות זמן בין כל מקורות הלוגים באמצעות זמן אוניברסלי מתואם (UTC).
2. חישוב תדירות גישה עבור כל משתמש במהלך פעולות ההגירה. תיעוד מספר ניסיונות ההתחברות שנכשלו עבור כל חשבון. ניטור שינויים בכתובות ה-IP של המקור לאורך מפגשי ההגירה.
3. מדידת משך מפגש המשתמש מרגע תחילת ההתחברות ועד לסיומה. חישוב נפחי העברת נתונים נכנסים ויוצאים במהלך פעילויות ההגירה. נרמול כל המאפיינים שחולצו באמצעות נרמול Min-Max.
4. טבלה 3 מסכמת את מאפייני האבטחה המשמשים לזיהוי חריגות ולניתוח הסבריות.
אימון ותיקוף של מודל Isolation Forest באמצעות מערך הנתונים המוכן של מאפייני האבטחה.
1. חלוקת מערך הנתונים. חלוקה אקראית של מערך הנתונים לקבוצת אימון (70%), קבוצת תיקוף (15%) וקבוצת בדיקה (15%). שמירה על התפלגות עקבית של אירועים נורמליים וחריגים בכל תתי-הקבוצות.
2. בחירת מודל AI הסברי. בחירת אלגוריתם ה-Isolation Forest כיוון שהוא מזהה ביעילות פעילויות הגירה חריגות ללא צורך בנתוני אימון מתויגים. שימוש באלגוריתם כדי לבודד תצפיות חריגות באמצעות חלוקה אקראית רקורסיבית של מרחב המאפיינים.
3. החלת SHAP TreeExplainer כדי לכמת את התרומה של כל מאפיין אבטחה לחיזוי החריגה ולשיפור השקיפות של תהליך ניטור האבטחה.
4. הגדרת מודל זיהוי החריגות. אתחול מודל Isolation Forest. הגדרת המודל באמצעות הפרמטרים המפורטים בטבלה 4.
5. הגדרת הניסוח המתמטי המשמש לחישוב ציוני חריגה ולהסבר תרומות המאפיינים.
  1. הגדרת וקטור מאפייני האבטחה עבור כל אירוע הגירה כפי שמוצג במשוואה 1.
    x_i = [x₁ , x₂, x₃, x₄, x₅ ] (1)
    כאשר x₁ מציין תדירות גישה, x₂ מציין מספר התחברויות שנכשלו, x₃ מציין תדירות שינוי כתובת IP, x₄ מציין משך מפגש, ו-x₅ מציין נפח העברת נתונים.
  2. חילוץ מאפייני האבטחה מלוגי ההגירה. נרמול כל ערכי המאפיינים לפני אימון המודל. חישוב ציון החריגה של Isolation Forest עבור כל אירוע הגירה באמצעות משוואה 2.
    (2)
    כאשר S(X,n) מציין את ציון החריגה של תצפית X, X מציין את וקטור מאפייני האבטחה, E(h(X)) הוא אורך הנתיב הצפוי של תצפית X, c(n) הוא אורך הנתיב הממוצע של חיפושים שלא הצליחו בעץ חיפוש בינארי, ו-n הוא המספר הכולל של דגימות האימון. מקדם הנרמול מחושב כפי שמוצג במשוואה 3.
    (3)
    כאשר H(n-1) מציין את המספר ההרמוני ה-(n-1).
  3. סיווג אירועי הגירה עם ציוני חריגה הגבוהים מסף ההחלטה שהוגדר מראש כחריגים.
  4. החלת SHAP (SHapley Additive exPlanations) כדי להסביר את התרומה של כל מאפיין אבטחה לחיזוי החריגה. חישוב ערך ה-SHAP עבור מאפיין i באמצעות משוואה 4.
    (4)
    כאשר (F) מציין את מערך המאפיינים המלא, (S) מציין תת-קבוצה של מאפיינים, ו-(f(.)) מציין את פונקציית החיזוי של Isolation Forest.
  5. חישוב חשיבות המאפיינים הגלובלית על ידי חישוב ערך ה-SHAP המוחלט הממוצע באמצעות משוואה 5.
    (5)
    כאשר (N) מציין את המספר הכולל של אירועי ההגירה.
  6. דירוג מאפייני האבטחה בהתאם לערכי ה-SHAP המוחלטים הממוצעים שלהם. יצירת תרשימי סיכום SHAP, תרשימי תלות ותרשימי כוח להצגת חשיבות מאפיינים גלובלית ומקומית.
6. אימון מודל ה-Isolation Forest באמצעות מערך נתוני האימון. הערכת ביצועי המודל באמצעות מערך נתוני התיקוף. במידת הצורך, שינוי ספי זיהום (contamination thresholds). שמירת הגדרת המודל המניבה את הביצועים הטובים ביותר. תיקוף ביצועי המודל. קביעת מדדים כגון דיוק (accuracy), רגישות (precision), recall, F1-score ו-ROC-AUC. רישום מדדי ביצועי המודל לצורך השוואה מאוחרת.
החלת המודל המאומן לזיהוי אירועי הגירה חריגים וסיווג פעילויות חשודות.
1. ביצוע חיזוי חריגות. החלת מודל ה-Isolation Forest המאומן על מערך נתוני הבדיקה. יצירת ציוני חריגה עבור כל אירועי ההגירה.
2. זיהוי פעילויות חשודות. קביעה אם אירועי ההגירה הם טיפוסיים או חריגים. סימון אירועים העולים על רמות חריגה שנקבעו מראש כחשודים. הפקת תיעוד חריגות לבדיקת אבטחה.
3. השלמת תהליך זיהוי החריגות מניבה ציוני חריגה, מסווגת אירועי הגירה כנורמליים או חריגים, מודדת את יעילות הזיהוי באמצעות ניתוח ROC ומאתרת חריגות אבטחה מרכזיות. דגימות של פלטים שהופקו על ידי התהליך המתוכנן מוצגות באיור 4.
4. סיווג החריגות שזוהו. סיווג החריגות לחריגות אימות, חריגות רשת, חריגות מפגש וחריגות העברת נתונים. שמירת תוויות החריגה לצורך ניתוח ההסבר.
5. הערכת ביצועי הזיהוי. בדיקת תקריות האבטחה שתועדו עד כה. לאחר מכן, תוך שימוש בהן כנקודת ייחוס, הערכת החריגות שזוהו וקביעה אילו מהן היו חריגות אמיתיות. קביעת שיעור זיהוי החריגות ושיעור החיוביים השגויים (false positives). יצירת רישום רשמי של תיעוד דיוק הזיהוי כדי לאפשר שחזור שלו.
יצירת הסברים מבוססי SHAP לפירוש תרומתם של מאפייני אבטחה בודדים לחיזויי חריגות.
1. הגדרת סביבת ה-SHAP. טעינת מודל ה-Isolation Forest המאומן. אתחול SHAP TreeExplainer. אימות אינטגרציה מוצלחת בין מודל זיהוי החריגות למסגרת ההסבריות.
2. בחירת דגימות רקע. בחירה אקראית של 1,000 דגימות מייצגות ממערך נתוני האימון. שימוש בדגימות הנבחרות כמערך נתוני הרקע של SHAP. חישוב ערכי SHAP. חישוב ערכי SHAP עבור כל החריגות שזוהו. מדידת תרומות מאפיינים בודדים לחיזויי חריגות. שמירת פלטי ה-SHAP לניתוח נוסף.
3. יצירת הסברים גלובליים. יצירת תרשימי סיכום SHAP המראים חשיבות מאפיינים כללית. יצירת תרשימי עמודות SHAP המבוססים על ערכי SHAP מוחלטים ממוצעים. יצירת תרשימי תלות SHAP עבור מאפיינים בעלי השפעה רבה.
4. יצירת הסברים מקומיים. בחירת אירועי הגירה חריגים מייצגים. יצירת תרשימי כוח (force plots) ותרשימי מפל (waterfall plots) של SHAP. הצגה ויזואלית של תרומות המאפיינים האחראיות לכל חריגה.
5. פלטי הסבריות מייצגים שהופקו במהלך תהליך הפירוש מוצגים באיור 5. ויזואליזציות אלו מדגימות חשיבות מאפיינים גלובלית, דירוגי תרומת מאפיינים, קשרי תלות בין מאפייני אבטחה משפיעים והסברים מקומיים עבור חריגות הגירה בודדות.
6. דירוג מאפייני אבטחה. חישוב ערכי SHAP מוחלטים ממוצעים עבור כל המאפיינים. דירוג מאפיינים בהתאם לתרומתם לזיהוי חריגות. זיהוי אינדיקטורי האבטחה המשפיעים ביותר על אבטחת ההגירה. טבלה 5 מסכמת את דירוגי חשיבות המאפיינים המבוססים על SHAP.
7. תיקוף עקביות ההסברים. חזרה על ניתוח ה-SHAP בחמישה ריצות ניסוייות עצמאיות. מדידת יציבות ועקביות ההסברים. אימות שדירוגי המאפיינים נותרים יציבים לאורך ניתוחים חוזרים.
  הערה: טבלה 6 מביאה בעיות נפוצות הנתקלות במהלך זיהוי חריגות הסברי ופעולות מתקנות מומלצות.

