💻 computer science

Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations

Dit artikel presenteert een RAG-gebaseerde LLM-methodologie voor het automatiseren van veiligheidsprofielen die voldoen aan Oekraïense cyberbeveiligingsreguleringen, waarbij internationale best practices worden geïntegreerd om de complexiteit van naleving te verminderen in een omgeving met hybride dreigingen.

Oorspronkelijke auteurs: Daniil Shafranskyi, Iryna Stopochkina, Mykola Ilin

Gepubliceerd 2026-04-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Daniil Shafranskyi, Iryna Stopochkina, Mykola Ilin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

🛡️ De Digitale Bouwmeester: Hoe AI helpt bij Cyberbeveiliging in Oekraïne

Stel je voor dat je een enorm, complex kasteel wilt bouwen. Je hebt niet alleen bakstenen nodig, maar ook heel specifieke regels: waar moeten de sloten komen? Hoe dik moeten de muren zijn? En wie mag de poort openen?

In de digitale wereld is dit cyberbeveiliging. Bedrijven en overheden moeten hun "digitale kastelen" (systemen) beschermen tegen hackers. Maar de regels zijn vaak ingewikkeld, staan in dikke boeken en veranderen voortdurend. In Oekraïne is dit extra lastig door de oorlog en de dreiging van hybride aanvallen.

Dit artikel beschrijft een nieuwe manier om dit proces te versnellen en fouten te voorkomen, met behulp van een slimme computer (AI).

1. Het Probleem: Te veel regels, te weinig tijd

Vroeger moesten beveiligingsexperts handmatig bladeren door duizenden pagina's wetten en richtlijnen (zoals de internationale ISO-standaarden en de nieuwe Oekraïense regels, genaamd ND TPI). Ze moesten beslissen welke beveiligingsmaatregelen voor welk systeem nodig zijn.

De analogie: Dit is alsof je elke avond een nieuw recept moet bedenken voor het koken van een maaltijd, maar je moet eerst alle ingrediënten in de supermarkt controleren, de wetten over voedselveiligheid lezen en dan pas beginnen. Het duurt te lang en je maakt makkelijk fouten.

2. De Oplossing: Een Slimme Assistent (LLM + RAG)

De auteurs van het artikel stellen een oplossing voor: een AI-assistent die werkt als een super-slome bouwmeester. Deze assistente gebruikt twee krachtige technieken:

LLM (Large Language Model): Dit is de "hersenen" van de assistent. Het is een AI die net als een mens taal begrijpt en kan schrijven.
RAG (Retrieval-Augmented Generation): Dit is het geheugen van de assistent. In plaats van alleen te vertrouwen op wat de AI tijdens haar training heeft geleerd (wat verouderd kan zijn), haalt de AI live de juiste regels op uit een digitale bibliotheek met de actuele Oekraïense wetten.
De analogie: Stel je voor dat je een advocaat hebt die niet alleen slim is, maar ook direct toegang heeft tot de actuele wetboeken in de kamer. Als je een vraag stelt, slaat hij niet op zijn geheugen, maar zoekt hij direct in het wetboek het juiste artikel op en geeft hij je een antwoord dat precies klopt met de wet.

3. Hoe werkt het? (Het Bouwproces)

Het proces dat de auteurs hebben bedacht, ziet er als volgt uit:

Het Paspoort van het Systeem: De gebruiker geeft de AI een beschrijving van het systeem dat beveiligd moet worden (bijv. "Dit is een ziekenhuisapp die patiëntgegevens bewaart").
De Basisplaat: De AI kijkt welke standaardregels (de "Basisprofiel") van toepassing zijn. Dit is als het fundament van het kasteel.
Aanpassen aan de Maat: De AI vergelijkt de basisregels met de specifieke situatie.
- Voorbeeld: De basisregel zegt "Doe de deur dicht". Maar omdat dit een ziekenhuis is met gevoelige data, zegt de AI: "Nee, we moeten de deur niet alleen dichtdoen, we moeten er een zware slot op zetten en een alarm installeren."
De Menselijke Check: De AI maakt een voorstel (een "ontwerp"), maar niet de definitieve beslissing. Een menselijke expert moet dit nog controleren en goedkeuren.
- De analogie: De AI is de architect die de blauwdrukken tekent. De mens is de bouwheer die zegt: "Ja, dit ziet er goed uit, ga maar bouwen!"

