Опубликовано: 22.07.2026 | Источник: RSS.app Feed 8

Превентивная защита email-фишинга на основе ML: архитектура и метрики для ВКР

В марте 2026 года компания IRONSCALES представила Winter '26 Release, который позиционируется как переход от реактивной к превентивной модели защиты корпоративной почты. В основе — агенты на базе ИИ, анализирующие поведение отправителя и контент письма до его доставки. Для студентов ИТ-специальностей это не просто новость, а готовый кейс, который ложится в дипломную работу по информационной безопасности, машинному обучению или проектированию распределённых систем. В статье разберём, как из этого релиза вытащить конкретные задачи, метрики и архитектурные схемы для Вашей ВКР.

Темы ВКР, которые можно построить вокруг кейса

1. Разработка модуля превентивной фильтрации фишинговых писем на основе ансамбля ML-моделей

Актуальность: статья подтверждает, что AI-атаки стали точнее, а традиционные спам-фильтры (на базе правил) пропускают до 30% целевых фишинговых писем (по данным отчёта IRONSCALES за 2025).

Цель: спроектировать и протестировать модуль, который анализирует заголовки, вложения и поведенческие паттерны отправителя до доставки письма.

Задачи:

• Сравнить архитектуры существующих решений (IRONSCALES, Proofpoint, Mimecast) и выбрать стек для прототипа.
• Разработать конвейер данных: сбор метаинформации письма через Microsoft Graph API -> очистка -> векторизация (FastText или BERT).
• Обучить модели (XGBoost + LSTM) на публичном датасете EnronSpam и имитированных атаках.
• Оценить метрики precision/recall на реальных почтовых логах (анонимизированных).

Структура диплома:
Глава 1 — обзор методов защиты email, эволюция фишинг-атак (со ссылкой на статью).
Глава 2 — архитектура модуля, выбор протоколов (SMTP, DMARC, DKIM) и фреймворка (Kubernetes для горизонтального масштабирования классификаторов).
Глава 3 — тестирование, экономический расчёт сокращения TCO.

2. Архитектура корпоративного email-шлюза с предиктивной фильтрацией и интеграцией OpenTelemetry

Актуальность: IRONSCALES использует агентов внутри почтового трафика — это требует надёжного мониторинга и быстрого отклика (RTO).

Цель: разработать архитектуру шлюза, который не только блокирует фишинг, но и собирает метрики для последующего анализа атак.

Задачи:

• Определить требования (ISO 27001, ФЗ-152).
• Спроектировать схему прогона письма через цепочку микросервисов (антивирус, ML-детектор, поведенческий анализатор).
• Реализовать CI/CD-пайплайн для обновления моделей без остановки сервиса.
• Провести нагрузочное тестирование с помощью Locust, измерить latency добавленного ML-этапа.

Структура диплома:
Глава 1 — обзор архитектур email-безопасности (SaaS vs on-prem).
Глава 2 — проектирование, схемы последовательности (UML), обоснование выбора Redis для кэширования запросов.
Глава 3 — результаты нагрузочного теста, сравнение TCO с существующими решениями.

3. Метрики эффективности превентивной защиты: от RPO до F1-меры

Актуальность: в статье подчёркивается, что AI «совершенствует классику» — значит, метрики детекта должны учитывать не только блокировку, но и скорость реакции.

Цель: разработать систему мониторинга (на базе Prometheus + Grafana) для оценки качества ML-модели в продуктивной среде.

Задачи:

• Собрать требования к отчётам: процент ложных срабатываний, время детекта, количество пропущенных угроз.
• Развернуть OpenTelemetry-коллектор с трейсингом каждого решения модели.
• Внедрить A/B-тестирование новой модели без остановки потока писем.
• Построить дашборд по стандарту ISO/IEC 25010 (эффективность, надёжность).

Структура диплома:
Глава 1 — обзор метрик в задачах классификации и безопасности.
Глава 2 — архитектура сбора данных (Kafka -> Flink -> Clickhouse).
Глава 3 — результаты эксплуатации в течение 30 дней, анализ cost per false positive.

Применение новости в разделах ВКР

Аналитическая глава: обоснование стека

В этом разделе часто требуют сравнение существующих решений. Возьмите таблицу из статьи (явно нет, но можно построить самостоятельно) и добавьте метрики.

Проектная часть: схемы и алгоритмы

Покажите диаграмму последовательности обработки письма. Можно взять идею агентов IRONSCALES: «красный агент» тестирует систему, «синий» защищает. В дипломе спроектируйте похожий дуальный агент:

1. Письмо поступает в очередь RabbitMQ.
2. Синий агент (ML) вычисляет вероятность угрозы.
3. Если score > 0.95 — блокируется, если 0.7–0.95 — отправляется на ручную проверку (alert через Slack).
4. Красный агент раз в час генерирует тестовые фиш-письма (из публичных шаблонов) и проверяет качество модели.
5. Метрики — в Prometheus через OpenTelemetry exporter.

Тестирование и метрики

Студенты часто пропускают RTO/RPO. В превентивной защите ключевое — время детекта до доставки. Замерьте latency обработки одного письма на стеке (Kubernetes, модель на TensorFlow Serving). Пример метрик:

• RTO (восстановление после падения модели) < 30 секунд (через Liveness Probes).
• RPO (потеря данных) = 0 (письма не удаляются, только помещаются в карантин).
• точность (F1) > 0.97 при 2% ложных срабатываний.

Чему вы научитесь, взяв эту тему

• Проектировать микросервисную архитектуру с балансировкой нагрузки (горизонтальное масштабирование ML-моделей).
• Обосновывать выбор протоколов (SPF, DKIM, DMARC) в пояснительной записке.
• Оформлять ТЗ по ГОСТ 34.602-89 с разделами «Требования к надёжности» и «Требования к эргономике».
• Работать с OpenTelemetry и Prometheus для дипломного прототипа.

Типичные ошибки студентов и как их избежать

FAQ

Чек-лист «Что проверить перед сдачей»

Материал подготовлен экспертами компании [Название сайта]

Источник: IRONSCALES Winter '26 Release: Preemptive Email Security (опубликовано 2026-03-13)