מאפיין	תיאור	מטרה
תדירות גישה	מספר בקשות הגישה של משתמשים במהלך ההגירה	זיהוי התנהגות גישה חריגה
מספר ניסיונות התחברות כושלים	מספר ניסיונות האימות שלא הצליחו	זיהוי ניסיונות גישה לא מורשים או התקפות Brute-force
שינויים בכתובת IP	תדירות השינויים בכתובת ה-IP של המקור	זיהוי התנהגות רשת חשודה
משך סשן	אורך סשני המשתמשים במהלך ההגירה	זיהוי פעילויות סשן חריגות
נפח העברת נתונים	כמות הנתונים שהועברו במהלך ההגירה	זיהוי תנועת נתונים חריגה או דליפת מידע (Exfiltration)

טבלה 3: מאפייני טלמטריית אבטחה המשמשים לזיהוי חריגות ניתן להסבר. הטבלה מציגה את מאפייני האבטחה שננטרו במהלך הגירת מסד הנתונים, את משמעותם, את הדרכים שבהן הם נמדדו, וכיצד הם סייעו בזיהוי חריגות ובניתוח יכולת ההסבר.

פרמטר	ערך	תיאור
Algorithm	Isolation Forest	מודל לזיהוי חריגות
n_estimators	100	מספר עצי הבידוד
contamination	0.02	פרופורציית חריגות צפויה
max_samples	Auto	דגימות המשמשות לכל עץ
random_state	42	גרעין לשחזור התוצאות
bootstrap	False	דגימה ללא החלפה
ערכת אימון	70%	נתוני אימון של המודל
ערכת תיקוף	15%	תיקוף היפר-פרמטרים
ערכת בדיקה	15%	הערכה סופית של המודל

טבלה 4: תצורת Isolation Forest המשמשת לזיהוי חריגות במהלך הגירה מאובטחת של בסיס נתונים. טבלה זו מפרטת את הגדרות ההיפר-פרמטרים של מודל ה-Isolation Forest לאימון, כגון אופן חלוקת מערך הנתונים, רמת הזיהום (contamination), מספר האומדים (estimators), ה-random seed והגדרות ההערכה.

figure-protocol-8
איור 4: תוצרי ייצוג של מסגרת זיהוי האנומליות במהלך הגירה מאובטחת של נתונים לענן. (A) התפלגות ציוני אנומליה של Isolation Forest המציגה את סף האנומליה. (B) סיווג של אירועי הגירה לקטגוריות נורמליות ואנומליות. (C) עקומת מאפייני תפעול המקלט (ROC) המדגימה את ביצועי מודל ה-Isolation Forest (AUC = 0.97 ± 0.01). (D) אירועי הגירה אנומליים מייצגים המציגים ציוני אנומליה, תוויות חזויות, מאפייני אבטחה משפיעים וקטגוריות אנומליה. איור זה נוצר על ידי המחברים באמצעות Python 3.11 (Matplotlib 3.9) ועוצב באמצעות Microsoft PowerPoint (Microsoft 365). אנא לחצו כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-protocol-9
איור 5: דוגמאות לפלטי הסבירות (explainability) מבוססי SHAP שהופקו במהלך פירוש האנומליה. (A) תרשים סיכום SHAP המדגיש את המאפיינים החשובים ביותר באופן גלובלי. (B) דירוג של מאפייני אבטחה על סמך ערך ה-SHAP המוחלט הממוצע שלהם. (C) תרשימי תלות SHAP המדגימים כיצד מספר ניסיונות ההתחברות שנכשלו ונפח העברת הנתונים משפיעים על חיזוי האנומליה. (D) תרשים כוח (force plot) של SHAP המספק הסבר מקומי עבור אירוע הגירה חריג טיפוסי. תרשימים אלו מציגים את יכולת הפירוש הגלובלית והמקומית של המודל המוצע לזיהוי אנומליות. איור זה הופק על ידי המחברים באמצעות Python 3.11 (Matplotlib 3.9) ועוצב באמצעות Microsoft PowerPoint (Microsoft 365). אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

דירוג	מאפיין	ערך SHAP מוחלט ממוצע	פרשנות
1	מספר ניסיונות התחברות שנכשלו	0.352	המדד המשפיע ביותר על פעילות חריגה
2	נפח העברת נתונים	0.287	תורם משמעותי לזיהוי חריגות
3	שינויים בכתובת IP	0.221	מעיד על התנהגות רשת חשודה
4	משך הסשן	0.184	קשור לסשני משתמש חריגים
5	תדירות גישה	0.156	משקף דפוסי גישה לא רגילים

טבלה 5: ציוני חשיבות מאפיינים של SHAP עבור נתוני טלמטריה של אבטחה. הטבלה מציגה את דירוג מאפייני האבטחה בהתאם לערכי ה-SHAP המוחלטים הממוצעים שלהם ומפרטת את תרומתם המכריעה לחיזוי של אנומליות.

גיליון	סיבה אפשרית	הפתרון המומלץ
זוהו מספר קטן של חריגות	פרמטר הזיהום נמוך מדי	העלה את סף הזיהום ואמן מחדש את המודל.
שיעור גבוה של חיוביים שגויים	יומני הגירה רועשים או לא עקביים	נקה את נתוני הלוגים ונרמל את מאפייני האבטחה לפני אימון המודל.
הסברי SHAP לא יציבים	דגימות רקע לא מספיקות	הגדילו את מספר דגימות הרקע המייצגות המשמשות את SHAP.
דיוק נמוך בזיהוי חריגות	חוסר איזון של מאפיינים או עיבוד מקדים לא מספיק	יש להחיל נורמליזציה של מאפיינים (feature normalization), איזון ונהלי בקרת איכות.
התכנסות איטית של המודל	מערך נתונים גדול או משאבי מחשוב מוגבלים	בצעו אופטימיזציה של היפר-פרמטרים או השתמשו במעבד גרפי (GPU)/עיבוד מקבילי.
כשלים בתקשורת	אי-יציבות של הרשת במהלך הניטור	יש לאמת את ערוצי התקשורה המאובטחים ולבצע סנכרון חוזר.
מאפייני אבטחה חסרים	איסוף לוגים חסר	יש לתקף את מקורות הלוגים לפני חילוץ המאפיינים ולהפיק מחדש את מערך נתוני המאפיינים.