4. Wat hebben ze geprobeerd? (De Test)

De auteurs hebben dit systeem getest met drie verschillende AI-modellen (zoals Claude, Gemini en ChatGPT). Ze lieten de AI een beveiligingsplan maken voor een fictief systeem.

De resultaten:
- De AI kon binnen enkele minuten een plan maken dat een mens normaal uren over zou doen.
- De beste AI (Claude) had slechts in 15% van de gevallen kleine correcties nodig. In 75% van de gevallen was het antwoord perfect.
- Let op: Als de input van de gebruiker vaag was (bijv. "Ik heb een systeem" zonder details), maakte de AI soms fouten (hallucinaties). Daarom is de menselijke expert cruciaal.

5. Waarom is dit belangrijk?

In tijden van oorlog en digitale dreigingen kunnen landen het zich niet veroorloven om te wachten tot een mens elke regel handmatig heeft nagekeken.

De kernboodschap: Deze methode maakt beveiliging sneller, goedkoper en betrouwbaarder. Het combineert de snelheid van een robot met het oordeel van een mens. Het zorgt ervoor dat Oekraïense systemen voldoen aan de strengste regels, zonder dat elke medewerker een expert in wetgeving hoeft te zijn.

Samenvattend in één zin:

Dit artikel beschrijft hoe je een slimme, wetboek-lezende AI-assistent gebruikt om snel en nauwkeurig beveiligingsplannen te maken voor digitale systemen, waarbij de mens altijd de laatste knoop doorhakt om fouten te voorkomen.

Titel: Ontwikkeling van een LLM-gebaseerde methodologie voor geautomatiseerde beveiligingsprofielering in overeenstemming met Oekraïense cyberveiligheidsregels

1. Probleemstelling

De snelle ontwikkeling van informatietechnologieën en de toenemende afhankelijkheid van digitale infrastructuur hebben geleid tot een groei van cyberdreigingen. In Oekraïne wordt informatiebeveiliging gereguleerd door een complex stelsel van wetten en normen, met name de recente ND TPI 3.6-006-24 (een document dat is afgestemd op de NIST Cybersecurity Framework en ISO/IEC 27001).

De kernproblematiek die dit artikel adresseert, is de kloof tussen de adoptie van deze nieuwe, risicogebaseerde benadering en de praktische middelen om deze te implementeren:

Het handmatig ontwikkelen van Doelgerichte Beveiligingsprofielen (Target Security Profiles - TSP) is tijdrovend, foutgevoelig en vereist diepgaande expertise.
Er ontbreekt een gestructureerde, reproduceerbare workflow om vanuit een basisprofiel (Base Profile) een op maat gemaakt profiel af te leiden dat voldoet aan de specifieke context van een informatiesysteem en de wettelijke eisen.
Bestaande AI-oplossingen richten zich vaak op rapportage of zijn te complex (multi-agent systemen) voor praktische toepassing in kleine tot middelgrote organisaties, met risico's op supply chain-aanvallen.

2. Methodologie

Het artikel stelt een gestructureerde methodologie voor die Large Language Models (LLM) combineert met Retrieval-Augmented Generation (RAG) om het proces van TSP-afleiding te automatiseren.

A. Architectuur en Workflow:

Data Voorbereiding: Oekraïense regelgeving (ND TPI 3.6-006-24) en organisatiebeleid worden opgeschoond, in chunks opgedeeld, geëmbed (omgezet naar vectorrepresentaties) en opgeslagen in een vectordatabase.
Context Formalisering: Een "systeempaspoort" (beschrijving van architectuur, data, gebruikers, risico's) wordt omgezet in een gestructureerd model ( $S$ ).
RAG-gebaseerde Adviseur:
- De LLM ontvangt een prompt met de systeemcontext.
- Het RAG-systeem zoekt relevante wettelijke controles en richtlijnen op in de vectordatabase.
- De LLM genereert een voorstel voor een Doelgerichte Beveiligingsprofiel (TSP) op basis van de gevonden context.
Beslissingslogica: Voor elke basiscontrole ( $b_i$ $b_{i}$ ) bepaalt het systeem een beslissing:
- Behouden (Keep): Als de basisparameters voldoende zijn.
- Verfijnen (Refine): Als parameters moeten worden aangepast aan de context.
- Versterken (Enhance): Bij hoge risico's of specifieke dreigingen.
- Compenseren (Compensate): Als een controle niet direct implementeerbaar is.
- Toevoegen (Add): Als extra controles nodig zijn.
Human-in-the-Loop: Het gegenereerde profiel wordt altijd gecontroleerd en goedgekeurd door een menselijke expert. De AI fungeert als beslissingsondersteuning, niet als de eindverantwoordelijke.

