موتور توصیه شواهد متنی برای پرسشنامه‌های امنیتی خودکار

TL;DR – یک موتور توصیه شواهد مبتنی بر زمینه (CERE) مدل‌های زبان بزرگ (LLM) را با گراف دانش به‌صورت پیوسته به‌روزرسانی‌شده ترکیب می‌کند تا حسابرسان و تیم‌های امنیتی دقیقاً همان مدرکی را که نیاز دارند — در لحظه‌ای که نیاز دارند — ارائه دهد. نتیجه: کاهش ۶۰‑۸۰ ٪ زمان جستجوی دستی، افزایش دقت پاسخ‌ها و یک جریان کار انطباقی که با سرعت توسعه‌ SaaS مدرن مقیاس‌پذیر است.

۱. چرا یک موتور توصیه‌گر پیوند گمشده است

پرسشنامه‌های امنیتی، بررسی‌های آمادگی SOC 2 ، ممیزی‌های ISO 27001 و ارزیابی ریسک فروشندگان همه یک نقطه درد مشترک دارند: جستجوی شواهد مناسب. تیم‌ها معمولاً مخزنی پراکنده از سیاست‌ها، گزارش‌های ممیزی، اسنپ‌شات‌های پیکربندی و تأییدات شخص ثالث را حفظ می‌کنند. هنگامی که یک پرسشنامه می‌رسد، یک تحلیل‌گر انطباق باید:

1. سؤال را تجزیه کند (اغلب به زبان طبیعی و گاهی با اصطلاحات خاص صنعت).
2. دامنه کنترل را شناسایی کند (مثلاً «مدیریت دسترسی»، «حفظ داده»).
3. در مخزن به‌دنبال اسنادی بگردد که کنترل را برآورده می‌کند.
4. پاسخ را کپی‑پیست یا بازنویسی کند و یادداشت‌های متنی اضافه کند.

حتی با ابزارهای جستجوی پیشرفته، این حلقه دستی می‌تواند چند ساعت برای هر پرسشنامه صرف شود، به‌ویژه زمانی که شواهد در حساب‌های ابری متعدد، سیستم‌های تیکت‌گیری و به‌اشتراک‌گذاری فایل‌های قدیمی پراکنده هستند. طبیعت خطاپذیر این فرآیند خستگی انطباقی ایجاد می‌کند و می‌تواند منجر به عدم رعایت ضرب‌الاجل‌ها یا پاسخ‌های نادرست شود — که هر دو برای یک کسب‌وکار SaaS در حال رشد پرهزینه‌اند.

ورود CERE: موتوری که به‌محض ورود سؤال، مرتبط‌ترین آیتم(های) شواهد را به‌صورت خودکار نمایش می‌دهد، با ترکیبی از درک معنایی (LLM) و استدلال رابطه‌ای (پیمایش گراف دانش).

۲. ستون‌های اصلی معماری

CERE روی سه لایه‌ کاملاً هم‌پوشانی ساخته شده است:

در ادامه نمودار Mermaid جریان داده‌ها را نشان می‌دهد.

  flowchart LR
    A["کاربر سؤال پرسشنامه را ارسال می‌کند"]
    B["LLM نیت را تجزیه می‌کند\n(کنترل، ریسک، نوع شواهد)"]
    C["جستجوی DKG بر پایهٔ نیت"]
    D["امتیازدهی مرتبطیت با GNN"]
    E["آیتم‌های شواهد Top‑K"]
    F["UI توصیه را با اطمینان نمایش می‌دهد"]
    G["بازخورد کاربر (پذیرش/رد)"]
    H["حلقه RL وزن‌های GNN را به‌روزرسانی می‌کند"]
    A --> B --> C --> D --> E --> F
    F --> G --> H --> D

تمام برچسب‌های گره‌ها در داخل کوتیشن دوتایی قرار گرفته‌اند همان‌طور که لازم است.

۳. از متن به نیت: پرامپت‌ مهندسی‌شده برای LLM

گام اول «درک» سؤال است. یک پرامپت دقیق سه سیگنال را استخراج می‌کند:

1. شناسهٔ کنترل – مثلا «ISO 27001 A.9.2.3 – مدیریت رمز عبور».
2. دستهٔ شواهد – مثلا «سند سیاست»، «صادرات پیکربندی»، «لاگ ممیزی».
3. زمینهٔ ریسک – «ریسک‑بالا، دسترسی خارجی».

نمونهٔ پرامپت (به‌صورت خلاصه برای امنیت) به شکل زیر است:

You are a compliance analyst. Return a JSON object with the fields:
{
  "control": "<standard ID and title>",
  "evidence_type": "<policy|config|log|report>",
  "risk_tier": "<low|medium|high>"
}
Question: {question}

خروجی LLM در مقابل یک طرح‌واره (schema) اعتبارسنجی می‌شود و سپس به سازندهٔ پرسش‑های DKG ارسال می‌گردد.

۴. گراف دانش پویا (DKG)

۴.1 مدل موجودیت‌ها

۴.2 همگام‌سازی زمان‑واقعی

Procurize هم‌اکنون با ابزارهای SaaS نظیر GitHub، Confluence، ServiceNow و APIهای ارائه‌دهندگان ابری یکپارچه می‌شود. یک میکروسرویس مبتنی بر CDC رویدادهای CRUD را ردیابی می‌کند و گراف را با تأخیر زیر‑ثانیه به‌روزرسانی می‌کند، ضمن حفظ قابلیت حسابرسی (هر یال source_event_id را حمل می‌کند).