טבלה 6: מדריך לפתרון בעיות בהגירה מאובטחת של מסדי נתונים מבוססת בינה מלאכותית הניתנת להסבר (Explainable Artificial Intelligence). טבלה זו מספקת סיכום של בעיות יישום נפוצות, סיבות אפשריות, סימנים אבחנתיים, פעולות מומלצות ותוצאות צפויות כתוצאה מביצוע הפרוטוקול והשחזור שלו.

7. הערכת ביצועים

הערה: סעיף זה מתאר את ההליך הניסויי ששימש להשוואה בין מסגרת ההגירה הבסיסית לבין מסגרת ההגירה המוצעת המבוססת על בינה מלאכותית ניתנת להסבר (explainable AI) במודל zero-trust. הערכת הביצועים כוללת אבטחה, יכולת זיהוי חריגות, יעילות הגירה ותיקוף סטטיסטי תחת תנאים ניסויים זהים.

הגדירו הן את סביבת הבסיס והן את הסביבה המוצעת תחת תנאים זהים, על מנת לאפשר השוואה הוגנת של הביצועים.
1. הגדירו את סביבת ההגירה הקונבנציונלית. הגדירו אישורי גישה סטטיים לטווח ארוך עם תקופת תוקף העולה על 24 שעות. הפעילו נקודות קצה של רשת ציבורית לצורך גישה למסד הנתונים. בטלו מנגנונים לזיהוי חריגות ולהסבריות מבוסססי AI. נטרו את פעילויות ההגירה באופן ידני באמצעות לוגי אבטחה קונבנציונליים. תיעדו אירועי הגירה לצורך השוואת ביצועים עתידית.
2. הגדר את מסגרת המעבר לאפס-אמון (Zero-Trust). הפעל הרשאות מינימליות זמניות (temporal least-privilege credentials) עם תפוגה אוטומטית עם השלמת המעבר. בטל את כל נקודות הקצה של הרשת הציבורית. הפעל תקשורת רשת פרטית באמצעות ערוצים מאובטחים.
3. הטמיעו את מודל זיהוי החריגות Isolation Forest שאומן. הפעילו את SHAP TreeExplainer לצורך פרשנות של המודל. הגדירו ניטור אבטחה אוטומטי לאורך תהליך ההגירה. ודאו תקשורת מאובטחת בין כל רכיבי ההגירה לפני הביצוע.
בצע ניסויי נדידה חוזרים תחת תנאים מבוקרים כדי להעריך את השחזוריות של המסגרת.
1. בצעו ניסוי נדידה. ערכו עשרה ניסויי נדידה עצמאיים הן עבור סביבת הבסיס והן עבור הסביבה המוצעת. שמרו על תצורות חומרה, תוכנה ורשת זהות לאורך כל הניסויים.
2. העבירו 10 GB של נתוני בריאות במהלך כל הרצה ניסיונית. חזרו על כל הניסויים תחת תנאי עומס עבודה זהים. רשמו אירועי אבטחה, לוגי העברה, פלטי זיהוי חריגות וזמני ביצוע במהלך כל ניסוי.
3. אששו את תקינות ההגירה. חשבו סכומי ביקורת (checksums) מסוג SHA-256 לפני ואחרי ההגירה. ודאו את תקינות הנתונים המלאה לאחר כל ניסוי הגירה. תיעדו את תוצאות אישוש סכומי הביקורת.
חשב מדדי אבטחה כמותיים, מדדי הגירה ומדדי זיהוי חריגות לצורך הערכה השוואתית.
1. מדוד את ביצועי האבטחה. מדוד את משך החשיפה של אישורי הגישה. חשב את מספר אישורי הגישה שנחשפו במהלך ההגירה. מדוד את זמן גילוי האירוע. רשום את משך החשיפה לרשת ציבורית.
2. הערך את ביצועי זיהוי האנומליות. חשב את דיוק זיהוי האנומליות, דיוק (precision), רגישות (recall), מדד F1 ושטח תחת העקומה של מאפייני תפעול מקלט (AUC). הערכת ביצועי ההגירה. מדידת השהיית ההגירה הכוללת וחישוב תפוקת ההגירה. תיעוד תקורה של תקשורת הנובעת ממנגנוני אבטחה.
3. בצעו תיקוף סטטיסטי. חשבו את הממוצע ואת סטיית התקן עבור כל מדדי הביצועים. חשבו רווחי סמך של 95%. בצעו מבחני t של Student למדגמים מזווגים כדי להשוות בין מסגרת הבסיס (baseline) למסגרת המוצעת. הגדירו מובהקות סטטיסטית עבור p < 0.05. תוצאות ייצוגיות של הערכת ביצועים שהתקבלו במהלך ההשוואה הניסוית מוצגות ב- איור 6.
4. טבלה 7 מסכם את השוואת הביצועים הכמותית בין קו הבסיס לבין מסגרת ההגירה המוצעת.
  טבלה 8 מסכם בעיות יישום נפוצות שנתקלו במהלך הגירה מאובטחת של בסיסי נתונים, את סיבותיהן האפשריות ואת פעולות התיקון המומלצות.

figure-protocol-10
איור 6: השוואת ביצועים בין מסגרת ההגירה הבסיסית לבין מסגרת ההגירה לענן מאובטחת המוצעת, המבוססת על zero-trust ו-AI ניתן להסבר. (A) השוואה של משך חשיפת האישורים בשימוש באישורים ארוכי טווח לעומת אישורי זמניות של הרשאה מינימלית. (B) השוואה של מדדי ביצועי זיהוי אנומליות, כולל accuracy, precision, recall, F1-score ו-AUC. (C) השוואה של השהיית ההגירה לאורך עשר הרצות ניסוייות עצמאיות, המראה כי העלייה בהשהיה נותרה מתחת לסף הקבלה שהוגדר מראש. (D) השוואה סטטיסטית של מדדי ביצוע מרכזיים באמצעות מבחני Student's t מזווגים, המראה הבדלי ממוצעים ומרווחי סמך של 95%. פסי השגיאה מייצגים מרווחי סמך של 95% מעשר הרצות ניסוייות עצמאיות. איור זה נוצר על ידי המחברים באמצעות Python 3.11 (Matplotlib 3.9) ועוצב באמצעות Microsoft PowerPoint (Microsoft 365). אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

מדד ביצועים	מסגרת בסיס (ממוצע ± SD)	המסגרת המוצעת (ממוצע ± SD)	שיפור	רווח בר סמך של 95%	p-value
משך חשיפת אישורי גישה (h)	24.70 ± 1.32	0.42 ± 0.18	הפחתה של 98.3%	23.6–24.9	<0.001
דיוק זיהוי חריגות (%)	72.4 ± 2.1	94.6 ± 1.3	+22.2%	20.8–23.5	<0.001
דיוק (Precision) (%)	68.1 ± 2.5	92.7 ± 1.5	+24.6%	23.1–26.0	<0.001
רגישות (Recall) (%)	70.3 ± 2.4	93.1 ± 1.6	+22.8%	21.4–24.2	<0.001
ציון F1 (%)	69.2 ± 2.2	92.9 ± 1.4	+23.7%	22.3–25.0	<0.001
AUC	0.78 ± 0.03	0.97 ± 0.01	+0.19	0.17–0.21	<0.001
שיהוי הגירה (min)	87.6 ± 3.2	97.4 ± 2.9	מאס (overhead) של 11.2%	8.9–10.7	0.002
שלמות נתונים (%)	99.8	100.0	שיפור של 0.2%	0.1–0.3	0.031
חשיפה לרשת ציבורית	פעיל	בוטל	בוטל ב-100%	N/A	<0.001

טבלה 7: מסגרות להגירת בסיסי נתונים מאובטחים, בבסיס ובהצעה: השוואת ביצועים. הטבלה מציגה את משך חשיפת האישורים, יעילות זיהוי האנומליות, השהיית ההגירה, שלמות הנתונים ושיפורי האבטחה שנבחנו כמותית במהלך תיקוף הפרוטוקול.