B. Formele Modellen:
De auteurs definiëren het proces als een beperkt beslissingsondersteuningsproces $P: (S, Q, B, R) \rightarrow T$ , waarbij $S$ het systeem is, $Q$ de eisen, $B$ het basisprofiel, $R$ de regelgevingskennis en $T$ het resultaat. Er wordt speciale aandacht besteed aan traceerbaarheid (bronvermelding) en het expliciet aangeven van onvoldoende informatie.

3. Belangrijkste Bijdragen

Gestandaardiseerde Methode: Een voorgestelde methode voor het afleiden van Doelgerichte Beveiligingsprofielen specifiek onder de Oekraïense regelgevingskader (ND TPI 3.6-006-24).
LLM-RAG Architectuur: Een ontwerp voor een model dat conceptuele beslissingen genereert met traceerbare rechtvaardiging en een gestructureerde output (bijv. tabellen met parameters, verantwoordelijken en bewijsstukken).
Empirische Validatie: Een eerste experimentele validatie waarbij verschillende LLM's (Claude Sonnet 4.6, Gemini 3.1 Pro, ChatGPT Thinking 5.4) werden getest op hun vermogen om beveiligingsprofielen te genereren, vergeleken met expertoordelen.

4. Resultaten en Evaluatie

De methodologie werd getest met synthetische, maar realistische systeemspecificaties. Drie modellen werden vergeleken:

Claude Sonnet 4.6 Extended: Presteerde het beste.
- Genereerde een compleet rapport in minder dan 4 minuten.
- 75% van de gegenereerde beslissingen kwam direct overeen met expertoordelen.
- Slechts 15% van de controles vereiste slechts kleine correcties.
- Laag percentage hallucinaties (10%) bij onvolledige input.
ChatGPT Thinking 5.4 (Extended):
- Leverde een zeer gedetailleerd rapport (60 pagina's) in ~17 minuten.
- Gedroeg zich conservatiever: vaker flaggen van controles voor verduidelijking (wat de methodologie ondersteunt om aannames te vermijden).
- 65% match met expertoordelen.
Gemini 3.1 Pro:
- Leverde geen compleet rapport, maar analyseerde in segmenten.
- Hoge rate van hallucinaties (43%) wanneer de systeemspecificatie onvolledig was.
- Minder consistent in de output.

Kernbevindingen:

De kwaliteit van de input (het systeempaspoort) is cruciaal; onvolledige data leidt tot hallucinaties.
De mens-expert blijft essentieel als eindverantwoordelijke.
De methodologie is haalbaar en kan de complexiteit van compliance aanzienlijk verminderen.

5. Betekenis en Conclusie

De studie toont aan dat de complexe taak van het selecteren van beveiligingscontroles onder strenge nationale regelgeving kan worden omgezet in een gestructureerde, transparante cyclus met behulp van AI.

Efficiëntie: Het reduceert de manuele last en minimaliseert menselijke fouten bij het doorlopen van honderden parameters.
Schalbaarheid: Organisaties kunnen hun verdediging dynamisch aanpassen aan hybride dreigingen en veranderende regels zonder een evenredige toename van gespecialiseerd personeel.
Compliance: Het zorgt voor een betere uitlijning tussen technische controles en juridische vereisten, met name in een omgeving met hoge dreigingsniveaus zoals Oekraïne.

De auteurs concluderen dat deze "human-in-the-loop" architectuur een veelbelovende richting is voor het creëren van universele, intelligente beslissingssteunsystemen voor cyberbeveiliging.