Опубликовано: 24.06.2026 | Источник: ZDNet – Enterprise Software

AI-агенты в дипломе: как интегрировать кибербезопасность на уровне современных архитектур

В апреле 2026 года Google объявила о запуске «киберсилы» из автономных AI-агентов — систем, способных обнаруживать, анализировать и нейтрализовать угрозы в реальном времени без участия человека. По данным ZDNet, инвестиции в эту инициативу превышают $32 млрд, а ключевым партнером выступает Wiz — платформа для управления безопасностью в облачных средах. Это не просто маркетинговый ход: речь идёт о переходе от реактивной защиты к проактивному «интеллектуальному оборонительному полю». Для выпускников ИТ-направлений это важно: будущие архитекторы и разработчики уже сегодня должны понимать, как проектировать системы, где машинное обучение, автоматизация и безопасность переплетаются в единую архитектурную основу.

Почему это актуально для ВКР

Современные дипломные проекты часто строятся на статичных сценариях: «мы построили бэкенд», «добавили JWT-авторизацию», «внедрили CI/CD». Но если в 2024 году это было достаточно, то в 2026-м — нет. Студенты, которые покажут, как архитектура может адаптироваться к динамическим угрозам, получат преимущество при защите и трудоустройстве. Особенно если они продемонстрируют знание стандартов ISO/IEC 25010 (качество ПО), ГОСТ Р 51793-2011 (обеспечение безопасности информации) и практик DevSecOps.

Темы ВКР: от анализа до реализации

Аналитическая глава: почему именно эти технологии?

В первой главе диплома можно провести сравнительный анализ трёх подходов:

• Реактивный мониторинг (например, SIEM + правила) — работает медленно, требует ручного анализа, не масштабируется.
• Профильный контроль (например, Wiz + Policy-as-Code) — быстрее, но ограничен политикой.
• Агентный подход (Google + Wiz API) — самонастраивается, корректирует поведение, снижает RTO до секунд.

Для этого стоит использовать матрицу сравнения по параметрам: скорость реакции, сложность интеграции, стоимость владения, совместимость с Kubernetes и OpenShift, поддержка ISO/IEC 25010 (особенно надёжность, соответствие требованиям). Например, в таблице ниже показано, как Wiz сравнивается с другими решениями по этим критериям.

Проектная часть: схемы и алгоритмы

Во второй главе можно представить архитектуру в виде контейнерной схемы:

┌─────────────────────┐
│   AI-Agent Core     │
│ (Python + LangChain)│
└──────────┬────────┘
           │
┌──────────▼──────────┐
│   Observation Layer │
│ (Log Collector +    │
│  Metric Aggregator) │
└──────────┬──────────┘
           ▼
┌─────────────────────┐
│   Decision Engine   │
│ (ML Model + Rules)  │
└──────────┬──────────┘
           ▼
┌─────────────────────┐
│   Action Executor   │
│ (REST API + CLI)    │
└─────────────────────┘

Алгоритм работы агента:

1. Сбор данных через OpenTelemetry (logs, traces, metrics)
2. Фильтрация и предобработка (например, удаление шумов)
3. Обучение модели на исторических данных (пример: Isolation Forest)
4. Сравнение текущего поведения с порогом — если превышен — генерируется событие
5. Автоматическое исполнение действия: блокировка IP, отправка alert, запуск восстановления

Важно: в дипломе обязательно указать, какие стандарты применяются: ГОСТ Р 51793-2011 (обеспечение безопасности), ГОСТ 34.602-89 (техническое задание), ISO/IEC 25010 (качество ПО).

Тестирование и метрики: что измерять и как

В третьей главе нельзя обойтись без нагрузочного тестирования. Например, имитируйте 1000 запросов в секунду, одновременно запуская 50 агентов. Измерьте:

• RTO (Time to Respond) — время от обнаружения до начала действия
• RPO (Time to Recover) — время восстановления после инцидента
• False Positive Rate — сколько «врагов» ошибочно приняли за «дружественных»
• Throughput — сколько угроз обрабатывается в секунду

Для этого используйте OpenTelemetry для сбора метрик и Grafana для визуализации. Пример конфигурации:

service:
  name: ai-agent
  version: 1.0.0

metrics:
  exporters:
    prometheus:
      endpoint: "localhost:9464"
    logging:
      loglevel: debug

processors:
  batch:
    send_batch_size: 1000
    timeout: 5s

Все метрики должны быть связаны с целями проекта — например, «снизить RTO до 3 секунд» или «сократить FPR до 0.5%».

Чему вы научитесь, делая этот диплом

• Как проектировать архитектуру, где безопасность — не «приложение», а «система»
• Как применять OpenTelemetry для мониторинга в distributed system
• Как обосновывать выбор стека через сравнение по ISO/IEC 25010 и ГОСТ Р 51793-2011
• Как оформлять техническую документацию с учётом требований ГОСТ 34.602-89

Типичные ошибки студентов

FAQ: частые вопросы студентов

Как сложно реализовать такой агент в рамках диплома?

Не сложно, если начать с простой версии: например, агент, который проверяет логи на наличие строк «ERROR» и отправляет email. Далее можно добавить ML-классификатор. Важно: не нужно делать всё за 3 месяца — сделайте минимум, но сделайте правильно.

Требуется ли писать код? Какой язык лучше?

Да, код обязателен — особенно если вы делаете архитектуру. Python — лучший выбор: много библиотек (LangChain, Scikit-learn), хорошая документация, легко интегрируется с OpenTelemetry. Но если ваша тема — CI/CD, то лучше показать YAML-конфигурацию и bash-скрипты.

Как оформить UML-диаграммы и схемы?

Используйте PlantUML или draw.io. В дипломе обязательно: 1) контейнерная схема, 2) последовательность действий агента, 3) диаграмма потоков данных. Все файлы сохраняйте в формате SVG и вставляйте в текст. Не забудьте добавить подписи по ГОСТ 34.602-89.

Где взять тестовые данные?

Для логов — Elastic Security Examples. Для метрик — Prometheus Real-World Metrics. Для ML — Credit Card Fraud Detection (можно адаптировать под аномалии в системе).

Чек-лист «Что проверить перед сдачей»

Источник: Google bets $32B on AI agent cyber force as security arms race escalates (опубликовано 2026-04-22)