גיליון	סיבה אפשרית	הפתרון המומלץ
שגיאת אימות הגירה	אישורי גישה זמניים שפג תוקפם או אינם תקפים	יש להנפיק מחדש אישורי גישה זמניים ולאמת את מדיניות ה-IAM לפני הפעלת הגירה מחדש.
שיהוי נדידה גבוה	עומס רשת או רוחב פס לא מספק	בצעו אופטימיזציה של ניתוב הרשת, תזמנו את ההגירה לזמני תנועה נמוכה ואמתו את קישוריות נקודות הקצה.
התראות שגויות על חריגות (False-positive anomaly alerts)	סף זיהום שגוי ב-Isolation Forest	כוון את פרמטר הזיהום באמצעות מערך הנתונים לתיקוף ואמן מחדש את המודל.
הסברי SHAP לא יציבים	דגימות רקע לא מספיקות או שאינן מייצגות	הגדילו את גודל מדגם הרקע של ה-SHAP והבטיחו דגימה מייצגת.
אי-התאמה בשלמות הנתונים	הגירה שנקטעה או העברת נתונים פגומה	הפעל מחדש את המיגירה לאחר אימות ערכי checksum מסוג SHA-256 ועקביות בין המקור ליעד.
כשל בחיבור מאובטח לנקודת קצה	שגיאות הגדרה של חומת אש (Firewall) או TLS	יש לאמת את תעודות ה-SSL/TLS, את כללי חומת האש ואת הגדרות נקודת הקצה הפרטית (private endpoint).
דיוק נמוך בזיהוי חריגות	חילוץ מאפיינים חלקי או עיבוד מקדים לקוי	בצע סקירה של הנדסת התכונות (feature engineering), נרמל את תכונות האבטחה ואמן מחדש את המודל.
בעיות התכנסות של המודל	היפר-פרמטרים לא מתאימים	יש להתאים את פרמטרי הלמידה ולתקף את ביצועי המודל לפני הפריסה.

טבלה 8: מדריך לפתרון בעיות עבור הגירה מאובטחת של מאגרי מידע רפואיים. הטבלה מפרטת שגיאות נפוצות בתהליך ההגירה, הגורמים האפשריים להן, הצעדים התיקוניים המומלצים והתוצאות הצפויות כדי להבטיח ביצוע אמין של פרוטוקול ההגירה המאובטח.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

סקירה ניסיונית

פרוטוקול הגירת נתוני ענן מאובטח מבוסס בינה מלאכותית הניתנת להסבר (XAI) הוערך באמצעות מערך נתונים סינתטי של שירותי בריאות, הכולל כ-20 מיליון רשומות של תיקים רפואיים אלקטרוניים (EHR) המפוזרות על פני 28 טבלאות של מסד נתונים רלציוני, בנפח כולל של 10 GB. הניסויים נערכו בסביבת ענן של Amazon Web Services (AWS) תוך שימוש ב-Amazon RDS PostgreSQL 16, רשת Virtual Private Cloud (VPC) פרטית, תקשורת מוצפנת ב-TLS 1.3 ושירותי ניטור מרכזיים. עשרה ניסויי הגירה עצמאיים בוצעו תחת תנאי חומרה, תוכנה, רשת ועומס עבודה זהים כדי להבטיח הדירות ולמזער הטיות ניסיוניות. כל ערכי הביצועים המדווחים ייצגו את הממוצע של עשר ההרצות הניסיוניות. מובהקות סטטיסטית הוערכה באמצעות מבחני t של Student מזווגים לאחר אימות נורמליות באמצעות מבחן Shapiro-Wilk (p < 0.05).

תוצאות הכנת מערך הנתונים והתיקוף

מערך הנתונים הסינתטי של שירותי הבריאות הופק בהצלחה על פי מפרטי הפרוטוקול. תיקוף הנתונים אישר הפקה מוצלחת של כ-20,000,000 רשומות הקשורות לחולים, המפוזרות על פני 28 טבלאות רלציוניות, כולל דמוגרפיה של חולים, מפגשים קליניים, אבחנות, דוחות מעבדה, תרופות, מטא-נתונים של דימות, מידע על חיובים ורשומות רופאים. ייחודיות מפתחות ראשיים (Primary-key), קשרי מפתחות זרים (foreign-key) ואילוצי שלמות התייחסותית (referential integrity) אומתו בהצלחה לפני ההגירה. כ-5% מערכי הנתונים הושארו חסרים במתכוון כדי לדמות מאגרי נתונים ריאליסטיים של רשומות בריאות אלקטרוניות, ועובדו לאחר מכן במהלך ניקוי הנתונים. הערכת איכות מערך הנתונים הדגימה תיקוף סכימה מוצלח, טווחים קבילים של ערכים ושלמות התייחסותית מלאה. שגיאת תיקוף מערך הנתונים המצטברת נותרה מתחת ל-0.1%, דבר המעיד על כך שמערך הנתונים שהופק היה מתאים לניסויי הגירה מאובטחים, כפי שמוצג ב-טבלה 1.

תוצאות פריסת ארכיטקטורת המערכת

ארכיטקטורת ההגירה המאובטחת הוטמעה ואומתה בהצלחה לפני ביצוע תזרים העבודה של ההגירה. כל משאבי הענן מופעלים בתוך AWS Virtual Private Cloud מבודד תוך שימוש בתתי-רשתות פרטיים, קבוצות אבטחה ומדיניות גישה מבוססת זהות. תקשורי בסיס הנתונים הוגנו באמצעות הצפנת TLS 1.3, ואישורי ההגירה הופקו באופן דינמי בהתאם למדיניות זמנית של הרשאה מינימלית. יומני אימות, יומני הגירה, אירועי בסיס נתונים, אירועי רשת ויומני ביקורת אבטחה נאספו ברציפות באמצעות Amazon CloudWatch. לאורך כל ההרצות הניסיוניות, התקשורת התבצעה אך ורק דרך נקודות קצה של רשת פרטית, ולא זוהו שירותי בסיס נתונים נגישים לציבור. ניטור רציף הדגים תקשורת יציבה בין כל מרכיבי ההגירה ללא הפסקות שירות בלתי צפויות או כשלים באימות, כפי שמוצג ב-איור 2.

תוצאות של זרימת העבודה למעבר מאובטח

מידול איומים

מודל האיומים שהוגדר מראש זיהה בהצלחה גניבת פרטי גישה, התקפות פנים, התקפות שידור חוזר, התקפות "אדם באמצע" (man-in-the-middle), שינוי זדוני של הסכימה ותרחישים של העלאת הרשאות. בקרות האבטחה שהוטמעו מיתנו ביעילות את כל האיומים שזוהו לפני ביצוע ההגירה, כפי שסוכם בטבלה 2.

העברת סכימה של מסד נתונים

הגירת סכימת מסד הנתונים הושלמה בהצלחה בכל ההרצות הניסיוניות. כל הטבלאות היחסיות, האינדקסים, הפרוצדורות השמורות, האילוצים, המטא-נתונים, המפתחות הראשוניים והמפתחות הזרים הועברו ללא אי-עקביות מבנית או סחריף בסכימה.

הגירה מאובטחת של נתונים

תהליך ההגירה הושלם בהצלחה בכל עשרת ההרצות הניסיוניות ללא הפרעות בזרימת העבודה או כשלים בעסקאות. העברת נתונים מאובטחת נשמרה לאורך כל תהליך ההגירה באמצעות ערוצי תקשורת מוצפנים מעל נקודות קצה של רשת פרטית.