۵. مسیر توصیه‌گر مبتنی بر گراف

1. انتخاب گرهٔ پایه – نیت control به‌عنوان گرهٔ شروع برگزیده می‌شود.
2. گسترش مسیر – جستجوی عرض‑اول (BFS) روابط PROVIDES را تا زمانی که به evidence_type برگردد که LLM ارائه کرده است، گسترش می‌دهد.
3. استخراج ویژگی‌ها – برای هر سند کاندید، برداری از موارد زیر ساخته می‌شود:
   • شباهت متنی (توکار از همان LLM).
   • تازه‑بودن زمانی (last_modified).
   • فراوانی استفاده (چند بار سند در پرسشنامه‌های گذشته ارجاع شده).
4. امتیازدهی مرتبطیت – یک GNN ویژگی‌های گره و یال را تجمیع می‌کند و امتیازی s ∈ [0,1] تولید می‌کند.
5. رتبه‌بندی و اطمینان – اسناد Top‑K بر پایهٔ s مرتب می‌شوند؛ موتور همچنین درصد اطمینان را خروجی می‌دهد (مثلاً «با ۸۵ % اطمینان این سیاست درخواست را برآورده می‌کند»).

۶. حلقهٔ بازخورد انسانی‑در‑حلقه

هیچ توصیه‌ای از ابتدا کامل نیست. CERE تصمیم پذیرش/رد و هر بازخورد متنی آزاد را ثبت می‌کند. این داده‌ها یک حلقهٔ یادگیری تقویتی (RL) را تغذیه می‌کند که به‌صورت دوره‌ای شبکهٔ GNN را تنظیم‑مجدد می‌کند تا مدل با ترجیحات سوبژکتیو سازمان هم‌راستا شود.

خط لوله RL شبانه اجرا می‌شود:

  stateDiagram-v2
    [*] --> CollectFeedback
    CollectFeedback --> UpdateRewards
    UpdateRewards --> TrainGNN
    TrainGNN --> DeployModel
    DeployModel --> [*]

۷. ادغام با Procurize

Procurize پیش‌از‌این یک مرکز پرسشنامهٔ یکپارچه ارائه می‌دهد که کاربران می‌توانند وظایف را اختصاص دهند، نظر بدهند و شواهد را پیوست کنند. CERE به‌عنوان ویجت فیلد هوشمند افزوده می‌شود:

• وقتی تحلیل‌گر روی «اضافه کردن شواهد» کلیک می‌کند، ویجت لولهٔ LLM‑DKG را فعال می‌سازد.
• اسناد پیشنهادی به‌صورت کارت‌های قابل کلیک نشان داده می‌شوند، هر کدام دارای دکمهٔ «درج ارجاع» هستند که مرجع markdown را به‌صورت خودکار برای پرسشنامه قالب‌بندی می‌کند.
• برای محیط‌های چند‑مستاجر، موتور تقسیم‌بندی داده‌های سطح مستاجر را رعایت می‌کند — گراف هر مشتری جداست، که محرمانگی را تضمین می‌کند؛ در عین حال می‌توان یادگیری متقابل مستاجران را به‌صورت حفظ‑حریم خصوصی (از طریق میانگین‌گیری فدرال وزن‌های GNN) فعال کرد.

۸. مزایای ملموس

یک پروژهٔ آزمایشی با یک فین‌تک میان‌اندازه (≈۲۰۰ کارمند) کاهش ۷۲ % زمان تکمیل پرسشنامه و ۳۰ % کاهش دورهای اصلاح پس از ماه اول گزارش داد.

۹. چالش‌ها و راهکارها

۱۰. نقشه راه آینده

1. بازیابی شواهد چندرسانه‌ای – ترکیب اسکرین‌شات‌ها، نمودارهای پیکربندی و ویدئوهای آموزشی با LLMهای مجهز به بینایی.
2. رادار پیش‌بینی مقررات – ترکیب خوراک‌های زمان‑واقعی مقررات (مثلاً اصلاحات GDPR) برای غنی‌سازی پیش‌بینانه DKG با تغییرات کنترل‌های آتی.
3. پیشخوان AI قابل توضیح – نمایش دلیل نمره اطمینان (مسیر گراف، سهم ویژگی‌ها).
4. گراف خود‑درمان – شناسایی خودکار گره‌های بی‌سرپرست و آشتی آن‌ها با استفاده از حل موجودیت توسط AI.

۱۱. نتیجه‌گیری

موتور توصیه شواهد متنی تبدیل هنر پرکار و زمان‌بر پاسخ به پرسشنامه‌های امنیتی به یک تجربهٔ مبتنی بر داده، نزدیک به لحظه انجام می‌دهد. با ترکیب تجزیه معنایی LLM، گراف دانش زنده و لایهٔ رتبه‌بندی مبتنی بر GNN، CERE شواهد درست، در زمان درست، را با پیشرفت‌های قابل‌قابولیت در سرعت، دقت و اطمینان انطباق ارائه می‌کند. همان‌طور که سازمان‌های SaaS به رشد خود ادامه می‌دهند، چنین کمکی هوشمندانه دیگر یک «خوب برای داشتن» نیست — بلکه سنگ‌بنای یک عملیات مستحکم و آمادهٔ ممیزی می‌شود.