Алгоритмы категорирования персональных данных для систем автоматизированного проектирования баз данных информационных систем

• Автор: Корнев, Павел Александрович
• Шифр специальности: 05.13.12
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Липецк
• Количество страниц: 152 с. : ил.

СОДЕРЖАНИЕ
Введение
Глава 1. Автоматизация категорирования персональных данных как способ интеллектуализации их защиты
1.1. Актуальность защиты персональных данных
1.2. Процесс принятия управляющих решений по обеспечению информационной безопасности персональных данных
1.3. Анализ научных публикаций о защите персональных данных
1.4. Особенности современных информационных систем персональных данных
1.5. Способы автоматизации категорирования персональных данных
1.6. Выводы к главе
Глава 2. Применение нечетко-нейросетевых методов для анализа проектных решений баз данных ИСПДн
2.1. Нечеткий нейросетевой анализ проектных решений для слабо формализуемых задач
2.2. Модули нечетко-нейросетевого анализа проектных решений баз данных
2.3 Нейронные сети Кохонена как средство реализации модулей нечетко-нейросетевого анализа
2.4. Создание модифицированных нейронных сетей Кохонена
2.5. Выводы к главе
Глава 3. Моделирование систем анализа проектных решений баз данных ИСПДн
3.1. Алгоритмическое обеспечение систем анализа проектных решений баз данных ИСПДн
3.2. иМЬ-моделирование систем анализа проектных решений баз данных ИСПДн
3.3. Выводы к главе

Глава 4. Программная реализация систем анализа проектных решений баз данных ИСПДн
4.1. Оценка эффективности работы системы анализа в СДО
4.2. Дополнительные оценки производительности работы разработанной системы анализа в СДО
4.3. Оценка эффективности работы системы анализа в КСП
4.4. Дополнительные оценки производительности работы разработанной системы анализа в КСП
4.5. Общая оценка эффективности автоматизации категорирования персональных данных
4.6. Выводы к главе
Заключение
Литература
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение

ВВЕДЕНИЕ
Актуальность работы. В настоящее время проектирование баз данных для современных информационных систем происходит на основе различных типов САПР (систем автоматизированного проектирования). При этом САПР автоматизируют лишь рутинные действия разработчика, а основную интеллектуальную работу выполняет человек. Автор-разработчик информационной системы вынужден вручную выполнять синтез и анализ проектных решений баз данных (БД), проверяя их характеристики (защищенность, кроссплатформен-ность, возможность экспорта, импорта данных и т.д.) на соответствие действующим законам и нормативно-правовым актам. В частности, в связи с введением в действие обязательных положений закона "О персональных данных" (И 152-ФЗ в редакции от 25.07.2011) разработчику при проектировании типовой информационной системы надлежит обеспечить защиту определенных категорий персональных данных (ПДн). Для автоматизации процедуры анализа проектных решений баз данных на наличие блоков ПДн необходимо специальное алгоритмическое и программное обеспечение, которое на данный момент отсутствует.
Следует отметить, что наименование различных блоков ПДн (таблиц, кортежей и т.п.) является исключительно субъективной прерогативой разработчика. Поэтому нет объективной возможности для создания системы четких шаблонов, на основе которых происходил бы анализ проектных решений. Существующие в данном процессе неполнота и неточность информации, позволяют сделать вывод о необходимости применения аппарата теории нечетких множеств (ТНМ) для формализации процессов анализа проектных решений. Кроме этого, потенциальная изменчивость отечественного законодательства и нормативно-правовых актов делают перспективным дополнительное применение аппарата искусственных нейронных сетей (ИНС) в качестве "обучаемой в

да создает дополнительные ограничения для эффективной программной реализации (трудно хранить промежуточные данные, трудно хранить базу правил и т.д.). Кроме этого, база правил статична по определению (база генерируется разработчиком вручную однократно), а динамично изменяемые условия оценивания персональных данных требуют более гибкой (самонастраиваемой) базы правил, то есть следует "заставить базу правил самообучаться", а обучаемость является одним из важнейших преимуществ искусственных нейронных сетей (ИНС). Поэтому целесообразно дополнить подобную систему нечеткого вывода нейросетевым модулем кластеризации (искусственная нейронная сеть Кохонена и т.п.). Тогда модифицированная система нечеткого вывода представима следующим образом (рис. 2.3).
Также возможно использование специально обученной ИНС в качестве основы функционирования блока вывода. В этом случае получаем другую модификацию системы нечеткого вывода (рис. 2.4).
Рис. 2.3. Модифицированная система нечеткого вывода (вариант 1)
Рис. 2.4. Модифицированная система нечеткого вывода (вариант 2)