תיקוף נדידה

תיקוף לאחר ההגירה אישר עקביות מלאה בין מסדי הנתונים של המקור והיעד. אימות סכום ביקורת SHA-256 הניב התאמה של 100% בכל הטבלאות שהועברו, מה שמעיד על כך שלא התרחשה שחיתות נתונים במהלך ההעברה. תיקוף ספירת רשומות אישר הגירה מוצלחת של כל 20 מיליון הרשומות ללא אובדן, כפילות או קיטוע. תיקוף של מפתחות ראשיים, מפתחות זרים, אינדקסים, הגדרות סכמה ואילוצי מסד נתונים אישר שימור מלא של שלמות מסד הנתונים. לא נצפו סטיות בסכמה (schema drift), אירועי נסיגה (rollback), כשלים בעסקאות או אי-עקביות בהגירה לאורך תקופת ההערכה. כימות של תוצאות השלמות מוצג בטבלה 9.

מדד תיקוף	תוצאה שנצפתה	קריטריון קבלה	סטטוס
סך רשומות בריאות שהועברו	20,000,000	20,000,000	עבר
טבלאות בסיס נתונים רלציוניים שהועברו	28	28	עבר
גודל סט הנתונים שהועבר	10 GB	10 GB	עבר
אימות checksum מסוג SHA-256	התאמה של 100%	התאמה של 100%	עבר
עקביות ספירת רשומות	100%	100%	עבר
תיקוף סכימה	כל הטבלאות תוקפו	ללא שגיאות סכימה	עבר
שלמות מפתח ראשי (Primary-key)	מאומת	ללא הפרות	עבר
שלמות מפתח זר (Foreign-key)	מאומת	ללא הפרות	עבר
שיעור שחיתות נתונים	0%	0%	עבר
סטיות בסכימה (Schema drift)	לא נצפתה	אף אחת	עבר
אירועי ביטול (Rollback)	0	0	עבר
שיעור השלמת ההעברה	100%	100%	עבר

טבלה 9: תוצאות תיקוף שלמות הנתונים לאחר הגירה מאובטחת של מסד הנתונים. הטבלה מציגה את מדדי אימות השלמות העיקריים מההיבט הכמותי. אלו כוללים בדיקה שסכומי ה-SHA-256 hash תואמים, עקביות במספר הרשומות, תיקוף הסכימה, שימור אילוצי מפתח, השלמת ההגירה, אירועי נסיגה (rollback) והצלחת ההגירה הכוללת של עשרה ניסויי הגירה נפרדים.

טבלה 9 מסכמת את תוצאות תיקוף שלמות הנתונים הכמותיות שהתקבלו לאחר הגירה מאובטחת של נתונים לענן. התוצאות הוכיחו כי כל קריטריוני הקבלה של ההגירה למיmם בעשרת ההרצות הניסיוניות הבלתי תלויות.

הקשיה לאחר הגירה

ניהול הרשאות זמני בעקרון הפריבילגיה המינימלית שיפר באופן משמעותי את אבטחת ההרשאות בהשוואה למסגרת ההגירה הקונבנציונלית. אורך החיים הממוצע של ההרשאות ירד מ-24.7 ± 1.3 h בסביבת הבסיס ל-0.42 ± 0.18 h במסגרת המוצעת, מה שמהווה הפחתה של 98.3% במשך החשיפה של ההרשאות. הרשאות זמניות בוטלו מיד לאחר השלמת ההגירה, ולא זוהו ניסיונות אימות לא מורשים באמצעות הרשאות שפג תוקפן במהלך אף אחת מהרצות הניסוי. הסרת הרשאות ארוכות טווח צמצמה את שטח התקיפה הפוטנציאלי תוך שמירה על ביצועי הגירה רציפים, כפי שמוצג ב-איור 3.

תוצאות ניטור בינה מלאכותית הניתנת להסבר

חילוץ מאפייני אבטחה

טלמטריית אבטחה נאספה בהצלחה משרתי בסיסי נתונים, שירותי אימות, שרתי אפליקציות ומערכות ניטור רשת. חילוץ תכונות הניב מדידות מנורמלות של תדירות גישה, מספר ניסיונות התחברות שנכשלו, שינויים בכתובות IP, משך סשן ונפח העברת נתונים לצורך זיהוי חריגות, כפי שמתואר ב-טבלה 3.

ביצועי מודל זיהוי חריגות

מודל ה-Isolation Forest הדגים ביצועי זיהוי חריגות חסונים לאורך 10 ניסויים עצמאיים. הדיוק הממוצע (accuracy), הדיוק החזיוני (precision), הרגישות (recall), מדד F1 והשטח תחת עקומת מאפייני המקלט (AUC) היו 94.6 ± 1.3%, 92.7 ± 1.5%, 93.1 ± 1.6%, 92.9 ± 1.4%, ו-0.97 ± 0.01, בהתאמה. תצורת המודל תואמה לפרמטרים המסוכמים ב-טבלה 4.

זיהוי חריגות אבטחה

מסגרת הניטור המוצעת הפחיתה את זמן הזיהוי הממוצע של תקריות מיותר מ-24 h בסביבת הבסיס לכ-15 min. שיעור הזיהויים השגויים (False-positive) נותר נמוך מ-3%, ולא נותרו כשלי הגירה קריטיים שלא זוהו לאורך תקופת ההערכה. פלטי זיהוי חריגות מייצגים מוצגים ב-איור 4.

ניתוח נסבירות

ה-SHAP TreeExplainer יצר תוצאות שיוך תכונות (feature-attribution) ניתנות לפירוש עבור כל האנומליות שזוהו. קובץ נתונים של רקע המכיל 1,000 דגימות אימון מייצגות שימש לחישוב ערכי SHAP. ניתוח הסבר גלובלי זיהה באופן עקבי את מספר ניסיונות ההתחברות שנכשלו, נפח העברת הנתונים, שינויים בכתובת ה-IP, משך הסשן ותדירות הגישה כתכונות המשפיעות ביותר התורמות לחיזויים של אנומליות. ניתוח הניתנות לפירוש (explainability) חוזר לאורך עשרה הרצות ניסוייות הניב דירוגי תכונות כמעט זהים, מה שמעיד על פרשנות יציבה של המודל. הסברי SHAP מקומיים זיהו בנוסף את הגורמים העיקריים התורמים לחיזויים של אנומליות בודדות, ובכך שיפרו את השקיפות של תהליך ניטור האבטחה. פלטי ניתנות לפירוש מייצגים מוצגים ב-איור 5, בעוד שדירוגי חשיבות התכונות התואמים מסוכמים ב-טבלה 5.

תוצאות הערכת הביצועים

השוואה מול מסגרת ההגירה הבסיסית (baseline) הראתה שיפורים משמעותיים במספר מדדי אבטחה. משך החשיפה של פרטי ההזדהות (credentials) פחת ב-98.3%, דיוק זיהוי האנומליות השתפר מ-72.4 ± 2.1% ל-94.6 ± 1.3%, ומספר נקודות הקצה של ההגירה הנגישות לציבור ירד משישה לאפס. זמן זיהוי התקריות הממוצע התקציר באופן ניכר, בעוד ששלמות ההגירה המלאה נשמרה לאורך כל ההערכה. למרות שבקרות אבטחה נוספות הגבירו את השהיית ההגירה (latency) ב-11.2 ± 2.9%, העלייה שנצפתה נותרה מתחת לסף הקבלה שהוגדר מראש של 15%, מה שמעיד על כך ששיפורי האבטחה הושגו עם השפעה מינימלית על יעילות ההגירה. תוצאות מייצגות של הערכת הביצועים מוצגות ב-איור 6, וההשוואה הכמותית בין המסגרת הבסיסית למסגרת המוצעת מסוכמת ב-טבלה 7.

תיקוף סטטיסטי ושחזור

ניתוח סטטיסטי הדגים שיפורים משמעותיים במשך החשיפה של פרטי זיהוי, בדיוק זיהוי חריגות, זמן זיהוי תקריות ושיהוי הגירה בין מסגרת הבסיס למסגרת המוצעת (מבחן t של Student לצמדים, p < 0.05). מרווחי ברבכה של 95% שחושבו הראו שונות נמוכה לאורך 10 הרצות ניסיוניות בלתי תלויות, מה שמאשר את השחזור והיציבות של הפרוטוקול המוצע. תוצאות מפורטות של כל ניסוי מופיעות ב- טבלה 10.

הרצה ניסיונית	משך חשיפה לאנדוגנים (שעות)	דיוק זיהוי חריגות (%)	השהיית נדידה (דקות)	אימות SHA-256	סטטוס נדידה
הרצה 1	0.45	94.3	96.8	עבר	מוצלח
הרצה 2	0.41	95	98.2	עבר	מוצלח
הרצה 3	0.39	94.7	95.9	עבר	מוצלח
הרצה 4	0.44	94.5	97.6	עבר	הצלחה
הרצה 5	0.43	94.8	96.9	עבר	מוצלח
הרצה 6	0.4	94.2	98.5	עבר	הצלחה
הרצה 7	0.42	95.1	97.2	עבר	מוצלח
הרצה 8	0.38	94.6	96.7	עבר	מוצלח
הרצה 9	0.43	94.9	97.8	עבר	הצלחה
הרצה 10	0.41	94.5	97	עבר	מוצלח
ממוצע ± סטיית תקן	0.42 ± 0.02	94.66 ± 0.29	97.26 ± 0.80	עבר ב-100%	10/10 הצליח

טבלה 10: שחזור ניסיוני לאורך עשר הרצות הגירה נפרדות. הטבלה מציגה סיכום של פרק הזמן שבו אישורי גישה היו חשופים, הדיוק בזיהוי חריגות, העיכוב בהגירה, סטטוס אימות ה-SHA-256 והצלחת ההגירה עבור כל הרצה ניסיונית, ובכך מדגימה את היציבות והשחזוריות של מסגרת הגירה מאובטחת לענן המוצעת תחת אותם תנאי ניסוי.

טבלה 10 מציגה את התוצאות המפורטות של עשרת הריצות הניסיוניות העצמאיות, המדגימות את העקביות, היציבות והשחזוריות של פרוטוקול הגירה לענן המאובטח המוצע תחת תנאי ניסוי זהים.

ההערכה הניסיונית הדגימה כי שילוב של אבטחה מבוססת אפס-אמון (zero-trust), בקרת גישה זמנית בעלת הרשאות מינימליות (least-privilege), ניטור רציף של חריגות ויכולת הסבר מבוססת SHAP שיפרו את אבטחת ההגירה תוך שמירה על שלמות מלאה של מסד הנתונים וביצועי הגירה מקובלים. מכיוון שהניסויים נערכו באמצעות מערך נתונים סינתטי של שירותי בריאות בתוך סביבת ענן מבוקרת, יש לפרש ממצאים אלו במסגרת התצורה הניסיונית שנבדקה. תידרש תיקוף נוסף באמצעות תשתיות בריאות מבצעיות, מערכי נתונים קליניים אמיתיים וסביבות ענן רב-מוסדיות לפני הכללת הפרוטוקול לפריסה שגרתית במערכות בריאות בייצור.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

במחקר זה, פותח פרוטוקול להגירה מאובטחת וניתנת לשחזור של מסד נתונים בענן, המשלב עקרונות אבטחה של אמון אפס (zero-trust), בקרת גישה המבוססת על זמן וזכות מינימלית (time-based least-privilege), בינה מלאכותית ניתנת להסבר (XAI) וניטור אבטחה רציף, וכל זאת במסגרת מערך ניסיוני מוגבל. כתיבת מאמר זה לא נועדה להציג אלגוריתם הגירה חדש; לפיכך, המחברים מציגים בעיקר זרימת עבודה סטנדרטית המאפשרת לחוקרים ואנשי מקצוע לבצע, להעריך ולשחזר הגירה מאובטחת של מסד נתונים רפואי באמצעות שלבים פרוצדורליים מוגדרים בבירור. הצלחתו של יישום הפרוטוקול נשענת על ביצוע קפדני של מספר שלבים קריטיים. מידול איומים בדיוק גבוה מסייע רבות להכרת הנכסים העוברים הגירה, הדרכים שבהן תוקפים עשויים לחדור, ומערך בקרות האבטחה שיהיה יעיל, כאשר כל אלו מבוצעים לפני ההגירה. אימות סכמת מסד הנתונים הוא שלב שחובה להשלימו לפני העברת הנתונים, כדי למנוע חוסר עקביות מבני וסחריפת סכמה (schema drift). מבחינת תהליך ההגירה, יש להפיק הרשאות זמניות בהתאם לעקרון הזכות המינימלית הזמנית, יש לשמור על שימוש בפרוטוקול הקריפטוגרפי TLS 1.3 לאבטחת התקשורת, ויש לאסוף לוגים של ההגירה באופן רציף כדי שניתן יהיה להשתמש בהם לניטור אבטחה ולביקורת. רק לאחר ביצוע משימות כגון אימות checksum מסוג SHA-256, תיקוף מספר רשומות ובדיקות עקביות סכמה, המראים כי שלמות מסד הנתונים נשמרה, ניתן יהיה לפנות את סביבת ההגירה ולזנוח אותה.

רכיב ניטור האנומליות ההסברי דורש גם הוא שלבי הגדרה קפדניים כדי להשיג תוצאות הדירות. בין הגורמים החשובים המשפיעים על ביצועי זיהוי האנומליות ועל איכות ההסבר הם בחירת מאפייני טלמטריה של אבטחה מתאימים, עיבוד מקדים עקבי של לוגי הניטור, היפר-פרמטרים מתאימים עבור Isolation Forest, ומערך נתונים של רקע עבור SHAP המייצג את המדגם. שינויים בהגדרות אלו עשויים להוביל לשינויים בציוני האנומליות, בערכי השיוך של המאפיינים ובפרשנות הכללית של המודל. לפיכך, מומלץ לחוקרים כי גרסאות התוכנה, פרמטרי המודל והגדרות ההערכה יישארו זהים לצורך שחזור הפרוטוקול.

נהלי פתרון בעיות של הפרוטוקול נועדו לסייע למשתמשים לטפל בבעיות יישום נפוצות, כגון אי-תאימות של סכמות, הפרעות ברשת, כשלים באימות, זיהויי חיוביים שגויים מרובים ועומס שיהוי במעבר. תיקוף שיטתי לאחר כל שלב בפרוטוקול יאפשר לאתר בעיות אלו וכן לתקנן לפני ביצוע השלבים הבאים של המעבר. זוהי אחת הדרכים לשיפור האמינות והשחזור של זרימת העבודה הניסויית.

על אף שההערכה הניסויית הוכיחה כי המערך שנבדק יכול לשפר את הגנת האישור, זיהוי חריגות, יכולת הסבר ושלמות ההגירה, יש להתייחס לממצאים כספציפיים להיקף מחקר זה בלבד. הפרוטוקול נבדק רק עם סט נתונים סינתטי של שירותי בריאות בסביבת מעבדת ענן ולא במערכת מידע רפואית אמיתית. התוצאות המוצגות כאן לא צריכות להיחשב כהוכחה לתאימות רגולטורית או לשימוש קליני. במקום זאת, הן מעידות כי ניתן להטמיע את הטכניקה בסביבת מעבדה מבוקרת וכי היא מספקת מסגרת שניתן להשתמש בה למחקרי תיקוף נוספים.

מספר מחקרים אחרונים בחנו הגירה מאובטחת של נתוני בריאות לענן, ארכיטקטורות אבטחה מבוססות אפס-אמון (zero-trust) ובינה מלאכותית ניתנת להסבר; עם זאת, רובם התמקדו במנגנוני אבטחה בודדים ולא בזרימת עבודה (workflow) משולבת וניתנת לשחזור של תהליך ההגירה. ארכיטקטורת ה-Zero Trust של NIST מספקת הנחיה מקיפה לאימות זהות רציף ובקרת גישה בעלת הרשאות מינימליות (least-privilege), אך אינה מגדירה פרוטוקול סטנדרטי להגירה מאובטחת של בסיסי נתונים או ניטור אבטחה ניתן להסבר במהלך ההגירה¹. באופן דומה, מסגרות קיימות להגירת נתוני בריאות לענן שמות דגש בעיקר על אימוץ הענן, הצפנה, ממשל וציות לרגולציה, אך מספקות הנחיה פרוצדורלית מוגבלת לביצוע הגירה מאובטחת, תיקוף ויכולת שחזור^7,8,⁹. גישות לאבטחת ענן מונעות AI הדגימו יכולות משופרות לזיהוי חריגות באמצעות זיהוי חדירות וניטור אבטחה המבוססים על למידת מכונה; עם זאת, שיטות אלו מתמקדות בדרך כלל בביצועי הזיהוי מבלי לשלב הסברים ברי-פירוש התומכים בביקורת אבטחה ובקבלת החלטות מנהליות⁶^,¹³. טכניקות של בינה מלאכותית ניתנת להסבר, כגון SHapley Additive exPlanations (SHAP) ו-Local Interpretable Model-agnostic Explanations (LIME), שיפרו באופן משמעותי את השקיפות של תחזיות למידת מכונה^17,18,19,²⁰, אך יישומן הוגבל במידה רבה לפירוש המודל ולא לשילוב בתוך זרימות עבודה מקצה לקצה של הגירה מאובטחת לענן. לעומת זאת, הפרוטוקול המוצע משלב ארכיטקטורת אפס-אמון, ניהול הרשאות זמני בעל הרשאות מינימליות, הגירת בסיס נתונים מוצפן, אימות שלמות מבוסס SHA-256 checksum, ניטור מרכזי רציף, זיהוי חריגות מבוסס Isolation Forest, ויכולת הסבר מבוססת SHAP בתוך זרימת עבודה סטנדרטית אחת הניתנת לשחזור. מסגרת משולבת זו משפרת את השקיפות, יכולת הביקורת והשחזור, תוך שמירה על שלמות מלאה של ההגירה והשהיית הגירה קבילה תחת התנאים הניסיוניים שנבדקו.

עם זאת, ישנן מגבלות רבות שיש להביא בחשבון בעת פירוש תוצאות פרוטוקול זה. ראשית, ההערכה בוצעה באמצעות מערך נתונים סינתטי שעשוי שלא לשקף את מלוא המורכבות, השונות ואת אתגרי האבטחה של מאגרי נתונים קליניים אמיתיים. שנית, הפרוטוקול נבדק רק בסביבת ענן מבוקרת אחת; הביצועים עשויים להשתנות בספקי ענן אחרים, בפלטפורמות בסיסי נתונים שונות או בתשתיות רשת שונות. שלישית, למרות שהמחברים השתמשו בתהליך הגירה מסורתי כביקורת, השוואת תוצאותיהם עם שיטות הגירה מאובטחות אחרות וארכיטקטורות אבטחת ענן תהיה מועילה למחקרים עתידיים. רביעית, התיקוף הסטטיסטי בוצע על עשרה ניסויי הגירה עצמאיים בלבד; מחקרים בהיקף רחב יותר עשויים לספק אינדיקציה טובה יותר לחסונו של הפרוטוקול. חמישית, המחברים לא שקלו במפורש תרחישי התקפות יריב, כגון גניבת פרטי גישה, איומים פנימיים, תוכנות כספיה (ransomware) או התקפות מתמידות ומתקדמות (advanced persistent attacks), אשר צריכות להוות מוקד למחקר עתידי. לבסוף, המסגרת המוצעת תהיה יעילה רק ככל שתהיה נכונה הגדרתם של מדיניות ניהול זהויות, פרמטרים לזיהוי חריגות, תשתית רישום (logging) והגדרות הניתנות להסבר; אם ההגדרות יהיו שגויות, הן אבטחת ההגירה והן ביצועי הניטור יפגעו.

באופן כללי, פרוטוקול זה מציע מסגרת ושיטה שניתן לשחזר לצורך חקר הגירה מאובטחת של מסדי נתונים בענן באמצעות בינה מלאכותית ניתנת להסבר בסביבות מחקר מבוקרות. ניתן לבצע את התיקוף והאימות של הפרוטוקול בעבודות עתידיות באמצעות הרצת מערכות מידע בריאותיות פעילות, תוך שימוש במגוון פלטפורמות ענן, טכנולוגיות מסדי נתונים שונות ומערכי נתונים קליניים אותנטיים, לצורך הערכת הסקילביליות, היכולת להכללה והיתישות המעשית של הפרוטוקול.

מאמר זה מתאר שיטה ניתנת לשחזור להגירה מאובטחת של מסדי נתונים בענן, המשלבת עקרונות אבטחת מידע של "אפס אמון" (zero-trust), בקרת גישה זמנית של הרשאות מינימליות, בינה מלאכותית ניתנת להסבר (XAI) וניטור אבטחה רציף בסביבת ענן מבוקרת. השיטה מפרטת את השלבים של הכנת מערכי הנתונים, מידול איומים, הגירה מאובטחת, אימות שלמות, זיהוי חריגות, ניתוח יכולת הסבר והערכת ביצועים. ניסויים שבוצעו על מערך נתונים סינתטי של שירותי בריאות הראו כי הפרוטוקול יכול לשפר את אבטחת פרטי ההזדהות, לשמר את שלמות ההגירה, לזהות חריגות באופן מדויק ולנטר את האבטחה בצורה הניתנת לפירוש, תוך שמירה על השהיית הגירה ברמה מקובלת. ההליך הסטנדרטי נועד להפוך את היישום וההערכה של אסטרטגיות הגירה מאובטחת לענן לניתנים לשחזור רב יותר במסגרות אקדמיות.

יש להעריך את התוצאות במסגרת המגבלות של הסביבה הניסויית המבוקרת ששימשה למחקר זה. מכיוון שהפרוטוקול נבדק באמצעות מערך נתונים סינתטי של שירותי בריאות במקום מערכת מידע בריאותית אמיתית, אין לראות בתוצאות אינדיקטורים לפריסה קלינית, לעמידה ברגולציה או ליישום בייצור בקנה מידה גדול. מאמצי מחקר עתידיים צריכים להתמקד בשימוש בסביבות בריאותיות ממשיות, פלטפורמות ענן שונות, טכנולוגיות מסדי נתונים מגוונות ומערכי נתונים קליניים גדולים יותר, כדי לבחון הלאה את הרב-גוניות, האמינות והתועלת של הפרוטוקול בפרקטיקה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים כי אין להם ניגודי אינטרסים כספיים, קשרים מסחריים או קשרים אישיים שעלולים היו להשפיע על העבודה המדווחת במחקר זה. למחברים אין ניגודי אינטרסים להצהיר עליהם. כל החומרים הדרושים לשחזור המתודולוגיה המוצגת במחקר זה זמינים לציבור במאגר GitHub. המאגר זמין בכתובת: https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration. המאגר מכיל נתוני ייחוס שנוצרו באופן סינתטי בלבד ואינו כולל כל מידע אמיתי על מטופלים, מידע רפואי מוגן או רשומות בריאות שניתן להגדיר מהן את זהות המטופל.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מודים על התמיכה המוסדית שניתנה על ידי המוסדות השייכים להם במהלך הפיתוח והערכה של פרוטוקול זה. המחברים מודים גם על השימוש במתקני מחשוב מוסדיים ובמשאבי מחשוב ענן שסייעו לתיקוף הניסיוני של מסגרת הגירה מאובטחת של נתוני ענן המוצעת.
מחקר זה לא קיבל מימון חיצוני. המחקר נערך באמצעות מתקני מחקר מוסדיים ומשאבי מחשוב שסופקו על ידי המוסדות השייכים למחברים. לא התקבל מימון ממענקים או תמיכה כספית מכל סוכנות מימון ציבורית, מסחרית או ללא מטרות רווח.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שם	חברה	מספר קטלוג	הערות
הצפנת AES	NIST	AES-256	הצפנת נתונים במצב מנוחה
Amazon RDS PostgreSQL	Amazon Web Services	PostgreSQL 16	בסיס נתונים יעד
פלטפורמת ענן	Amazon Web Services	AWS	תשתית ענן
CloudWatch	Amazon Web Services	הגרסה היציבה האחרונה	ניטור ותיעוד לוגים
Docker	Docker Inc.	27.0	קונטנריזציה
Faker	Faker Developers	30.0	יצירת נתונים סינתטיים
GPU	NVIDIA	RTX 4090	24 GB VRAM
Matplotlib	Matplotlib Developers	3.9	ויזואליזציה
NumPy	NumPy Developers	1.26	עיבוד מספרי
מערכת הפעלה	Canonical	Ubuntu 22.04 LTS	סביבת מערכת
Pandas	PyData	2.2	עיבוד נתונים
PostgreSQL	PostgreSQL Global Development Group	16	בסיס נתונים מקור
Python	Python Software Foundation	3.11	שפת תכנות
Scikit-learn	Scikit-learn Developers	1.5	למידת מכונה
SHAP	SHAP Developers	0.46	בינה מלאכותית ניתנת להסבר
Terraform	HashiCorp	1.8	הקצאת תשתיות
TLS	IETF	TLS 1.3	הצפנת נתונים במעבר
ענן פרטי וירטואלי	Amazon Web Services	VPC	סביבת רשת פרטית
תחנת עבודה	Dell/HP	NA	Intel Xeon Gold 6226R, 64 GB RAM, 1 TB SSD

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kindervag J. Build security into your network's DNA: The Zero Trust Network Architecture. Cambridge (MA): Forrester Research; 2010.
Rose S, Borchert O, Mitchell S, Connelly S. Zero Trust Architecture. NIST Special Publication 800-207. Gaithersburg (MD): National Institute of Standards and Technology; 2020. doi:10.6028/NIST.SP.800-207.
Rieke N, et al. The future of digital health with federated learning. NPJ Digit Med. 2020;3:119. doi:10.1038/s41746-020-00323-1.
Kairouz P, McMahan HB, Avent B, Bellet A, Bennis M, Bhagoji AN, et al. Advances and open problems in federated learning. Found Trends Mach Learn. 2021;14(1-2):1-210. doi:10.1561/2200000083.
Nguyen DC, Ding M, Pathirana PN, Seneviratne A, Li J, Niyato D, et al. Privacy-preserving federated learning: A comprehensive survey. IEEE Commun Surv Tutor. 2021;23(3):1622-1651. doi:10.1109/COMST.2021.3075434.
Sarker IH. AI-driven cybersecurity: An overview, security intelligence modeling, and research directions. SN Comput Sci. 2021;2:173. doi:10.1007/s42979-021-00557-0.
Kuo AM. Opportunities and challenges of cloud computing to improve health care services. J Med Internet Res. 2011;13(3):e67. doi:10.2196/jmir.1867.
Kota TK. Cloud migration for healthcare data: Challenges and solutions. Nanotechnol Percept. 2024;20:3048-3062.
Rancea A, Anghel I, Cioara T. Edge computing in healthcare: Innovations, opportunities, and challenges. Future Internet. 2024;16(9):329.
Mersha M, et al. Explainable artificial intelligence: A survey of needs, techniques, applications, and future direction. Neurocomputing. 2024;599:128111. doi:10.1016/j.neucom.2024.128111.
Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4):e26297. doi:10.1016/j.heliyon.2024.e26297.
Roppelt JS, Kanbach DK, Kraus S. Artificial intelligence in healthcare institutions: A systematic literature review on influencing factors. Technol Soc. 2024;76:102443. doi:10.1016/j.techsoc.2023.102443.
Lekkala S, Avula R, Gurijala P. Next-Gen firewalls: Enhancing cloud security with generative AI. J Artif Intell Cloud Comput. 2024;3(4):1-9. doi:10.47363/JAICC/2024(3)404.
Al-Hammuri K, Gebali F, Kanan A. ZTCloudGuard: Zero Trust context-aware access management framework to avoid medical errors in the era of generative AI and cloud-based health information ecosystems. AI. 2024;5(3):1111-1131. doi:10.3390/ai5030055.
Pfeifer B, Sirocchi C, Bloice MD, Kreuzthaler M, Urschler M. Federated unsupervised random forest for privacy-preserving patient stratification. Bioinformatics. 2024;40(Suppl 2):ii198-ii207. doi:10.1093/bioinformatics/btae382.
Li T, Sahu AK, Talwalkar A, Smith V. Federated learning: Challenges, methods, and future directions. IEEE Signal Process Mag. 2020;37(3):50-60. doi:10.1109/MSP.2020.2975749.
Lundberg SM, Lee SI. A unified approach to interpreting model predictions. In: Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS); 2017. p. 4768-4777.
Ribeiro MT, Singh S, Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 1135-1144. doi:10.1145/2939672.2939778.
Ortigossa ES, Gonçalves T, Nonato LG. Explainable artificial intelligence (XAI)—From theory to methods and applications. IEEE Access. 2024;12:80799-80846. doi:10.1109/ACCESS.2024.3409843.
Chaddad A, et al. Explainable, domain-adaptive, and federated artificial intelligence in medicine. IEEE/CAA J Autom Sin. 2023;10(4):859-876. doi:10.1109/JAS.2023.123123.
Albshaier L, Almarri S, Albuali A. Federated learning for cloud and edge security: A systematic review of challenges and AI opportunities. Electronics. 2025;14(5):1019. doi:10.3390/electronics14051019.
Vani MS, Sudhakar RV, Mahendar A, et al. Personalized health monitoring using explainable AI: Bridging trust in predictive healthcare. Sci Rep. 2025;15:31892. doi:10.1038/s41598-025-15867-z.
Zakhmi K, et al. Evolving Zero Trust architectures for AI-driven cyber threats in healthcare and other high-risk data environments: A systematic review. Cureus. 2025;17(6):e85446. doi:10.7759/cureus.85446.
Selvaperumal D, et al. Artificial intelligence-enabled zero-trust cyber security framework for smart healthcare infrastructure. Int J Artif Intell Mach Learn. 2026;6(2 Suppl):204-217. doi:10.51483/IJAIML.6.2s.2026.204-217.
Abbas SR, Seol H, Abbas Z, Lee SW. Exploring the role of artificial intelligence in smart healthcare: A capability and function-oriented review. Healthcare (Basel). 2025;13(14):1642. doi:10.3390/healthcare13141642.
Al-Nafjan A, et al. Artificial intelligence in predictive healthcare: A systematic review. J Clin Med. 2025;14(19):6752. doi:10.3390/jcm14196752.
Qureshi SS, et al. Advanced AI-driven intrusion detection for securing cloud-based industrial IoT. Egypt Inform J. 2025;30:100644. doi:10.1016/j.eij.2025.100644.
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 785-794. doi:10.1145/2939672.2939785.
Liu FT, Ting KM, Zhou ZH. Isolation Forest. In: Proceedings of the 8th IEEE International Conference on Data Mining; 2008. p. 413-422. doi:10.1109/ICDM.2008.17.
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: A system for large-scale machine learning. In: Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI); 2016. p. 265-283.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Shapley

פרוטוקול ניסיוני להגירה מאובטחת של נתונים בענן המונחית על ידי בינה מלאכותית הסבירה תוך שימוש בנתוני בריאות סינתטיים

במאמר זה

סיכום

תקציר

מבוא

פרוטוקול

תוצאות

דיון

גילויים

תודות

חומרים

מקורות

הדפסות חוזרות והרשאות

תגיות

מאמרים קשורים